内容简介:本文涉及的源代码路径:目前云迁移平台的各个服务模块在设计上使用了OpenStack方式,即大部分模块复用了类似Nova的实现框架。即API层直接集成oslo.service中定义好的WSGI Service基类,Worker采用了olso.service中定义好的Service基类,即Eventlet协程方式,API与Worker通讯使用RabbitMQ,API南向接口除少量直接更新数据库操作采用同步接口外,其余所有接口全部使用异步方式。API发送请求后,得到202 Accepted回复,后续通过GET接口
本文涉及的源代码路径: https://github.com/xiaoquqi/openstackclient-demo/tree/master/tooz
一、目前现状及存在的问题
在实际业务系统中,经常有需要定时执行的任务,例如任务状态的定时更新、定时发送状态信息等。在我们的云迁移产品中,允许用户可以设定周期同步规则,定期执行数据同步并调用云平台接口执行快照操作。在单机版本中,通常在同一时间点并发任务量较少的情况下,问题并不是很突出,但是随着我们将云迁移服务从单机版本改造为平台版本后,当多个用户的多台主机同时触发快照任务时,一方面传统的设计方式就成为了瓶颈,无法保证用户的同步任务在同一时间点被触发(需要排队);另外一方面,目前Active-Passive(简称AP方式)的高可靠部署方式无法利用集群横向扩展能力,无法满足高并发的要求。
软件架构设计
目前云迁移平台的各个服务模块在设计上使用了OpenStack方式,即大部分模块复用了类似Nova的实现框架。即API层直接集成oslo.service中定义好的WSGI Service基类,Worker采用了olso.service中定义好的Service基类,即Eventlet协程方式,API与Worker通讯使用RabbitMQ,API南向接口除少量直接更新数据库操作采用同步接口外,其余所有接口全部使用异步方式。API发送请求后,得到202 Accepted回复,后续通过GET接口不断轮询任务接口等到任务完成。
高可靠部署
根据OpenStack官方的HA部署文档( https://docs.openstack.org/ha-guide/ ),将服务分为无状态和有状态两种。无服务状态只需要直接部署多份即可,有状态服务往往需要通过Pacemaker控制副本数量,来保证高可靠。在云迁移平台部署中,我们将全部服务部署于K8S集群中,所以并不需要Pacemaker+Corosync这样的组件(Pacemaker节点上线为16)。但是,由于需要保持定时任务在单一节点被触发(避免任务被重复执行),所以承载定时快照的模块只能同时存在一个容器在运行,无法构成Active-Active(简称AA方式)模式。这样的部署方式,也造成了上述提到的AP模式对扩展性的瓶颈。
二、问题思路及解决方案
思路一、利用消息队列解耦任务分配与任务执行
从上述对现状的描述,我们不难看出,现有任务分配与任务执行是在同一个任务中执行的,当存在大量任务时,任务执行会对任务产生产生很大的影响。同时,由于任务执行唯一性的需要,在部署上只能采用上述的AP模式,导致任务无法由多个任务同时执行。
所以,我们可以将任务分解为分配和执行两个阶段。任务分配上,单纯的进行任务生成,由于任务生成相对较快,生成后的任务发送至消息队列,由无状态性的Worker接收后执行。这样就解决了单点执行的效率低下问题。
但是这样的解决方案仍然存在缺陷,我们在任务生成的模块仍然必须需要采用AP模式部署,来保证任务的唯一性。如果在任务数量非常庞大时,该部分仍然是一个瓶颈;另外一方面这样的实现方式,我们需要将任务生成部分单独拆分出一个模块,同时增加了开发和部署上的复杂度,所以我们来看一下第二种解决思路。
思路二、利用Zookeeper构建可扩展的分布式定时任务
为了解决思路一的局限性,我们本质上要解决的是任务执行的分布式问题,即如何让Worker不重复的判定任务的归属后再执行,由被动改为主动。
我们来看以下几种场景:
1、假定我们现在有3个Worker可以用于任务生成,在某一个时间点,将同时产生100个任务。如何由这3个Worker主动产生属于自身负责的任务?
2、我们知道大部分云平台目前都有云原生的弹性扩展服务,如果我们结合云平台的弹性扩展服务自动将我们用于任务生成的Worker动态进行调整时,例如变为6个时,还能保证这100个任务能够被自动的由6个节点不重复的产生呢?
3、当负载降低后,节点数量由6个变为3个后,如何恢复场景1的状态呢?保证任务不漏生成呢?
如果想达到以上场景需求,需要以下几个条件:
1、节点之间能够准确知道其他节点的存在——利用Zookeeper进行服务发现
2、尽量合理的进行任务(对象)分布,同时兼顾节点增加和减少时,降低对象分配时的位移——利用一致性哈希环
三、技术要点
1、Zookeeper
对于Zookeeper的解释网络上有各种各样的详细集成,这里就不再赘述了,这里我直接引用了这篇文章( https://www.jianshu.com/p/50becf121c66)中开头的内容:
官方文档上这么解释zookeeper,它是一个分布式服务框架,是Apache Hadoop 的一个子项目,它主要是用来解决分布式应用中经常遇到的一些数据管理问题,如:统一命名服务、状态同步服务、集群管理、分布式应用配置项的管理等。
上面的解释有点抽象,简单来说zookeeper=文件系统+监听通知机制。
从我们应用场景的角度看,Zookeeper帮我们解决了Worker之间相互认识的过程,及时、准确的告诉我们:到底现在有多少个和我相同的活跃节点存在。至于底层是如何实现的,感兴趣的同学可以查看具体的Zookeeper实现原理文档,这里只介绍与我们实现相关的内容。
2、一致性Hash
又是一个经典的算法,相关的文章也很多,这里推荐大家几篇,这里摘抄出对理解我们实现有价值的内容。
参考文档:
《面试必备:什么是一致性Hash算法?》 https://zhuanlan.zhihu.com/p/34985026
《五分钟看懂一致性哈希算法》 https://juejin.im/post/5ae1476ef265da0b8d419ef2
《一致性hash在分布式系统中的应用》 http://www.firefoxbug.com/index.php/archives/2791/
2.1 关于一致性哈希算法
一致性哈希算法在1997年由麻省理工学院的Karger等人在解决分布式Cache中提出的,设计目标是为了解决因特网中的热点(Hot spot)问题,初衷和CARP十分类似。一致性哈希修正了CARP使用的简单哈希算法带来的问题,使得DHT可以在P2P环境中真正得到应用。但现在一致性hash算法在分布式系统中也得到了广泛应用。
2.2 一致性哈希算法在缓存技术中的应用
上述的方式虽然提升了性能,我们不再需要对整个 Redis 服务器进行遍历!但是,使用上述Hash算法进行缓存时,会出现一些缺陷,主要体现在服务器数量变动的时候,所有缓存的位置都要发生改变!
试想一下,如果4台缓存服务器已经不能满足我们的缓存需求,那么我们应该怎么做呢?很简单,多增加几台缓存服务器不就行了!假设:我们增加了一台缓存服务器,那么缓存服务器的数量就由4台变成了5台。那么原本hash(a.png) % 4 = 2 的公式就变成了hash(a.png) % 5 = ? , 可想而知这个结果肯定不是2的,这种情况带来的结果就是当服务器数量变动时,所有缓存的位置都要发生改变!换句话说,当服务器数量发生改变时,所有缓存在一定时间内是失效的,当应用无法从缓存中获取数据时,则会向后端数据库请求数据(还记得上一篇的《缓存雪崩》吗?)!
同样的,假设4台缓存中突然有一台缓存服务器出现了故障,无法进行缓存,那么我们则需要将故障机器移除,但是如果移除了一台缓存服务器,那么缓存服务器数量从4台变为3台,也是会出现上述的问题!
所以,我们应该想办法不让这种情况发生,但是由于上述Hash算法本身的缘故,使用取模法进行缓存时,这种情况是无法避免的,为了解决这些问题,Hash一致性算法(一致性Hash算法)诞生了!
2.3 一致性哈希在缓存中的应用
初始状态,将节点映射到哈希环中
将对象映射到换后,找到负责处理的Node节点。
容错性,Node C出现故障后,只需要将Object C迁移到Node D上。
增加节点,此时增加了Node X,在Node C右侧,那么此时只有Object C需要移动到Node X节点。
3、tooz和kazoo
Python中操作zookeeper的项目叫kazoo( https://kazoo.readthedocs.io/en/latest/ )。
tooz是OpenStack中为简化开发人员操作分布式系统一致性所开发的组件,利用底层组件抽象出一致性组成员管理、分布式锁、选举、构建哈希环等。tooz除支持zookeeper作为后端,还可以支持 Memcached 、Redis、IPC、File、PostgreSQL、 MySQL 、Etcd、Consul等。
有关于tooz的发展历史可以参考: https://julien.danjou.info/python-distributed-membership-lock-with-tooz/
这里我们主要使用tooz操作zookeeper实现我们的一致性组及一致性哈希。
4、oslo相关项目
这几年一直在做OpenStack项目,从OpenStack项目中学习到很多设计、架构、研发管理等各种新知识、新理念。oslo项目就是在OpenStack不断的迭代中产生的公共项目库,这些库可以让你非常轻松的构建基于 Python 的构建近似于OpenStack的分布式、可扩展的微服务系统。
之前在从事OpenStack开发培训过程中,有专门的一节课去讲解OpenStack中用到的公共库,其中oslo相关项目就是非常重要的一部分内容。olso项目设计的库非常多,在这个内容中会涉及到oslo.config、oslo.log、oslo.service、oslo.utils和oslo.messaging项目。严格意义上来说,为了更精准控制任务,我们还应该引入oslo.db项目由数据库持久化的维护任务运行状态,包括任务回收等工作,但是本次内容主要讲解的是zookeeper,所以这部分的内容需要开发者在实际项目中去实现。
关于olso开发的内容,我会以视频课程的形式为大家讲解,敬请期待。
四、实现过程
1、Zookeeper部署
docker-compose -f zookeeper.yml -d up
启动完成后,将使用本地的三个容器作为zookeeper的三个节点和三个不同的端口(2181/2182/2183)便于zookeeper连接。如果在生产环境中部署时,可以使用云原生服务或部署在多个可用区的方式,保证高可靠。
Zookeeper常用命令行
进入容器,就可以使用zkCli.sh进入zookeeper的CLI模式。如果是初次接触zookeeper,可以把zookeeper理解成一个文件系统,这里我们常用的命令就是ls。
docker exec -it zookeeper_zoo1_1 bash cd bin zkCli.sh
看到这样的提示,就表示连接成功了。
如上面提到的zookeeper的存储结构所示,我们先从根节点(/)进行获取。
ls /
此时返回
这里zookeeper目录属于保留的目录,我们来看一下tooz的内容。
ls /tooz
此时返回
如果我们想继续查看distribution_tasks的内容,可以继续使用ls命令获取。
ls /tooz/distribution_tasks
通常我们会为每一个加入的节点取一个唯一的标识,当节点加入后我们使用ls命令就可以看到,如果离开了,则返回为空。
zookeeper常用的命令还包括get,stat等获取value和更详细的信息,还包含更新节点操作set和删除节点rm。这里面就不做一一介绍了,我们直接操作zookeeper主要是为了帮助大家更好的理解程序逻辑。
具体的命令行信息可以参考: https://www.tutorialspoint.com/zookeeper/zookeeper_cli.htm
2、tooz基本使用方法
关于tooz的两个示例主要来自于这篇博客: https://dzone.com/articles/scaling-a-polling-python-application-with-tooz
原文中的例子是有些Bug的,这里面进行重新进行了优化和整理,并且使用zookeeper替代etcd3驱动。
2.1 组成员(tooz/test_tooz/test_group_members.py)
在这个例子中,我们主要为大家演示tooz如何进行组成员的管理。结合我们自身的需求,这里的成员就是每一个Worker。通过这个列子我们将观察三种不同场景的变化:
1、初始状态下,我们只能看到一个成员;
2、当启动了一个新的进程时,第一个成员马上会发现有第二个成员的加入;
3、同时,当我们用CTRL + C结束某一个进程时,另外一个活着的进程会立即发现组成员的变化。
时序图
这里为了更直观表达,用时序图来说明程序的运行逻辑。
完整的代码
#!/usr/bin/env python # -*- coding: utf-8 -*- from datetime import datetime import sys import time from tooz import coordination def current_time(): return datetime.now().strftime("%Y-%m-%d %H:%M:%S") ZOOKEEPER_URL = "zookeeper://localhost:2181" # Check that a client and group ids are passed as arguments if len(sys.argv) != 3: print("Usage: %s <client id> <group id>" % sys.argv[0]) sys.exit(1) # Get the Coordinator object c = coordination.get_coordinator(ZOOKEEPER_URL, sys.argv[1].encode()) # Start it (initiate connection). c.start(start_heart=True) group = sys.argv[2].encode() # Create the group try: c.create_group(group).get() except coordination.GroupAlreadyExist: pass # Join the group c.join_group(group).get() try: while True: # Print the members list #c.run_watchers() members = c.get_members(group).get() print("[%s]Current nodes in cluster: %s" % ( current_time(), members)) time.sleep(1) except KeyboardInterrupt as e: print("CTRL C is pressed!") finally: # Leave the group c.leave_group(group).get() print("[%s]After leave cluster nodes: %s" % ( current_time(), c.get_members(group).get())) # Stop when we're done c.stop()
执行效果
第一个成员
python test_group_members.py client1 group1
第二个成员加入,观察第一个成员的标准输出,为了观察加入集群的时间,我们加入了date
date && python test_group_members.py client2 group1
第一个脚本的标准输出,在16:07:27秒的时候加入了集群:
将第二个成员关闭,直接在第二个成员脚本按CTRL + C,首先观察第二个成员的输出:
第一个成员的输出,在16:08:51分时,集群中已经没有了第二个成员了:
2.2 一致性哈希(tooz/test_tooz/test_ping.py)
这个模拟测试中,使用分布式任务去ping某一个C类网段(255个IP地址)中的全部IP地址,如果由一个任务去完成,那么只能顺序执行,无法满足并发需求,这里采用一致性哈希算法,让任务分布在各个Worker上。为了节省时间,我们将原有程序中的实际ping换成了time.sleep等待方式。
另外在程序启动后,我们默认等待10秒等待其他成员(member)加入,在实际开发过程中,还需要对任务的状态进行严格控制,防止同一任务重复被执行,在演示代码中主要偏重演示分布式,所以并没有在任务状态上增加过多处理。
时序图
代码需要说明的几点:
0、在程序开始时,我们默认等待了10秒,等待其他节点加入,如果在循环开始后,再有新加入的节点时,由于并不知道第一个节点已经处理过的任务,所以在第二个Worker加入后根据当时哈希环对之前的任务重新分配并执行,造成了重复执行,这个问题需要通过额外的手段(例如数据库记录先前执行的任务状态)监控任务状态来防止任务重新执行。
1、代码中使用了tooz内置的Hash环,但是也可以在外部自己构建哈希环,我们在后续最终的例子中还是采用了外部构建哈希环的方法。
2、Tooz partitioner依赖于watchers,所以在每次循环的时候必须要调用run_watchers即使获取成员的加入和离开。
3、无论是group还是member在变量传递时都要变成bytes类型,这样可以确保对象的唯一性,所以在代码处理上都用到了encode()方法。
4、 tooz_hash 方法需要在使用Partition时自己实现,能够唯一标识出对象的方法,例如ID、名称等信息。
完整的代码
#!/usr/bin/env python # -*- coding: utf-8 -*- from datetime import datetime import sys import subprocess import time from tooz import coordination def current_time(): return datetime.now().strftime("%Y-%m-%d %H:%M:%S") ZOOKEEPER_URL = "zookeeper://localhost:2181" # Check that a client and group ids are passed as arguments if len(sys.argv) != 3: print("Usage: %s <client id> <group id>" % sys.argv[0]) sys.exit(1) # Get the Coordinator object c = coordination.get_coordinator(ZOOKEEPER_URL, sys.argv[1].encode()) # Start it (initiate connection). c.start(start_heart=True) group = sys.argv[2].encode() # Join the partitioned group p = c.join_partitioned_group(group) class Host(object): def __init__(self, hostname): self.hostname = hostname def __tooz_hash__(self): """Returns a unique byte identifier so Tooz can distribute this object.""" return self.hostname.encode() def __str__(self): return "<%s: %s>" % (self.__class__.__name__, self.hostname) def ping(self): time.sleep(2) return True hosts_to_ping = [Host("192.168.10.%d" % i) for i in range(20)] print("[%s]Waiting 10 seconds for other members..." % current_time()) time.sleep(10) print("[%s]Current members: %s" % ( current_time(), c.get_members(group).get())) try: while True: for host in hosts_to_ping: c.run_watchers() if p.belongs_to_self(host): print("[%s]%s belongs to %s" % ( current_time(), host, p.members_for_object(host))) if host.ping(): pass print("=" * 60) print("Waiting for next loop...") time.sleep(10) except KeyboardInterrupt as e: print("CTRL C is pressed!") finally: # Leave the group c.leave_group(group).get() # Stop when we're done c.stop()
执行效果
我们分别使用两个不同的窗口,同时启动两个Worker,我们可以很明显的看到主机被分配到两个不同的Worker中。
python test_ping.py client1 group1 python test_pring.py client2 group1
加入第三个Worker,可以看到一部分任务又被分配给了第三个Worker上
python test_ping.py client3 group2
暂停第二个Worker,我们看到第二个Worker被停止后,任务重新被平衡到Worker1和Worker2上。
3、构建分布式定时任务
为了保持代码的兼容性,所以这里的实现是基于目前OpenStack体系的实现。另外,将任务发送给消息的部分在这个例子中并没有体现。示例代码仍然重复实现上述ping的例子,部分代码参考于Sahara项目的实现。
由于代码量较大,这里不贴出全部代码,仅仅对核心实现进行分析,完整代码请参考: https://github.com/xiaoquqi/openstackclient-demo/tree/master/tooz/distribute_periodic_tasks
代码结构
. ├── coordinator.py -> 一致性哈希的实现,该类中并没有直接使用上述tooz的partition,而是自己重新实现了HashRing ├── periodic.py -> 定时任务,基于oslo_service的PeriodicTasks基类 ├── service.py -> Service类,继承于oslo.service的Service基类 └── test_periodic_task.py -> 程序入口
coordinator.py
Coordinator是关键实现,所以这里重点对该类进行解释,在period task中需要调用coordinator即可实现分布式触发定时任务。
在coordinator.py中共实现了两个类,Coordinator和HashRing。
1、Coordinator类主要是针对tooz中对group members相关操作的封装,类似我们在tooz中的第一个例子;
2、HashRing是继承于Coordinator类,在功能上接近于tooz中Hash和Partition的实现,但是更简洁,tooz构建HashRing的用的PartitionNumber是32(2^5),而我们用的是40,更大的数字会带来更均匀的分布但是会导致构建成本增加
3、HashRing中最重要的方法就是get_subset,通过映射到HashRing上的ID来判断Object的归属Worker
class HashRing(Coordinator): def __init__(self, backend_url, group_id): self.group_id = group_id self.replicas = CONF.hash_ring_replicas_count super(HashRing, self).__init__(backend_url) self.join_group(group_id) @staticmethod def _hash(key): return int( hashlib.md5(str(key).encode('utf-8')).hexdigest(), 16) # nosec def _build_ring(self): ring = {} members = self.get_members(self.group_id) LOG.info("Coordinator members: %s" % members) for member in members: for r in range(self.replicas): hashed_key = self._hash('%s:%s' % (member, r)) ring[hashed_key] = member return ring, sorted(ring.keys()) def _check_object(self, object, ring, sorted_keys): """Checks if this object belongs to this member or not""" hashed_key = self._hash(object.id) position = bisect.bisect(sorted_keys, hashed_key) position = position if position < len(sorted_keys) else 0 return ring[sorted_keys[position]] == self.member_id def get_subset(self, objects): """Returns subset that belongs to this member""" if self.coordinator: ring, keys = self._build_ring() if ring: return [obj for obj in objects if self._check_object( obj, ring, keys)] return [] return objects
运行效果
分别在两个Terminal中运行脚本,可以看到Host被均匀的分布在两个Worker中执行。
python test_periodic_task.py
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
ggplot2:数据分析与图形艺术
哈德利·威克姆 (Hadley Wickham) / 统计之都 / 西安交通大学出版社 / 2013-5-1 / CNY 46.00
中译本序 每当我们看到一个新的软件,第一反应会是:为什么又要发明一个新软件?ggplot2是R世界里相对还比较年轻的一个包,在它之前,官方R已经有自己的基础图形系统(graphics包)和网格图形系统(grid包),并且Deepayan Sarkar也开发了lattice包,看起来R的世界对图形的支持已经足够强大了。那么我们不禁要问,为什么还要发明一套新的系统? 设计理念 打个比......一起来看看 《ggplot2:数据分析与图形艺术》 这本书的介绍吧!