kubernetes 灰度发布设计方案

ㅤㅤㅤ
ㅤㅤㅤ
ㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤ（生活有时会迫使我们弯曲，但在弯曲的轨迹上，我们也能找到属于自己的旅程。即便离开了我钟爱的技术领域，我仍然在新的旋律中发现着人生的节奏。- 史蒂夫·乔布斯）
ㅤㅤㅤ
ㅤㅤㅤ
ㅤㅤㅤㅤㅤㅤㅤㅤㅤ 在这里插入图片描述

团队灰度设计背景

因为前段时间有些迷茫，再加上入职了新公司，所以三个月的时间没有写博客，以下是当时整个技术团队灰度架构设计的背景，我也尽可能完整详细的进行记录，让大家更了解灰度架构设计的前后因果

设计和开发灰度系统其实已经是21年的事情了，以下是大概的时间线

在21年三四月份第一次提出灰度架构，作为研发年度绩效kpi
- 另一个是服务重构，因为部分服务的代码十分陈旧，可以追溯到2012年，旧的代码维护起来十分困难，最新的特性，语言版本，工具包等都不能使用，并且很多技术都已不再维护，很多相关资料和文档也都缺失
在21年年中时组织架构发生了变化，来了新的研发总经理。并且年中时系统又接连出了不少线上事故。比如云厂商数据库故障影响了公司业务长达几个小时，运维操作数据库导致故障，发版导致的线上问题，新功能造成的线上问题等
于是在新领导的推动下，灰度系统的日程提前了，由他牵头，组织各部门研发经理来定制方案
在定制方案之前，有其他部门的研发领导提出要先对部分服务做压力测试
- 我们产品的整体服务主要是使用nodejs12-14，http框架使用nestjs，数据库使用mongodb3.x-4.x，redis，消息队列使用kafka，nsq，服务承载使用k8s容器化架构，日志使用的kibana
- 需要压测的服务部署由运维同学按照研发的要求单独部署了一个k8s命名空间，每一个服务单独一个pod，每一个pod配置是2cpu，4g内存，单进程
- 测试中也发现了不少问题，比如nestjs的依赖循环，REQUEST注解，链路追踪id(cls-rtracer)等造成的内存泄露和性能问题
- 在做了优化之后，就开始使用jmeter进行测试，使用两种测试方案
  - 提供最简单的http服务和一个数据库查询，最高qps达到1000+
  - 提供普通业务的http服务，内部有简单的数据库增删改查或请求其他服务，qps普遍在200-300
- 以上是大致的流程，关于更多细节，因为时间关系记不太清楚了
做完压力测试，用了接近一个月的时间调研和定制整体系统的灰度方案
在这期间，提出压力测试的研发领导又提出了使用java进行灰度系统开发的提议，他列出了使用java的优势，虽然io性能和nodejs相当，但生态比nodejs要强很多，比如在大型架构中需要用到的动态路由，负载均衡，降级，熔断等，nodejs虽然在这方面也有解决方案，但没有java成熟。所以最终在大家的商讨下，决定用使用java语言，springboot框架来进行灰度网关开发
- 虽然公司的部分服务也有用java开发的，比如各种导入导出等对性能要求高的服务
  - 澄清一下，这里说的性能主要是cpu性能，因为每次导入导出都需要使用新的线程来执行，nodejs虽然有多进程，并且node10版本之后也有工作线程，但相比较java的多线程来说缺失处于劣势，最终才决定灰度网关使用java的springboot框架开发
- 这里还要提一下，于公来说，在灰度网关开发上使用java的springboot的论点确实让人无法反驳，对公司来说是利大于弊的，但于私来说，这也是有利于其他部门的事情，为了争取更多的部门福利，其他部门想在整个技术团队中脱颖而出，一直想成立技术架构组，但都没有得到批准，所以这次压测，他们也是做了很多准备，这也为后来服务重构全部使用java埋下了伏笔，让他们在接下来的时间里有足够的话语权，各种人员福利也更倾向于他的部门
  - 其实这也是研发团队日常的勾心斗角之一 😃
但因为研发资源主要还在产品需求上，所以每个部门需要抽调1-2个主力来开发灰度系统
设计到的部门有，一个前端部门，三个后端部门，一个测试部门，一个运维部门，一共六个人左右加入灰度系统小组中
实际开始开发灰度系统的时间是十月份，整体架构开发和对接完毕的时间是在十二月底
灰度系统的测试时间是2022年一月份，整体测试用了一个月左右，在二月份完成测试并上线第一版

灰度发布的目的

作为一个SAAS服务提供的产品，除了产品的功能层面以外，客户最关心的是产品的稳定性。而由于SAAS软件的快速迭代的特性，线上系统在不停的进行升级，要完全防止每次迭代bug引起的故障本身是一件比较难的事情。那我们能做的事情就是降低出现问题的影响：一个是降低线上系统问题影响的客户群体，一个是降低线上系统问题的故障时间。灰度发布就是达成这个目标的手段之一。

灰度的定义

从效果层面上看到的灰度，就是不同客户可以使用我们不同的软件版本。这样系统升级的时候，可以从不同的客户群体开始升级，等该用户群体运行一段时间以后（也就是新的系统经过线上的某些客户验证后没有问题，理论上后续出问题的概率就比较小，如果这部分客户出问题，也只影响这部分客户，不影响其它客户），再逐步升级到后续其它的客户。例如升级的客户群分别是内部客户(3天）→ 小客户（7天） → VIP客户（7天） → VVIP客户（7天）这样一个步骤。

这其实是比较完整的方案，但后来实施时因为基于现状，资源，客户量的考虑，小客户在灰度环境三天没问题后，在后面的1-2天内就把剩余客户逐渐也都迁移进去了

灰度的总体设计方案

设计图

为了隐私问题，我没有直接把原公司的设计图拿出来，而是以呼叫中心架构为背景重新设计了一张
在这里插入图片描述

设计图概述

该设计图涵盖了21年上线时的所有内容，部分细节虽然被忽略，但整体设计就是如此的，其中还有一些缺陷因为资源等问题就没有完善，不过对于当时的架构来说已经能够满足了。

灰度实现设计细则

灰度环境管理系统

灰度环境的控制有一个灰度环境管理系统，前端使用vuejs，后端使用java开发，它只有一个正式环境，它主要有以下作用

管理用户和灰度分组之间的关系
管理灰度分组
控制灰度分组所属环境

灰度的范围

以下对"非用户使用的系统"称为"inner_system"

核心业务能灰度的全部灰度,包括各业务服务，服务的k8s配置文件，服务的cicd配置文件，mongodb数据库，redis数据库，elasticsearch缓存数据库，kafka/nsq消息队列，文件存储，apollo配置中心，kibana日志系统等，inner_system可以不灰度，比如租户系统，日志系统，内部使用系统等，直接和正式环境通信，或者同时兼容两个环境，但需要保证inner_system不能影响到主业务，否则也需要进行灰度设计

k8s

整个产品的服务集群都是托管在k8s集群中的，涉及到前端部门一个，后端部门三个，运维部门一个，因为采用了微服务架构设计，最终涉及到的业务服务达到40-50个，有些是需要灰度的，有些是不需要灰度的，最终统计后，需要灰度的业务服务仍然接近40个

为了支持灰度环境，需要先评估现有正式环境集群的资源配置，比如多少带宽，内存，硬盘，cpu等，然后因为灰度环境的服务比正式环境要少一些，所以额外申请了正式环境百分之70的机器资源，假如正式环境占用资源100g，那么灰度环境就需要70g的资源。然后添加gray命名空间用来部署灰度服务，再把需要灰度的服务整理出来，将k8s相关的的helm，chart，deployment，hpa，ingress，service，环境变量等配置文件再添加一份灰度的配置，用于支持灰度服务的k8s配置

CICD

CICD持续部署，目前用的是gitlab的runner，通过本地服务的.gitlab-ci.yml配置规则，提交的分支匹配指定的规则，或提交指定的标签来触发部署流程

ci部署的流程以打标签为例，开发环境的是dev.开头，测试环境的是release.开头，正式环境是v.开头，这里以正式环境为例

提交v.*规则git标签，在配置的代码监听配置下，有代码改动的服务开始触发部署流程
git runner收到信号后，开始执行ci流程
根据script配置规则，使用gitlab环境变量的用户名和密码登陆docker
执行docker build，根据当前服务的Dockerfile配置打包服务
- dockerfile流程如下
- 阶段一
  - 加载node镜像
  - 创建工作空间
  - 复制本地文件到docker镜像内
  - 执行npm run build编译
- 阶段二
  - 定义工作目录，将编译后的代码和配置复制到当前目录下
  - 定义端口号3000
  - 使用pm2启动node服务
将打包好的docker镜像推送至私有的harbor镜像存储仓库中

至此ci阶段已经完成，因为cd阶段配置的是manual，手动部署，所以还需要人工点击deploy完成部署

cd阶段的配置流程同样以正式环境为例

进入helm文件夹
使用helm执行升级流程，使用配置文件中的镜像仓储地址，根据上下文变量，替换对应pod配置文件的镜像id，触发k8s pod的更新，达到服务更新的墓地

整个cicd的流程就是如此，对于灰度来说，我们单独添加了一个.gitlab-ci-gray.yml文件配置灰度服务的cicd规则，和.gitlab-ci.yml不同的是，添加了.gray的标签触发规则，使用了新的命名空间-gray和pod配置文件

apollo

apollo配置中心管理了产品下所有服务的环境配置，包括服务间通信地址，数据库，消息队列，业务常量，环境变量等

对于灰度来说，所有服务都需要将正式环境服务配置复制一份，变量名都不需要更改，在正式环境相同应用的下，创建新的集群配置，比如命名为v-gray，然后直接在启动时根据环境变量读取不同的配置即可

包括一些公共配置也是一样的，都需要复制一份到灰度集群配置中

file

如果是用户上传的文件，对于文件自身来说是不区分环境的，且系统中的文件命名都采用类似uuid的唯一性id，所以不存在环境隔离相关的问题
但对于系统内的文件，一些公共配置文件，对环境隔离有要求的，就需要复制一份出来作为灰度文件处理，后续的同步也需要人工处理

nfs

有些旧的业务采用的是本地文件存储的，后来更新后为了减少业务入侵就采用了k8s的nfs文件挂载系统架构

旧业务本地文件存储命名也都是唯一的id，并且都是用户导入导出留下的临时文件，对环境隔离没有要求，所以nfs就不需要做灰度的处理了

log

日志系统使用的是kibana，内部使用elasticsearch存储和分析日志，因为添加了灰度环境，所以灰度服务的日志也要同步到elastisearch中，日志空间别名直接使用服务的名称进行区分，比如xx-gray就可以，没有其他额外的灰度操作

mongodb

方案一
只对数据有灰度要求的表，进行灰度数据结构设计，数据结构设计无法满足的，视情况找最佳解决方案。比如定时器任务表，添加env字段标记所属环境，各自环境的定时器只读取属于自己环境的任务即可，比如数据初始化类操作的，做好存在即更新的操作即，等等。其他情况在后续业务发展中，需要做好数据结构的向前兼容等灰度处理，避免出现因环境不一致导致的异常问题。
方案二
对mongodb整个集群或库，或表进行灰度，但最终该方案被弃选

不对mongodb整个表，整个库或者整个集群做灰度的原因

成本
- 维护成本
  - 额外的部署工作，还需要添加监控，日志等一系列集群所需的组件
  - apollo分布式集群配置中心额外的维护工作
  - 为了保证用户的数据一致性，每次产品迭代都需要考虑环境数据源动态切换，数据一致性同步相关的问题
  - 需要对现有代码进行更改和调试，对旧代码造成较大的入侵
  - 在后续mongodb集群，服务代码日常维护，迭代，脚本执行都有额外的工作量
  - 产品迭代周期加长，日常bug排查链路加长
- 运营成本
  - 额外的数据库成本
  - 额外的服务器成本
  - 额外的开发，运维成本
价值
- 回归到数据库灰度层面，让我们思考一个问题，为什么需要对数据库做灰度
  - 灰度和正式环境的相同的表数据结构不一致，导致线上业务功能异常
  - 灰度和正式环境的相同的表数据结构不一致，导致线上数据被入侵，加大了数据回滚和排查难度
  - 灰度环境不稳定，比如灰度环境因人为，代码或不可抗力问题造成mongodb集群流量，连接数，内存，cpu等激增，直接影响到线上数据库，从而间接影响到正式环境的用户使用
- 综上所述，主要是数据一致性和环境格隔离的问题
  - 数据一致性的另一个解决方案
    - 提高技术团队代码质量，使用强类型的编程语言，比如TypeScript或者Java等，做好代码检查和审查工作，降低问题出现频率
    - 做好业务和技术文档，比如保留好业务和数据的数据结构文档，产品迭代过程中，做好旧数据的兼容
    - 对有环境要求的数据做好"存在即更新"的机制，避免因重复执行造成的数据或业务问题
    - 数据不一致即便不做灰度也会有类似的问题，所以对旧业务做好数据兼容至关重要
  - 环境隔离的另一个解决方案
    - 针对多环境提前做好测试方案，提前发现问题
    - 对有灰度要求的业务数据结构添加环境标识，各自环境只处理属于自己环境的业务数据，这样就不会造成数据污染，或者说减少了数据污染的可能性
    - 加强代码审查力度，做好服务降级，熔断就能降低因数据库或服务器负载激增造成的影响范围
- 很明显，另一个方案成本更低，执行起来更容易，后续维护也更简单

最终，我们内部经过多次讨论，针对现有的业务和架构情况，对数据库灰度，我们使用了方案一

redis

和mongodb灰度方案类似，也是基于成本，维护和便捷性方面的考虑，最终采用了方案一。

elasticsearch

es索引缓存在目前的架构中不需要灰度，因为存储的数据结构都比较通用，单一，比如呼叫中心系统中的通话记录，客户信息，工单信息等，并且涉及到es缓存管理的业务并不多，所以没有做灰度。即便需要灰度，也可以参考数据库的灰度方案

queue

因为消息队列的异步特性，导致它无法区分事件来源的所属环境，以通话账单事件为例，灰度环境发送了一个账单事件，因为没有做环境隔离，所以这个事件可能被灰度，也可能被正式环境所消费，如果这个事件被灰度或正式环境都兼容，那么一切正常。但可惜的是，消息队列是我们日常业务中最常使用的数据传递组件之一，假如某天灰度环境发布了新功能，账单事件的数据结构没有做向前兼容，如果该事件被灰度环境消费，那么没有问题，但如果被旧的正式环境消费，那么可能会出现数据不一致，业务异常等问题，将直接影响到用户的使用，造成企业损失

综上所述，消息队列需要进行灰度环境隔离，可以使用集群，topic或事件级别的方式进行隔离。

方案一

参考数据库的灰度方案，对灰度和正式环境的消费主题做灰度设计。消息队列的灰度分为两种级别，一个是消费事件，但涉及更改的消费事件多到上百种，对原业务代码侵入性太高，并且还涉及到多部门协作，考虑到成本和维护问题，最终采用消费者主题灰度级别，只需要再复制一套消费者主题，添加后缀标识，就能够完成环境隔离

假如有通话账单消费者主题topic_bill_call，设计为灰度就是的topic_bill_call_gray和topic_bill_call，这里直接将旧topic_bill_call作为正式环境的topic，就可以避免对正式环境做更改，降低了影响范围，然后灰度环境的使用topic_bill_call_gray

首先需要将消息队列的topic进行统一管理，用于环境隔离
先将代码中topic的常量，字符串，环境变量都迁移到配置中心apollo集群配置中
在apollo配置中心，消息队列所在的集群配置都需要复制一份后缀为_gray的topic的变量，用于灰度环境获取
再添加服务的启动环境变量，根据不同环境，启动时从apollo获取不同的集群配置并转换为业务识别的topic
然后在实际生产或消费消息时，各服务原代码不需要做更改，只需要在启动时做一些topic变量的转换即可

但还有一个问题，每一个产品下都有自己的研发部门，并且产品之间有些业务场景需要做数据通信，但并不是每一个产品都需要灰度环境等环境隔离架构，如何在其他部门没有灰度环境的情况下做好架构兼容？
假如有以下场景，多部门间通过同一个消息队列topic进行通信，比如通话账单，租户状态等，如何做到其他部门的业务无感知，不受任何影响呢？

那么这个问题其实就是如何让其他部门和以前一样，使用一个topic来执行业务，也就是同时分发和接收灰度和正式环境的消息，下面以两个场景进行举例，并列出解决方案，一个是租户系统A，一个是呼叫系统B，A系统只有一个正式环境，呼叫系统有灰度和正式两个环境

每当有租户在A系统注册成功时，都会向B系统同步该租户的注册状态，进行一系列初始化操作。
在之前，因为双方都只有一个系统，那么是一对一的关系，但现在B有两个环境，变成了一对多，可是对A来说只能对接一个环境。
为了减少B系统对A系统造成的影响，也为了让A系统对接一个更为稳定的环境，所以决定让A系统继续对接原来B系统的正式环境，包括原环境的消息队列，http地址等，这样无论B系统怎么改造，A系统也不会受到影响。如果A系统有更改，比如topic事件，接口数据结构等，B系统也要和之前一样同步升级。最终就是A系统一个topic或服务的事件分别由B系统的两个环境来消费处理。

每当有坐席在B系统完成一通电话时，都需要给A系统发送一个账单事件，用于A系统计算账单。
因为现在B有两个环境，在之前，B系统和A系统是一对一关系，但现在B系统多了一个灰度环境，为了保证灰度环境的账单事件能同步，B系统两个环境账单业务的topic或http地址保持不变，也就是B系统两个环境生产的账单事件由A系统一个topic或服务来消费处理。

虽然方案一能解决环境隔离问题，但对旧代码存在较大的入侵，需要将原代码中的所有topic迁移至apollo配置中心统一管理，并且因为对topic做了别名，所以为保证灰度环境代码能够正常运行，需要在启动时对topic别名进行配置和转换。对这些的更改，涉及到众多的服务，先不说研发，就测试而言，需要从0对整个系统进行测试，链路过长，成本过高

方案二

针对方案一的问题，主要是对现有代码的入侵过大，导致额外的研发和测试成本，那么针对该问题，出现了消息队列灰度集群方案

消费队列灰度集群配置和原正式集群相同，因为在灰度环境的主要是中小型用户，资源占用方面为原集群的百分之70甚至更低

和方案一不同的是，灰度集群服务使用新的地址和端口连接消息队列集群，所以需要先在apollo配置中心添加灰度集群配置，里面包含了消息队列，数据库等相关连接配置

配置好apollo后，还需要配置各服务的启动环境变量，在灰度部署的文件中，将消息队列变量替换为灰度的，那么在启动时，就可以读取灰度环境的连接配置了，因为连接的是新的灰度集群，原topic等命名都不用更改，那么业务代码不需要更改，开发和测试的成本就更低了

方案二虽然额外部署了一套消息队列灰度集群，增加了硬件消耗，但极大的减少了开发和测试成本，降低了代码侵入性，保障了系统的稳定性。再加上研发资源吃紧，时间比较紧，所以我们最终选择了方案二，以增加硬件成本的方式来提高整个系统的高可用性

业务服务(呼叫中心系统)

经过统计，需要灰度的服务一共高达40个，百分之70是nodejs服务，百分之30是java和python服务，在做好以上组件的各项灰度配置，并和需要灰度的40个服务的进行配置集成后，更多的是需要对灰度和正式环境进行全量测试，整个系统的0-1测试(但后来因测试测试资源有限，加上时间不够，只对核心功能做了全量测试)

非用户使用系统的灰度

以下对"非用户使用的系统"称为"inner_system"

inner_system虽然不需要灰度，但它们都与现有核心业务服务有交互，比如http或消息队列通信，或者共用了某个数据库表，或者共用了某个路径的文件存储，又或者共用了某个apollo集群配置等，为了保持现有的系统正常运行，也为了不影响核心业务，所以需要将inner_system中各服务和核心业务的交互罗列出来，逐一排查和确认

以下分别用三个系统进行举例

租户系统

每当有租户注册时，http/mq通知呼叫系统执行初始化业务
该场景上面已经提到过，因为对于租户系统来说并不关心用户所属的环境，它只负责消息的送达。所以为了保证通信稳定，通信的地址和消息队列topic保持不变，继续只对接呼叫系统的正式环境，后续该功能的更新，也要先从正式环境升级并并同步到灰度系统中

导出系统

呼叫系统账单导出是一个由用户触发，在租户系统运行的定时任务，由呼叫中心系统插入到数据库表，再由租户系统筛选执行导出，但呼叫中心系统插入的任务是双环境的，为了保证双环境任务能够被租户系统正常处理，原插入任务的数据结构要保持不变，后续即便有变更，也要和租户系统研发团队进行确认，避免因环境不一致导致业务异常

灰度环境管理系统