DevOps组件高可用的思路
转载本文需注明出处:EAWorld,违者必究。
引言:
以往部署的应用或服务基本都是自成体系不会被其他影响。而在DevOps下这种部署方式也正在发生改变。因为应用或服务本身所涉及的组件越来越多。DevOps串联着应用或服务以及应用和服务所涉及的组件,以保证所有应用和服务的正常运行。
目录:
一、传统高可用
二、DevOps 简述
三、传统高可用架构模式
四、DevOps 带来的改变
一、传统高可用
传统生产模式下,如应用、中间件以及数据库等服务都需要有高可用。以避免业务服务出现宕机的问题。
常见的部署方法,有服务主备、服务集群,还有两地三中心的高可用方案。
高可用常见的指标,以及服务宕机时间。
https://en.wikipedia.org/wiki/Mean_time_between_failures
MTBF = MTTF + MTTR
365*24*(1-0.99)=87.6,在实际情况下当然故障时间越短越好
系统可用性比率 = MTTF/MTBF
二、DevOps简述
1?DevOps带来的变化就是整个部署过程是自动化的、部署的周期变短了。开发和运维所关注的焦点也发生了变化。开发人员从提交代码,到看到本次修改的内容可以在很短的时间内完成。
2?在实际的接触的过程中,由于DevOps串连了多重的应用服务,因此许多人会提出对于DevOps所串联的组件都必须是高可用。因此问题就出现了,使得原本简单清晰的架构发生了很大的变化。
3?DevOps带来的变化与传统的高可用是有区别的。
三、传统高可用架构模式
说明: 简单的将Gitlab服务做成主备,或者主主的方法。这样的Gitlab服务已经从单点变成的了稍微复杂的架构。
这样我们的harbor也已经变成高可用了,当通过程devops串联后,运维变得复杂起来。当然DevOps还可以串联更多的组件,这里只是举了两个例子。
四、DevOps带来的改变
进入DevOps时代,DevOps在串联组件高可用时,对于组件的要求也发生了变化。由于DevOps起到了串联的功能,因些希望所有的组件即可以高可用也可以是分布式的,希望所有服务都是可解耦的。
从图上可以看到,APP这一层就是一个简单的分布式。这也许是我们经常部署的一种典型的架构。简单的将APP这层进行了分布式的设计。而其他的组件还是沿用传统集群的部署模式,但在这种架构的部署模式下,增加了运维的难度。
复杂的分布式在图中看起来比简单分布式要简单。但在实践中会发现这个会很难。因为APP、Cache、DB、Storage等等都是分布式的,这样复杂对于架构上提出了很高的要求,同时对于运维也增加了难度。图上画的比较少,但实际上复杂的分布式比这要多的多。
也许集群就是分布式。也许集群只是解决高可用的,而分布式是解决高并发、高性能的问题,也许集群是分布式的一部分。每个人都有自己的理解,理解你的自己的业务、需求等等。
其实还有一种技术可以来帮助我们实现分布式部署,就是容器技术。通过kubernetes来实现自己所需求应用的高可用以及应用的分部式。
当随着微服务和devops的到来,容器化的微服务和devops更好的落地实现。高可用的kubernetes为我们提供了基础的容器平台和容器的调度能力。Kubernetes本身就具备容错能力。
也许你会说横向扩展并不是高可用的架构。但如果你考虑到业务对资源需求变化时,你会发现kubernetes的部署对你非常用利。当访问量突增时,就可以利用kubernetes的横向扩展能力。而不是像以往在从零开始。
同时Kubernetes本身时可靠的监控对高可用系统非常重要,利用很多商用的软件或者很多开源的工具进行整合甚至自行开发可以对整体的业务状况以及系统状况进行把握。也可以使用额外的开源软件promethus等来对业务状况的监控。
作者观点:适合自己的才是最合适自己的。
并不是所有服务都适合容器部署
高可用的选择需要适合自己的体系
由于DevOps串联了整个周期,同时需要我们做出改变。
关于作者:严伟,现任普元基础设施架构师,网络专家。传统企业突破内部局域网,公有云化之路上的幕后英雄 。
关于EAWorld:微服务,DevOps,数据治理,移动架构原创技术分享
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
Logan:美团点评的开源移动端基础日志库
前言 Logan是美团点评集团移动端基础日志组件,这个名称是Log和An的组合,代表个体日志服务。同时Logan也是“金刚狼”大叔的名号,当然我们更希望这个产品能像金刚狼大叔一样犀利。 Logan已经稳定迭代了一年多的时间。目前美团点评绝大多数App已经接入并使用Logan进行日志收集、上传、分析。近日,我们决定开源Logan生态体系中的存储SDK部分(Android/iOS),希望能够帮助更多开发者合理的解决移动端日志存储收集的相关痛点,也欢迎更多社区的开发者和我们一起共建Logan生态。Github的项目地址参见: https://github.com/Meituan-Dianping/Logan 背景 随着业务的不断扩张,移动端的日志也会不断增多。但业界对移动端日志并没有形成相对成体系的处理方式,在大多数情况下,还是针对不同的日志进行单一化的处理,然后结合这些日志处理的结果再来定位问题。然而,当用户达到一定量级之后,很多“疑难杂症”却无法通过之前的定位问题的方式来进行解决。移动端开发者最头疼的事情就是“为什么我使用和用户一模一样的手机,一模一样的系统版本,仿照用户的操作却复现不出...
- 下一篇
基于TensorFlow Serving的深度学习在线预估
一、前言 随着深度学习在图像、语言、广告点击率预估等各个领域不断发展,很多团队开始探索深度学习技术在业务层面的实践与应用。而在广告CTR预估方面,新模型也是层出不穷: Wide and Deep[1]、DeepCross Network[2]、DeepFM[3]、xDeepFM[4],美团很多篇深度学习博客也做了详细的介绍。但是,当离线模型需要上线时,就会遇见各种新的问题: 离线模型性能能否满足线上要求、模型预估如何镶入到原有工程系统等等。只有准确的理解深度学习框架,才能更好地将深度学习部署到线上,从而兼容原工程系统、满足线上性能要求。 本文首先介绍下美团平台用户增长组业务场景及离线训练流程,然后主要介绍我们使用TensorFlow Serving部署WDL模型到线上的全过程,以及如何优化线上服务性能,希望能对大家有所启发。 二、业务场景及离线流程 2.1 业务场景 在广告精排的场景下,针对每个用户,最多会有几百个广告召回,模型根据用户特征与每一个广告相关特征,分别预估该用户对每条广告的点击率,从而进行排序。由于广告交易平台(AdExchange)对于DSP的超时时间限制,我们的排序模...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- SpringBoot2配置默认Tomcat设置,开启更多高级功能
- Linux系统CentOS6、CentOS7手动修改IP地址
- Docker安装Oracle12C,快速搭建Oracle学习环境
- CentOS8安装MyCat,轻松搞定数据库的读写分离、垂直分库、水平分库
- CentOS6,CentOS7官方镜像安装Oracle11G
- CentOS7安装Docker,走上虚拟化容器引擎之路
- Jdk安装(Linux,MacOS,Windows),包含三大操作系统的最全安装
- 设置Eclipse缩进为4个空格,增强代码规范
- Eclipse初始化配置,告别卡顿、闪退、编译时间过长
- 2048小游戏-低调大师作品