背景

之前的文章《阿里云容器服务测评》就高可用零宕机方面对容器服务作了详细测评，本文我们介绍一下小博无线目前的线上环境，Mesos+Marathon，是如何做到高可用零宕机的。

Marathon

Marathon作为Mesos的容器调度框架，本身就提供了非常可靠的高可用方案：

1. 自身的High Availability Mode保证了单点故障时，依然能够提供服务
2. 蓝绿部署机制在新版容器健康之后再停止旧版容器，确保新旧服务平滑切换
3. 当容器健康检查持续失败，Marathon会将其kill，并启动新的容器

但这些还不够，因为：

1. 容器可能被部署到集群内任意节点上，已有的容器也会漂移到其它节点。对于新增/停止的节点，该如何在对应的SLB中添加/移除节点
2. 新版容器启动后，Marathon只能判断容器本身的健康状态，无从知道该容器对应的SLB状态是否健康。如果在SLB的新节点还处于异常状态时就将旧版容器停止，则会出现服务短时不可用的故障
3. 停止容器会使其正在处理的请求被终止，并且，从停止容器到SLB感知到节点异常，需要一定时间，这段时间被分发到已停止节点的请求也无法被正常处理
4. Marathon不支持动态伸缩

在阿里云上使用Marathon，基本上都会遇到这四个问题。下面介绍我们是如何解决这些问题的。

添加/移除SLB节点

我们利用Marathon的Event Bus机制来解决这个问题，启动Marathon时，可以配置一个HTTP回调地址，当某些特定的事件发生时，Marathon通知回调地址。

我们部署了一个基于golang web server的运维服务平台（osp），在上面实现了这个回调接口。该接口订阅status_update_event事件，并判断taskStatus的值。如果taskStatus是TASK_RUNNING，那么就添加对应节点到SLB；如果是[TASK_FINISHED, TASK_KILLED, TASK_LOST, TASK_FAILED]，则从SLB中移除对应的后端节点。

获取SLB状态

如何让Marathon的健康检查获取到SLB的状态？我们的设计是通过添加一个负责查询SLB状态的中间层，并让健康检查请求这个中间层。

Marathon支持三种模式的健康检查：

• TCP
• HTTP
• COMMAND

其中TCP和HTTP只能请求容器内的端口，COMMAND则可以设置为任意shell命令。我们在osp上实现了这样一个接口：查询SLB状态，如果状态为『正常』，缓存结果下次不再查询，否则每次都调用SLB API进行查询。之所以缓存查询结果，是因为SLB Health API很慢，而且有调用次数的限制。最后使用COMMAND健康检查请求这个接口。配置如下：

      "protocol": "COMMAND",
      "command": {
        "value": "curl -v -f --request POST 'http://osp/health_check' --data 'host=$HOST' --data 'service_name=$MARATHON_APP_ID' --data 'mesos_task_id=$MESOS_TASK_ID'"
      },
      "gracePeriodSeconds": 200,
      "intervalSeconds": 30,
      "timeoutSeconds": 10,
      "maxConsecutiveFailures": 5,

第一版的整个流程如图：

这个流程存在以下不足：

1. 中间层缓存了SLB检查结果，在SLB状态正常后不会继续查询，所以导致Marathon获取不到容器本身的健康状态。即使容器内服务出错，Marathon依然认为它是健康的
2. 这应该算是Marathon的一个bug，如果leader节点宕机，那么所有COMMAND模式的服务的健康状态会变为unknown状态

因此我们又加入了一个中间层，它是一个部署在容器中的golang web server，做下面两件事情：

1. 调用运维平台API，返回结果
2. 如果运维平台API返回结果为『健康』，缓存结果，不再请求运维平台，改为请求容器内服务自身的OK API，返回结果

由于web server位于容器内部，健康检查可以由COMMAND模式改为HTTP模式，这样就很好地解决了上面碰到的两个问题。虽然增加了些复杂度，需要在每个容器中嵌入这个web server，但可以将这一步固化在最底层的base image中，而且其硬件开销几乎可以忽略不计（不到2M内存）。

最终的流程如下：

停止容器前通知SLB

这个问题我们起初期望通过Event Bus来解决：

1. 设置Mesos的executor_shutdown_grace_period和docker_stop_timeout参数。如果容器收到SIGTERM信号后迟迟不停止，一分钟后再发送SIGKILL信号强制停止容器
2. 在容器内捕获SIGTERM信号，让容器在收到kill命令后不退出，继续提供服务
3. 订阅Marathon的Event，在taskStatus==TASK_KILLED时将后端节点权重置为0

测试发现这个方案不可行，原因是Marathon并不是在第一次向容器发送SIGTERM信号时，而是在发送SIGKILL信号将容器强制停止后，才触发taskStatus==TASK_KILLED事件，

最终的方案为，在容器中捕获SIGTERM信号，之后通知运维平台容器即将被停止，运维平台收到请求后将该容器在SLB的权重设为0。通过设置executor_shutdown_grace_period和docker_stop_timeout参数为容器从收到SIGTERM信号到被强制停止之间留出一分钟，这部分时间用于SLB的断流以及容器对已有请求的处理的平滑切换。

我们在最底层的镜像中创建了服务的运行框架，其中一个python进程会将指定的所有服务启动起来。因此我们只要在这个python进程中捕获SIGTERM信号并通知运维平台即可解决问题。

signal.signal(signal.SIGTERM, lambda signum, frame: shutdown_grace())

一年多的线上实战表明，这套解决方案是非常可靠的。无论是部署、重启、还是停止容器，都可以做到无感知平滑漂移。

动态伸缩

解决了上面和SLB有关的三个问题后，能够解决容器的启动与停止过程中对服务质量的影响。但在容器运行中，依然有可能发生影响服务的情况，例如负载的变化。

Marathon支持对每个容器配置不同的资源（CPU、内存、磁盘），也可以选择不配置，让所有容器共用ECS资源，但建议尽量不要这么做，这种做法虽然简单，可是风险很高，让单个服务也有可能耗光ECS上的CPU或内存资源，进而影响到部署在ECS上所有服务的服务质量。

合理的资源配置参数不应是静态的，而应随着负载的变化而动态地伸缩。这里的伸缩，分为两个方面：

• 横向地伸缩容器的数量
• 纵向地伸缩容器的配额

然而，Marathon并不原生支持动态地伸缩容器。为了解决这个问题，我们制作了运维机器人TidyMaid，用于采集、分析每个容器负载，判断是横向还是纵向地伸缩服务。大致的方案为：

• CPU负载超限，横向伸缩服务，直至容器数量达到设定的上限或下限
• 内存负载超限，如果容器已经运行超过一段时间，那么直接将超限的容器停止（停止后Marathon会自动启动新容器）；否则纵向地伸缩服务，直至容器配额已经达到设定的上限或下限

该方案背后的考虑是，CPU负载的变化，一般和流量压力紧密关联，压力的变化会立即反映在CPU负载上，横向伸缩能立即适配流量压力；但是内存则不然，某些时候，内存负载升高，仅靠增加容器个数并不能解决问题。虽然增加容器使每个容器的请求压力降低，但对于内存已经居高的容器，其负载并不会立即下降，所以选择直接停止服务或者纵向伸缩（纵向伸缩会重启服务）。

这样做了之后，服务在任意时刻都会处于一个合理的配置，既能负担高峰期的压力，又不至于闲置过多的资源。

可见，无感知平滑漂移是一个容器调度服务系统的必备功能。只有实现了平滑漂移，才有可能落地快速迭代开发方式，每天线上发版数十次；只有实现了平滑漂移，运维机器人才能放开手脚，自由的重启状态异常的容器，合理的调整容器的配额，更好的为实现高可用零宕机服务！