高效扩展：当Kubernetes遇到Celery

这是一个关于扩展性和使用痛点的软件架构故事，和其他好的技术故事一样，也是从点滴开始的。 在Panorays，我们帮助大量企业用户衡量供应商的安全地位，但是我更愿意看到集中式第三方安全管理。我们先从架构和流程开始。 开始时候，管理虚机都是通过Bash进行的，使用大量的脚本。

• 每个公司都有一个独特的虚机实例

• 每个虚机串行执行很多作业模拟黑客的业务

• 并行作业是通过启动更多虚机完成

• 采用Cron和Bash创建内部编排功能

问题在于：

• 并发在于公司层面而不是作业层面

• 进程不透明

• 服务器利用率太低

• 手工触发

兴起

这样的问题引发了Transport工具的兴起，Transport是一个动态工作流引擎，将工作流当做Kubernetes的作业调度。基于容器架构使得Transport灵活配置工作，又能有效扩展。根据工作流依存度，可能时提供最佳并发性，并提供完整RESTAPI实现自动管道管理。 当有新公司进入平台后，Transport的API会自动被触发，根据实现定义好的工作流情况，Transport将并行或串行将作业提交给Kubernetes执行。

Transport初始版根据如下规则运行：

作用 Transport的作用就是用户定义工作流，Transport确保发生。但是定义工作流前又需要先定义作业。 我们的例子中，作业等同于运行Docker容器；一组作业叫做阶段，可以是串行或者并行；工作流是阶段的序列。在新环境下，我们可以在某些规则定义下，实现并行。

不要做无法实现的承诺 Transport调度一个分布式任务队列架构，架构中Transport把任务放入队列中，workers则从队列中取出任务并执行。此架构支持任务重试、设置超时、设置优先级和定时调度任务。任务开始、成功或者失败，Transport会往工作流中发送通知。

揭秘 现在可以揭秘了，Transport提供服务端点来操作工作流，工作流被转译成Celery任务，我们使用celery链和组设置依赖性，Transport根据依赖性将任务转发到队列；另外celery workers则从队列中提取任务，并部署相应的Kubernetes任务。这样一个工作流根据作业依存性得以完成。 也可以添加为workers提供易用性的服务端点。同时运行worker数量设置了同时可以运行的作业数量。

不要打开打包容器

新部署流程包括安全创建和将docker images推上Google Cloud Registry。 Transport将作业根据工作流转化成相关作业，而ConfigMap则定义作业版本。 Kubernetes则提供Docker容器底层运行引擎。

命名 开始时我们用与初始作业一样的名字命名Kubernetes作业，他们有同一个唯一号。

这样我们发现了一些Kubernetes的命名限制：

第一个正则表达式用于确认名字只由字母和下划线及横杠构成，我们发现了第二个最长字符限制。

框架

我们也调研过一些框架方案：

• Airflow：这是一个很棒的方案，将Python文件渲染成代表工作流的DAGs。如果有一个运行前确定状态的静态工作流，推荐使用Airflow。Airflow的问题在于动态工作流，stackoverflow里有很多如何正确创建动态工作流的方法。因为改变了RESTAPI的请求方法，我们不需要生成动态工作流。

• Google Pub/Sub：是谷歌pub/sub方案，因为需要在“作业端”修改大量的代码因此我们也没有采用它。

• 可以从更多的任务队列中找到替换项。

下一步

UI：添加UI来对正在运行和完成工作流进行监控和排错。 Generify ： 如果想使Transport更加普适化，可以将其开源。 原文链接：https://hackernoon.com/https-medium-com-talperetz24-scaling-effectively-when-kubernetes-met-celery-e6abd7ce4fed