在過去一年裡，Kubernetes以其架構簡潔性和靈活性，流行度持續快速上升，我們有理由相信在不遠的未來，Kubernetes將成為通用的基礎設施標準。而京東早在2016年年底上線了京東新一代容器引擎平臺JDOS2.0，成功從Openstack切換到JDOS2.0的Kubernetes技術棧，打造了完整高效的PaaS平臺。
6月28日京東基礎架構部技術總監、集群技術部負責人鮑永成受邀出席了Rancher Labs舉辦的Container Day 2018容器技術大會，並做了題為《京東如何打造Kubernetes全球最大集群支撐萬億電商交易》的主題演講，本文根據演講內容整理而成。
鮑永成，2013年加入京東，負責京東容器平臺JDOS研發工作，帶領團隊完成京東容器大規模落地戰略，全量承載京東全部在線系統、中間件、數據庫以及大數據離線計算任務。目前聚焦在京東JDOS2.0、阿基米德調度平臺（特別搶佔式智能數據中心調度系統、京東大幅提升數據中心資源使用率的利器）、“雲+端”線下門店生態基礎設施以及新一代數據中心研發工作。
在演講中鮑永成分享了京東在大規模實際生產過程對Kubernetes做深入重構的經驗，以及京東如何圍繞K8s啟動一些內部新項目，服務JDOS2.0大規模生產環境穩定高效運行。
容器生態建設
其實數據中心就是圍繞著幾個東西來說：服務器、網絡以及一些基礎軟件，剩下的就是集群的管理。這裡要說明一下，我們認為基礎軟件是數據中心非常重要的一個環節，比如，域名解析、負載均衡、時鐘這些東西，雖然Kubernetes管理了整個集群，但是這些東西它依然沒有。也就是說，要是想把它用得非常好的話，這些軟件也要進行一些適當的變革。
京東在使用Kubernetes管理大數據中心的時候，也圍繞著Kubernetes在我們內部的數據中心建了很多生態。首先是適合容器化的DNS，以及適合容器化的負載均衡，還有適合容器化的文件系統、鏡像中心等等。這裡面特別要說明一點，就是DNS跟LB，Kubernetes 1.9合入了高性能的負載均衡。
如果在大規模生產環境中，高性能的負載均衡是必不可少的，但這個負載均衡又涉及到另外一些問題。首先，要跟現有的數據中心適配，京東自主研發了一套負載均衡以及DNS。雖然社區裡有CoreDNS等等，但是這些DNS存在一個問題，就像昨天某廠的一個故障那樣，你把所有的東西這個引導這個，那個引導那個。如果你的DNS不在容器內的話，帶來的後果是很難料想的。因為京東容器已經發展了很多年，數據中心也比較大，我們單個Kubernetes集群能夠做到8000到10000臺。因為我們的機器實在太多，如果不做大集群的話，人力管理的投入上會非常大。後面我會解釋怎麼做到這麼大規模的集群。
京東容器化的數據中心建設已經四五年了，已經比較穩定了，雖然我們的Kubernetes還比較老，是1.6版本，但是我們已經有很多改進，我們現在的重點就是往阿基米德，也就是往數據中心的資源調度這個方向發展。去年雙十一的時候阿基米德已經上線了，Kubernetes使用到後期的時候，你會發現Kubernetes並不能解決數據中心資源使用率的問題，它其實僅僅解決了你的發佈，或者是管理資源的容器這方面的一些東西。
上圖是我們數據中心的基礎架構，其實比較傳統，我們會把負載均衡、域名，以及我們包的這個Kubernetes的API統一抽象出來，整個就是一套。然後在每個數據中心部署若干套Kubernetes集群，每一個Kubernetes集群，會管理三個物理Pod，大概是一萬臺的規模。
為了配合這個規模，我們做了一些工作。DNS最早的時候，還沒有CoreDNS來適配，大家知道每個數據中心最老的DNS是bind9，適配起來是非常痛苦的，它缺API，缺很多東西。所以我們就自己研發了一套基於Etcd的分佈式DNS，當時提供了RestfulAPI，直接對接的Kubernetes的watch，這樣的話我們就能夠做一個非常好的適配。但是後來我們發現一個問題，原來你有可能10萬臺物理機，也就假設就是你的hostname的解析也就10萬個，現在不一樣了，一臺物理機是100多個容器，即你增長了100倍。這時運維解析的請求量會激增，增長之後會帶來一個問題，抖動、延遲都非常大，間接的就影響了你的業務的TP響應。因此我們後來又把我們域名解析的服務，改成了DBTK的服務，現在的性能是bind9的19倍，是CoreOS的60多倍，每秒查詢率能衝到800萬QBS。
化繁為簡Kubernetes重構
有人問，京東做一個這麼大的Kubernetes集群，是不是特別複雜特別容易出錯。確實，如果你的集群非常多，假設你有50個集群，那麼你誤操作的概率可能就是這50的概率相加。因此京東會把整個Kubernetes的集群做減法，並沒有做加法，當然這是代表京東的一家之言了，因為我們是自用，並不是往外賣，所以我們主要是做減法，以適合我們使用。
為了適用上萬臺Server的這種規模，最大的問題就是API的負載容易崩潰。比如你把config-map存到etcd裡面去，這個設計本身就是有問題的。如果你的規模比較大的話，一定要去改，如果不改，你的集群很快就會崩潰。其實我們的做法其實還比較傳統，就是採用一些緩存技術，就比如說config-map我們壓根是不會放在etcd裡去的。因為如果你把config-map放到etcd裡去的話，首先假設有一個用戶，給你傳一百個20M的配置文件，你就完蛋了。
其次，京東對controller也做了很多重構，雖然社區提供了很多controller，但我可以保證，這些controller絕對沒有做嚴格的關聯性測試，也就是說有些controller之間互相是有影響的。建議啟用任何一個controller前都要做嚴格的分析跟測試。想做大集群的Kubernetes，必須得去改，而且是做減法式的改。
還有一點，Kubernetes號稱有各式各類功能，我可能要潑一下冷水。京東很多東西的確是基於Kubernetes建設起來的，Kubernetes對我們的幫助非常大，但是它也不是萬能的。
Kubernetes號稱的deployment、金絲雀發佈等等一切都非常美好，但是我來自京東基礎架構部門，基礎部門要服務業務，而業務會給你提很多需求，第一次你聽上去可能覺得這需求非常扯，但是你跟他仔細溝通之後，你會發現人家的需求是非常合理的。比如說，他說你金絲雀發佈的時候，副本數隨機的挑幾個，升級了50%，但有的業務方會要求就要升級某一個特定IP。他不是對這個IP特別有感情，而是因為他配了很多host，除了有研發還有測試等等，所以你不得不去面臨這個問題，像IP不變等等這樣的一些需求就會蹦出來，我們都要滿足他，才能繼續往下走。
還有比如說你的節點被物理故障重啟等等，這個時候你要充分的考慮是先拉起新調度過來的容器，還是先拉起原來老的容器，這些策略都要針對你自己的業務去改變。
還有，比如有人說京東大促的時候，我們Kubernetes整個的彈性速度非常快等等。但是我可以向你保證，如果真正是那種流量高峰瞬間來的時候，這個彈性是絕對跟不上的。因為等你還沒彈完，老的已經被打死了，彈幾個死幾個，所以一般來說，你要用更多的實例，用調度的方式來做，而不是說通過scale out這種彈來做，來不及的。
剛才也提到這些策略IP不變，還有我們這有一個很有意思的東西，就是支持容器的rebuild。我們的資源使用率，通過阿基米德調度之後，我們的資源使用率非常緊張，因為少買了很多機器，同時業務又在不斷地增長，這個時候我們資源的限額都會被耗盡，在某些情況下甚至調度器也無能為力。
這怎麼辦？我們採取了一種古老的方法，跳過調度器，進行本地rebuild。因為你的調度有的在排隊，有的depending，但是有一些業務在發佈的時候，他會提出一個問題，我原來有100個容器，我發佈完之後只剩80了，另外20個容器的資源被別的業務搶走了，這是不能接受的，所以我們也有了這種所謂的優先rebuild，就是就地rebuild，這會帶來很多好處。
這麼做最明顯的一個好處，就是拉鏡像至少省了一些時間。還有一個明顯的好處是，雖然在數據中心依然很複雜，但當業務部署在某一臺容器機器上之後，調用的依賴、調用數據庫的鏈路都是經過了大量壓測的，已達到相對最優的狀態。如果你今天把這容器從pod1搬到pod2，我說物理pod，從房間1搬到房間2去了，那可能會帶來抖動或者等等情況。當然這並不代表你損失了Kubernetes的很多特性。
補充前面的一點，我們的deployment做了大量定製，原生的deployment其實還是很難滿足這樣的要求。比如說在線上，因為是面向生產環境，但是生產環境不會那麼美好。首先業務，可能上100個容器就有兩個容器，它的響應很差，這個時候要去排查或者要去進行其他的操作，這個時候用deployment做不到，因為一升級就沒了。而我們，讓它可以指定把這兩個停掉，或者是其他操作，反正就是能夠指定，就相當於你要改一些東西，改動量不大，只是在它原來基礎之上改。
阿基米德調度器
下面說說我們目前的工作重點。京東整個數據中心規模很大，有老有新，整體的資源使用率會有明顯的波峰波谷。比如上圖黑底圖上藍色的線，1點到6點時中國整個互聯網的流量都比較低，但是到8點以後流量就開始逐漸攀升。那麼1點到6點是一個非常浪費的階段，因為我們有大量的計算資源，這時候我們就可以跟大數據產生互補，把在線應用的波谷算力貢獻給大數據做離線計算，剛好大數據也是後半夜，相對來說離線任務更多，因為第二天早上要出報表，於是我們做了一個融合的混合部署的項目，就叫阿基米德，就是把大數據的業務給調到在線業務的平臺上去。
這裡面就涉及到一個問題，就是隔離性。大家都覺得Docker的隔離性已經很優秀了，其實並非如此，它的隔離性沒有大家想象的那麼好，你看到的隔離都是Namespace的隔離，真正的性能隔離其實並沒有完全做到位。例如內存回收，它其實是操作系統統一進行回收的。比如上面10個容器有5個容器狂讀小文件，這時候突然內存已經到一定閥值了，它就要做一次slab回收。一旦slab回收，它就都被block住了，其他的在線業務都會被卡住，雖然只是毫秒級的，但是會有毛刺，業務就會來問你發生了什麼。特別是在線大數據進來之後，這個問題就會被無限放大，因此在這塊你要做適當的改動。京東做得比較早，從2013年就開始做容器，在過去幾年我們在這塊已經做了很多工作。
還有另外一個，大家也都感同身受。業務說我需要100個容器，每個容器八個核，其實之後發現每個容器只跑了不到10%的CPU，這種情況是有可能的。那怎麼辦？你不能粗暴地只給業務兩個核，出問題誰負責？那怎麼辦？我們就告訴業務我們給了他八個核（其實沒有），只要不出事就行了，出了事解釋也無用。這會帶來一個巨大的收益，就像上圖，綠色的部分是我們給的CPU，紅色是實際使用的，那我們至少給他砍一半。這樣做了之後你就會發現，即使一年不買機器，機器也是夠的。
調度方面的問題，京東整個數據中心都是用Kubernetes來管，我們取名為JDOS，即JD Datacenter OS，封包了Kubernetes然後做了大量的定製。往上層看，JDOS支持京東的在線業務。在線業務在2016年6·18之前全部遷完了。然後2017年雙十一的時候數據庫全部都遷完了，到2018年初的時候，我們基本上像中間件類的也都大部分遷上來了，也就是說現在我們除了單純的存儲圖片，還在用物理機那種存儲型的服務器之外，剩下的全在容器上，現在京東已經看不到物理機了。現在正在做的就是把大數據也往上面導。這會帶來一個非常好的收益。
但是把大數據及很多其他業務放上JDOS之後我們發現，整個調度變得非常複雜，原來的調度器只是考慮哪一臺適合放就可以了，用一句話說，它只負責殺，不負責埋。這會帶來一個問題，容器運行之後，帶來的影響Kubernetes是無能為力的，除非崩潰了，它給你再重新拉副本等等。這看上去會很美好，實際上業務會天天投訴你。
為解決這一問題，我們應用上線的時候會要選優先級，如果你的優先級不高的話，有可能會被優先級高的驅逐掉，相當於我們單獨對Kubernetes重新做一個東西，即我們的驅逐器。驅逐器會對pod打上很多標籤，比如優先級、容忍度、副本數等等（例如只有一個副本的話，它優先級再低也不能殺）。這很像OM的排序，當宿主機的CPU、內存load達到一定上限的時候，我們就會啟動這種排序，很快地把它排出來，立馬就驅逐，而且驅逐之後，會告訴調度器不要再往這臺上調了。因為有可能資源滿了，它又給調回來了，你又給驅逐，就形成一個死循環了。其實基本的理念也非常簡單，就是保障優先級的系統，大數據是最先優先級，但是在線業務的話，也要往下放，這樣就能在有限資源的情況下發揮最大的作用，特別是大促的時候，如果都是靠買機器來支撐的話，這是非常恐怖的一件事情。因為每次大促我們都要按20倍來估，這要買多少機器啊。
總 結
最後我想分享一些經驗與心得體會。
京東最早是Openstack，在2016年切換到了Kubernetes，這兩種系統我一直做下來的，我的感受就是， Kubernetes正在往Openstack這條路上走，越做越龐大，這是一個非常大的問題。誠然，它有很多feature要加，這個也可以理解，可它還是得拆，拆成非常小的模塊來做。像現在CNI、CRI、CSI這些模塊的拆離應該是比較好的一個開始。Kubernetes在中小規模集群是沒有問題的，但是它肯定沒有官方號稱的那樣5000臺沒問題，如果是非常大的規模的話，肯定要去改，否則的話會崩潰。我們在早期的時候，上了一些非重要的系統，經歷了非常痛苦的一段時間，它時常崩掉了。
有時候Etcd跑著跑著就發現版本差異越來越大，那隻能把另外兩個幹掉，把另外一個副本用來複制另外兩份，這會帶來巨大的問題。Etcd的運維現在應該沒有特別成熟的一些方案，它不像數據庫有很成熟的運維方案，畢竟數據放在裡面，如果它崩了，數據就很難找回來，這是非常麻煩的一件事。
還有它的API，因為它是長鏈接，一般的負載均衡要特別注意起API的時候不能一個一個起，起完了它都來連，搞不好都堆到一臺上去了，會導致負載不均衡，所以正常來說要先把API起好，再去起Kubernetes，這樣負載均衡才會起到作用。
另外，大家一定要特別注意Kubernetes對心跳的判斷，因為它發生not ready的概率太高了。一旦發生節點not ready的話，會產生一系列難以預料的狀態，比如網絡抖動，某臺交換機壞了，有可能它就會這樣。所以我們建議心跳檢測這一塊儘量用另外一套系統來做，把你檢測的結果反饋給Kubernetes，這樣可能會更好一些。
這就是我今天演講，謝謝大家。
後續Rancher將會繼續為大家帶來更多大會演講實錄，請保持關注Rancher 公眾號的最新推送~
閱讀更多 RancherLabs 的文章
