使用ACK Edge叢集統一管理多地區的ECS資源 - Container Service for Kubernetes

通過ACK Edge叢集，您可以輕鬆地將分布在不同地區的計算資源納入統一管理，實現雲原生應用的全生命週期管理和高效資源調度。本文將示範如何使用ACK Edge叢集管理分布在多地區的ECS資源。

適用情境

您可以通過一個Kubernetes叢集來統一管理以下情境中的ECS執行個體和應用。

在多個VPC中都有ECS執行個體。
在多個地區中都有ECS執行個體。
在多個帳號中都有ECS執行個體。

管理多個地區分散的應用

在如下情境中，當有大量分散在不同地區的ECS需要統一管理或者部署相同的業務時，您可以建立一個ACK Edge叢集來統一接入不同地區的ECS。具體操作，請參見下文樣本一：使用ACK Edge叢集管理地區分散的應用。

安全防護情境
在分散式運算環境中，為防止系統被惡意攻擊、資料泄露等問題，通常需要在分布式資源上部署網路安全的Agent來為系統提供安全保障，您可以使用ACK Edge叢集完成安全Agent的統一部署和營運。
分布式壓測、撥測情境
在大規模的業務壓測情境中，壓測工具從各個地區同時發起壓測任務。因此，壓測工具需要部署在地區分散的資源中，您可以使用ACK Edge叢集來納管這些資源，快速地向不同地區部署壓測工具。
緩衝加速情境
分布式緩衝加速服務需要在各個地區部署快取服務，以加速網路內容的傳輸速度，您可以使用ACK Edge叢集實現對分布式快取服務的統一部署和營運。

解決單地區GPU資源不足問題

當您在某個地區部署任務時，如果遇到該地區下GPU資源不足的問題，您可以跨地區購買需要的GPU執行個體，然後將對應的GPU執行個體接入ACK Edge叢集中，叢集可以將任務調度到滿足條件的GPU執行個體上。具體操作，請參見下文樣本二：單地區GPU資源不足時，可跨地區購買GPU執行個體擴容。

方案優勢

低成本：提供標準的雲原生介面，採用雲原生的方式營運分布式應用，降低業務營運成本。
免營運：Kubernetes叢集的控制面由阿里雲託管，並提供SLA保障，無需營運Kubernetes叢集。
高可用：與已有的雲產品，包括彈性、網路、儲存、可觀測等能力融合，保障應用的穩定運行。同時提供邊緣自治、雲邊營運通道、單元化管理，支援中心管邊情境下的營運、穩定性以及業務通訊需求。
強相容：支援數十種不同作業系統的異構計算資源接入。
高效能：最佳化了雲邊通訊流量，成功降低了流量成本，單叢集可納管上千節點。

使用樣本

樣本一：使用ACK Edge叢集管理地區分散的應用

準備環境

選擇一個地區作為中心地區，在該地區下建立ACK Edge叢集。
已安裝OpenKruise組件。具體操作，請參見組件管理。
為每個地區分別建立邊緣節點池，並將ECS執行個體接入到對應的節點池中。

操作步驟

您可以通過原生的DaemonSet或者OpenKruise的DaemonSet兩種方式部署並管理業務。

使用原生的DaemonSet

部署樣本

登入Container Service管理主控台，在左側導覽列選擇叢集列表。
在叢集列表頁面，單擊目的地組群名稱，然後在左側導覽列，選擇工作負載 > 守護進程集。
在守護進程集頁面，根據需求選擇命名空間及部署方式，輸入應用程式名稱，選擇類型為守護進程集（DaemonSet），根據提示完成部署。
關於部署守護進程集的更多資訊，請參見建立守護進程集工作負載DaemonSet。

業務升級

在守護進程集頁面，單擊目標進程右側操作列下的編輯，通過編輯DaemonSet的模板來實現業務版本及配置的升級。

使用OpenKruise的DaemonSet

部署樣本

登入Container Service管理主控台，在左側導覽列選擇叢集列表。
在叢集列表頁面，單擊目的地組群名稱，然後在左側導覽列，選擇工作負載 > 容器組。
在容器組頁面，單擊使用YAML建立資源，然後選擇樣本模板為自訂，將需要部署的YAML複製粘貼至編輯框後，單擊建立。

業務升級

在叢集列表頁面，單擊目的地組群名稱，然後在左側導覽列，選擇工作負載 > 自訂資源。
在自訂資源頁面，單擊資來源物件瀏覽器，找到對應的DaemonSet，在其右側操作列下，單擊YAML 編輯。通過編輯DaemonSet的模板來實現業務版本及配置的升級。

樣本二：單地區GPU資源不足時，可跨地區購買GPU執行個體擴容

準備環境

建立ACK Edge叢集

操作步驟

本樣本以部署推理任務為例，介紹當叢集地區GPU資源不足時，如何通過ACK Edge叢集接入跨地區的GPU執行個體，最終實現任務的調度部署。

部署推理任務並查看任務狀態。

建立tensorflow-mnist.yaml檔案。

展開查看tensorflow-mnist.yaml檔案

apiVersion: apps/v1
kind: Deployment
metadata:
  name: tensorflow-mnist
  labels:
    app: tensorflow-mnist
spec:
  replicas: 1
  selector:
    matchLabels:
      app: tensorflow-mnist
  template:
    metadata:
      name: tensorflow-mnist
      labels:
        app: tensorflow-mnist
    spec:
      containers:
      - name: tensorflow-mnist
        image: registry.cn-beijing.aliyuncs.com/acs/tensorflow-mnist-sample:v1.5
        command:
        - python
        - tensorflow-sample-code/tfjob/docker/mnist/main.py
        - --max_steps=100000
        - --data_dir=tensorflow-sample-code/data
        resources:
          limits:
            nvidia.com/gpu: "1"
          requests:
            nvidia.com/gpu: "1"
        workingDir: /root

部署推理任務。
```
kubectl apply -f tensorflow-mnist.yaml
```

查看推理任務狀態。

kubectl get pods

預期輸出：

NAME                                 READY   STATUS     RESTARTS   AGE
tensorflow-mnist-664cf976d8-whrbc    0/1     pending    0          30s

當前推理任務狀態為pending，經確認屬於GPU資源不足問題。

建立邊緣節點池。具體操作，請參見建立邊緣節點池。
將GPU執行個體作為邊緣節點，添加到已建立的邊緣節點池中。具體操作，請參見添加GPU節點。

查看邊緣節點狀態。

kubectl get nodes

預期輸出：

NAME                        STATUS     ROLES    AGE    VERSION
cn-hangzhou.192.168.XX.XX   Ready      <none>   9d     v1.30.7-aliyun.1
iz2ze21g5pq9jbesubr****     Ready      <none>   8d     v1.30.7-aliyun.1
izf8z0dko1ivt5kwgl4****     Ready      <none>   8d     v1.30.7-aliyun.1
izuf65ze9db2kfcethw****     Ready      <none>   8d     v1.30.7-aliyun.1  # 新添加的GPU邊緣節點。

查看推理任務的狀態。

kubectl get pods -owide

預期輸出：

NAME                                 READY   STATUS     RESTARTS   AGE   IP            NODE                       NOMINATED NODE   READINESS GATES
tensorflow-mnist-664cf976d8-whrbc    1/1     running    0          23m   10.12.XX.XX   izuf65ze9db2kfcethw****    <none>           <none>

預期輸出表明，推理任務已調度到新添加的GPU節點上，並部署成功。