云原生入门到进阶,1篇就够了!

开始阅读文章前,请角色切换:设想你作为一位中小型IT公司CTO,面对云原生技术决策,你需要回答两个问题:

为什么需要上云?

上云有何弊端?

作为一家公司的技术决策者,必须理解上云的利与弊,并结合公司各阶段发展目标给出最适合的技术方案。

云原生-概述

(一) 云原生-定义

云原生的定义,业界也是“百家争鸣”各持观点,从技术视角理解云原生会相对清晰。云原生的关键技术包括:

• 微服务架构:服务与服务之间通过高内聚低耦合的方式交互。

• 容器:作为微服务的最佳载体,提供了一个自包含的打包方式。

• 容器编排:解决了微服务在生产环境的部署问题。

• 服务网络:作为基础设施,解决了服务之间的通信。

• 不可变基础:设施提升发布效率,方便快速扩展。

• 声明式API:让系统更加健壮

命令式API:可以直接发出让服务器执行的命令,例如:“运行容器”、”停止容器”等。

声明式API:可以声明期望的状态,系统将不断地调整实际状态,直到与期望状态保持一致。

• DevOps:缩短研发周期,增加部署频率,更安全地方便:

Culture :达成共识

Automation:基础设施自动化

Measurement:可度量

Sharing:你中有我,我中有你

【私人观点】

云原生的定义:应用因云而生,即云原生。

应用原生被设计为在云上以最佳方式运行,充分发挥云的优势,是上云的最短路径。

(二)云原生-技术生态

(三) 云原生-关键技术

云原生关键技术包括:微服务,容器,容器编排,服务网络,不可变基础,声明式API。

(1)微服务

微服务是一种用于构建应用的架构方案。

将一个复杂的应用拆分成多个独立自治的服务,服务与服务间通过“高内聚低耦合”的形式交互。

微服务典型架构包括:

• 服务重构:单体改造成符合业务的微服务架构。

• 服务注册与发现:微服务模块间的服务生命周期管理。

• 服务网关:身份认证、路由服务、限流防刷、日志统计。

• 服务通信:通信技术方案如,RPC vs REST vs 异步消息。

• 可靠性:服务优雅降级,容灾,熔断,多副本。

(2)容器

容器是一种打包应用的方式,可以打包应用中的所有软件和软件所依赖的环境,并可实现跨平台部署。

容器关键技术:namespac视图隔离,cgroups资源隔离 ,Union File System联合文件系统。

容器优势:

  • 更高效的利用资源。
  • 更快速的启动时间。
  • 一致性的运行环境。

(3)容器编排

容器编排包括:自动化管理和协调容器的系统,专注于容器的生命周期管理和调度。

核心功能:

  • 容器调度:依据策略完成容器与母机绑定。
  • 资源管理:CPU、MEM、GPU、Ports、Device。
  • 服务管理:负载均衡、健康检查。

(4) 服务网格

服务网格(Service Mesh)是致力于解决服务间通讯的基础设施层。

  • Service Mesh应对云原生应用的复杂服务拓扑,提供可靠的通信传递。
  • 通过一组轻量级网络代理(Sidecar
    proxy),与应用程序代码部署在一起来实现,且对应用程序透明。

Service
Mesh 特点:

  • 应用程序间通讯的中间层。
  • 轻量级网络代理,应用程序无感知。
  • 解耦应用的重试、监控、追踪、服务发现。

Service Mesh主流组件:Istio、MOSN(Modular Open
Smart Network)Linkerd。

(5)不可变基础设施

不可变基础设施(Immutable Infrastructure)(宠物VS牲畜)

  • 任何基础设施实例(服务器、容器等各种软硬件)一旦创建之后便成为一种只读状态,不可对其进行任何更改。
  • 如果需要修改或升级实例,唯一方式是创建一批新实例以替换。

不可变基础设施的优势:

  • 提升发布应用效率。
  • 没有雪花服务器。
  • 快速水平扩展。

(6)声明式API

  • 命令式API:可直接发出让服务器执行的命令,例如:“运行容器”、“停止容器”等。
  • 声明式API:可声明期望的状态,系统将不断地调整实际状态,直到与期望状态保持一致。

为什么声明式使系统更加健壮?

可以类比理解成自动化工程学的闭环自适应模型。

(7) DevOps

DevOps目标:缩短开发周期,增加部署频率,更可靠地发布。

从历史上开发和运维相对孤立到开发和运维之间建立合作,可以增加信任,更快速地发布新版本。

DevOps是一组过程,方法和系统的统称包括:

  • Culture:

文化是DevOps 中的第一成功要素。

由于目标不同,开发和运维形成一堵墙,DevOps通过建立开发和运维之间合作和沟通的文化来消除墙。

  • Automation:

自动化软件的开发和交付,通常包含持续集成,持续交付和持续部署,云原生时代还包括基础架构的自动化,即IaC(Infrastructureas code)。

  • Measurement:

度量尤其重要,通过客观的测量来确定正在发生的事情的真实性,验证是否按预期进行改变。并为不同职能部门达成一致建立客观基础。

  • Sharing:

1.开发和运维团队之间长期存在摩擦的主要原因是缺乏共同的基础。

2.开发参与运维值班,参与软件的部署和发布,运维参与架构设计。

容器-Docker

(一)Docker概述

为什么学习容器技术?

云时代从业者:Docker已成云平台运行分布式、微服务化应用的行业标准。

作为有技术追求的程序员,有必要理解云原生的关键技术:容器。

Docker核心概念:镜像、容器、仓库。

镜像(Image):

  • 一个只读模板。
  • 由一堆只读层(read-only
    layer)重叠。
  • 统一文件系统(UnionFileSystem)整合成统一视角。

容器(Container) :

  • 通过镜像创建的相互隔离的运行实例。
  • 容器与镜像区别:最上面那一层可读可写层。
  • 运行态容器定义:一个可读写的统一文件系统,加上隔离的进程空间,以及包含在其中的应用进程。

仓库(Repository):

  • 集中存放镜像文件的地方。
  • Docker Registry 可包含多个仓库(Repository),每个仓库可包含多个标签(Tag),每个标签对应一个镜像。

(二)Docker关键技术

(1)Namespace视图隔离

Linux
namespace 是一种内核级别的环境隔离机制,使得其中的进程好像拥有独立的系统环境。

Network
namespace在Linux中创建相互隔离的网络视图,每个网络名字空间都有自己独立的网络配置,包括:网络设备、路由表、IPTables规则,路由表、网络协议栈等。(默认操作是主机默认网络名字空间)

(2) control
groups(资源隔离)

Linux
Control Group是内核用于限制进程组资源使用的功能。资源包括:CPU,内存,磁盘IO等。

(3) Union
File System(联合文件系统)

Union
File System, 联合文件系统:将多个不同位置的目录联合挂载(union
mount)到同一个目录下。

  • Docker利用联合挂载能力,将容器镜像里的多层内容呈现为统一的rootfs(根文件系统)。
  • Rootfs打包整个操作系统的文件和目录,是应用运行所需要的最完整的“依赖库”。

(三) Docker-网络技术

Bridge模式:Docker0充当网桥,在默认情况下,被限制在Network Namespace里的容器进程,是通过 Veth Pair设备 + 宿主机网桥的方式,实现跟同其他容器的数据交换。

一旦一张虚拟网卡被“插”在网桥上,它就会变成该网桥的“从设备”。

从设备会被“剥夺”调用网络协议栈处理数据包的资格,从而“降级”成为网桥上的一个端口。

而这个端口唯一的作用,就是接收流入的数据包,然后把这些数据包全部交给对应的网桥,由网桥完成转发或者丢弃。

veth提供一种连接两个network namespace的方法。

Veth 是Linux中一种虚拟以太设备,总是成对出现常被称为Veth pair。

可以实现点对点的虚拟连接,可看成一条连接两张网卡的网线。一端网卡在容器的Network Namespace上,另一端网卡在宿主机Network

Namespace上。任何一张网卡发送的数据包,都可以对端的网卡上收到。

在物理网络中,如果需要连接多个主机,会用交换机。

在 Linux 中,能够起到虚拟交换机作用的网络设备,是网桥(Bridge)。

它是一个工作在数据链路层的设备,主要功能是根据MAC 地址学习来将数据包转发到网桥的不同端口(Port)上。

Bridge网桥类似交换机,两个以上namespace接入同一个二层网络。

veth
pair一端虚拟网卡加入到namespace,另一端到网桥上。

路由(routing)是通过互联的网络把信息从源地址传输到目的地址的活动,发生在OSI模型的第三层(网络层)。Linux内核提供IP Forwarding功能,实现不同子网接口间转发IP数据包。

路由器工作原理:

  • 路由器上有多个网络接口,每个网络接口处于不同的三层子网上。
  • 根据内部路由转发表将从一个网络接口中收到的数据包转发到另一个网络接口,实现不同三层子网间互通。

容器编排-Kubernetes

(一)概述&架构&核心组件

我认为Kubernetes最大成功:让容器应用进入大规模工业生产。

Kubernetes的提供特性,几乎覆盖一个分布式系统在生产环境运行的所有关键事项。包括:

  • Automated
    rollouts and rollbacks(自动化上线和回滚)

使用Kubernetes 描述已部署容器的所需状态,受控的速率将实际状态更改为期望状态。

  • Self-healing(自我修复)

Kubernetes 重新启动失败的容器、替换容器、杀死不响应用户定义的运行状况检查的容器,并且在准备好服务之前不将其通告给客户端。

  • Service
    discovery and load balancing(服务发现与负载均衡)

Kubernetes 可以使用 DNS 名称或自己的 IP 地址公开容器,如果进入容器的流量很大,Kubernetes 可以负载均衡并分配网络流量,从而实现部署稳定。

  • Storage
    orchestration(存储编排)

Kubernetes 允许你自动挂载选择的存储系统,例如本地存储、公厂商等。

  • Automatic
    bin packing(自动装箱)

Kubernetes 允许指定每个容器所需 CPU 和内存(RAM)。当容器指定资源请求时,Kubernetes 可以做出更好的决策来管理容器的资源。

  • Secret
    and configuration management(安全和配置管理)

Kubernetes 允许存储和管理敏感信息,例如密码、OAuth 令牌和 ssh 密钥。你可在不重建容器镜像的情况下部署和更新密钥和应用程序配置,也无需在堆栈配置中暴露密钥。

API
Service:Kubernetes 各组件通信中枢。

  • 资源操作的唯一入口,并提供认证、授权、访问控制、API 注册和发现等机制。
  • 为Pod, Deployment,Service等各种对象提供Restful接口。
  • 与etcd 交互的唯一组件。

Scheduler:负责资源调度,按照预定调度策略将Pod调度到相应的机器。

  • Predicates(断言):淘汰制
  • Priorities(优先级):权重计算总分。

Controller
manager:负责维护集群的状态,比如故障检测、自动扩展、滚动更新等。

etcd:分布式的K-V存储,独立于Kubernetes的开源组件。

  • 主要存储关键的原数据,支持水平扩容保障元数据的高可用性。
  • 基于Raft算法实现强一致性,独特的watch机制是Kubernetes设计的关键。

kubelet :负责维护Pod的生命周期,同时负责Volume(CVI)和网络(CNI)的管理。

kube-proxy:负责为 Service 提供 cluster 内部的服务发现和负载均衡

  • kube-proxy通过在节点上添加 iptables规则以及从中移除这些规则来管理此端口重新映射过程。

控制器模式的设计思想:

容器类比集装箱,集装箱固然好用,但是如果它各面光秃秃的,吊车还怎么把它吊起来摆放好呢?

Pod对象其实就是容器的升级版,对容器进行组合,添加更多属性和字段。就好比在集装箱上安装了吊环,Kubernetes这台“吊车”可以更轻松操作容器。

然而Kubernetes操作这些“集装箱”的逻辑都是由控制器完成的。

Kubernetes通过“控制器模式” 的设计思想,来统一编排各种对象和资源。

(二)部署&资源控制&存储

Kubernetes-集群部署架构

  • 所有组件通过kubelet static pod的方式启动保证宿主机各组件的高可用,systemd提供kubelet的高可用。

  • 每个Master的使用hostNetwork网络,controller-manager和scheduler通过localhost连接到本节点apiserver。
  • controller-manager和scheduler的高可用通过自身提供的leader选举功能(--leader-elect=true)。

  • apiserver高可用,可通过经典的haporxy+keepalived保证,集群对外暴露VIP。
  • 外部访问通过TLS证书,在LB节点做TLS Termination,LB出来http请求到对应apiserver实例。apiserver到kubelet、kube-proxy类似。

(三)Kubernetes-网络技术

(1)对外服务

Service是一个逻辑概念,一组提供相同功能Pods的逻辑集合,并提供四层负载统一入口和定义访问策略。

交互流程:Service可通过标签选取后端服务。匹配标签的Pod IP 和端口列表组成endpoints,有kube-proxy负责均衡到对应endpoint。

为什么需要service?

  • 对外提供入口(容器如何被外部访问)。
  • 克服Pod动态性(Pod IP不一定可以稳定依赖)。
  • 服务发现和稳定的服务(Pod服务发现、负载、高可用)。

Service
Type四种方式

  • Cluster
    IP:配置endpoint列表。
  • NodePort:默认端口范围:30000-32767,通过nodeIP:nodePort访问 。
  • LoadBalancer:适用于公有云,云厂商实现负载,配置LoadBalance到podIP 。
  • ExternalName:服务通过DNS CNAME 记录方式转发到指定的域名。

Service
Type为Cluster IP:

  • Kubernetes的默认服务,配置endpoint列表,可以通过proxy 模式来访问该对应服务。
  • 类似通过Nginx实现集群的VIP。

Service
Type为Node Port:

在集群所有节点上开放特定端口,任何发送到该端口流量借助Service的Iptables规则链发送到后端Pod。

注意事项:

  • 每个服务对应一个端口,端口范围只有30000–32767。
  • 需要感知和发现节点变化,流量转发增加SNAT流程,Iptables规则会成倍增长。

适用场景:服务高可用性要求不高或成本不敏感,例如:样例服务或临时服务。

Service
Type为Load Balancer:

对公网暴露服务建议采用此方式,Service没有对其行为做任何规范,依赖云厂商LB具体实现(云厂商收费服务)如:腾讯公有云:CLB。

Service
Type为External Name :

DNS作为服务发现机制,在集群内提供服务名到Cluster IP的解析。

CoreDNS :DNS服务,CNCF第04个毕业项目,KUBERNETES的1.11版本已支持。

CoreDNS实现的高性能、插件式、易扩展的DNS服务端,支持自定义DNS记录及配置upstream DNS Server,可以统一管理Kubernetes基于服务的内部DNS。

Ingress Controller:定义入流量规则,可做七层HTTP负载君合。

Egress Controller:定义出流量规则。

交互流程:通过与Kubernetes API 交互,动态感知集群Ingress 规则,按照自定义的规则生成(负载均衡器)配置文件,并通过reload来重新加载。

(2)Underlay与Overlay网络

Underlay网络模式: 底层承载网络,是网络通信的基础。

  • 优势:复用基建,网络扁平,性能优势。
  • 劣势:协作复杂,安全问题,管理成本。

很多场景下业务方希望容器、物理机和虚拟机可以在同一个扁平面中直接通过IP进行通信,通过Floating-IP网络实现。

Floating-IP模式将宿主机网络同一网段的IP直接配置到容器中。

这种模式为了保证容器与宿主机的交换机二层连通,需要在物理机上搭一个虚拟网桥。

具体选择哪种网桥,主流有:Linux bridge、MacVlan、SRIOV 三种模式。

  • BridgeBridge:设备内核最早实现的网桥,性能与OVS相当,可以使用到所有场景。
  • MacVlan:一个简化版的bridge设备,为了隔离需要内核,实现时不允许MacVlan容器访问其宿主机IP和Service
    Cluster IP。
  • SR-IOV 技术:一种基于硬件的虚拟化解决方案,可提高性能和可伸缩性。

SR-IOV标准允许在虚拟机之间高效共享 PCIe(快速外设组件互连)设备,并且它是在硬件中实现的,可以获得能够与本机性能媲美的 I/O 性能。

Overlay网络:是一种建立在另一网络之上的计算机网络。

  • 优势:独立自治,快速扩展,网络策略。
  • 劣势:复杂层级,性能损失,定制成本。

Kubernetes相当于云原生的操作系统。

有人会问,凭什么云原生的操作系统这杆大旗?

主要原因是:Kubernetes解决了一个分布式操作系统最核心的计算、存储、网络三种资源。

CNI容器网络统一标准

  1. CNCF项目,为Linux容器提供配置网络接口的标准和以该标准扩展插件提供基础函数库。
  2. CNI命令行调用规范,其插件在主机上直接切换进入容器网络命名空间,为容器创建网络设备,配置IP,路由信息。

CNI规范内容:

  1. 输入:ADD/DEL控制指令,CNI目录,容器ID,网络命名空间,网卡名称。
  2. 配置文件:标准部分:cniVersion,Name,Type,IPAM。
  3. 输出:设备列表、IP资源列表、DNS信息。

插件应用如:

  1. Bridge:Linux网桥CNI实现,采用网卡对链接网桥和容器。
  2. Host-device:将主机设备直接移动到容器命名空间中。
  3. PTP:创建虚拟网卡对,采用路由方式实现对外互联。
  4. MacVlan:网卡多Mac地址虚拟技术完整支持vlan。
  5. Vlan:Vlan设备CNI实现,允许容器和主机分属不同LAN。
  6. IPVlan:网卡上基于IP实现流量转发。

(3)Overlay网络-Flannel方案

CoreOS(被Red Hat收购)为 Kubernetes专门定制设计的overlay网络方案。

03层网络方案实现:在每台主机部署flanneld进程实现网段分配,路由控制,采用多种转发机制实现流量跨机交互。

Flannel职责:

  1. 子网管理:每个主机分配唯一的子网。
  2. 互联方式:为同Overlay平面容器分配唯一IP。

Etcd存储:容器之间路由映射。

SubNetManager:子网资源划分、IP资源申请释放的接口定义。

Backend:针对网络互联方式的接口定义。

  1. UDP,UDP封包转发,建议仅调试使用。
  2. VxLAN(建议),使用内核vxlan特性实现封包转发。
  3. Host-GW,主机2层互联情况下较高性能互联方式。
  4. IPIP,使用IPIP隧道完成封包和转发。
  5. IPSec,使用IPSecurity实现加密封包转发。
  6. AliVPC,对接阿里云VPC路由表实现网络互联。
  7. AWSVPC,对接Amazon VPC路由表实现网络互联。

Flannel的单机互联方案:

子网分配:充当虚拟交换机/网关角色,连接所有本机容器,完成虚拟子网构建。

Bridge:通过NAT借助主机网络实现外部服务访问。

Veth pair:一端设置到容器网络namespace,一端链接bridge实现容器接入网络。

对外访问:为每个节点分配独立不冲突的24位子网。

Overlay解决方案:跨Node的Pod之间通信通过Node之间的Overlay隧道。

职责:路由控制,数据转发。

主要流程:

  • 本节点设置:设备创建、本地路由创建、回写本地信息。
  • 监听其他节点信息:更新ARP信息、更新FDB、更新路由信息。

(4)Overlay网络-Calico方案

Calico项目:是纯三层的虚拟网络解决方案,旨在简化、扩展和保护云网络的容器方案。

Calico优势:

  • 可扩展性:采用IP路由支持大规模网络。扩展便利,容错性高。
  • 网络安全:支持Kubernetes 网络策略,支持自定义网络策略。
  • 广泛集成:集成Kubernetes ,Mesos,支持OpenStack,AWS,GCE,Azure。

Calico不足:

  • BGP支持问题:需要网路设备支持BGP协议,否则需要追加IPIP隧道。
  • 规划2层直连:需要节点做良好的规划实现2层网络直接互联。
  • 大规模配置复杂:网络规划,手动部署Route
    Reflector,增加API代理。

关键组件:

  • BGP
    Client:和其他节点互联,发布当前节点路由并学习其他节点路由。
  • Confd:同步节点配置信息启动BGPClient。
  • Felix:负责虚拟设备监控,ACL控制、状态同步的agent。
  • Calico:CNI插件,负责容器设备创建。
  • Calico-IPAM:CNI插件,负责容器网段管理与IP地址管理。
  • RouteReflector:对接BGPclient实现路由中转。
  • Etcd/Kube-apiserver:Calico数据存储。
  • typha:应对大规模节点接入时作为数据缓存proxy。
  • RouteReflector安装:集群超过100个节点时强烈建议启用,通过RR中转全局路由信息。

Calico单机互联方案:

  • Veth-pair:一端设置到容器,一端放置在主机上,为容器提供网络出入口。
  • 路由策略:针对IP和设备设置路由条目,在主机上实现互联。

Calico跨机互联方案:

  • 同网段/BGP支持:主机之间通过2层直连或者网络支持路由转发至目标主机。
  • 跨网段IPIP互联:网络设备不支持BGP协议情况下,采用IPIP隧道实现跨网段互联。
  • 跨网段VxLAN互联(Cannel):集成flannel,底层通过VxLAN实现跨机转发。

服务网格Istio

(一)服务网格概述

(二)Istio控制面

(三)Istio数据面

云原生-主流组件

(一)Prometheus

(二)Grafana

(三)Elasticsearch + Fluentd + Kibana

(四)Jaeger

(五)Chaos Engineering

云原生-常用网络技术

(一)主机网络

iptables是运行在用户空间的应用软件,通过控制Linux内核netfilter,来管理网络数据包的处理和转发,存在“表(tables)”、“链(chain)”和“规则(rules)”三个层面。

  • 每个“表”指的是不同类型的数据包处理流程,例如filter表表示进行数据包过滤,而NAT表针对连接进行地址转换操作。
  • 每个表中又可以存在多个“链”,系统按照预订的规则将数据包通过某个内建链,例如将从本机发出的数据通过OUTPUT链。
  • 在“链”中可以存在若干“规则”,这些规则会被逐一进行匹配,如果匹配,可以执行相应的动作,例如修改数据包,或者跳转。

(二)Underlay网络技术

VLAN虚拟局域网:是将一个物理LAN在逻辑上划分成多个广播域的通信技术。每个VLAN是一个广播域,VLAN内的主机间通信就和在一个LAN内一样。

没有划分VLAN:LAN局域网:

  • 优势:简单,静态,IP地址与交换机关联。
  • 劣势:迁移域受限,不能机房内随意迁移。交换机下IP需要提前规划好,约束虚拟比。

划分VLAN:虚拟局域网:

优势:IP地址与交换机无关,虚拟机可以在机房范围内迁移。

VLAN间则不能直接互通,这样广播报文就被限制在一个VLAN内。

有人会问,交换如何区分不同VLAN?

交换机能够分辨不同VLAN的报文,需要在报文中添加标识VLAN信息的字段。数据帧中的VID(VLAN ID)字段标识了该数据帧所属的VLAN,数据帧只能在其所属VLAN内进行传输。

(三)Overlay网络技术

VXLAN虚拟扩展局域网:

  • 是对传统VLAN协议的一种扩展。
  • 是一种网络虚拟化技术,试图改善云计算部署的可扩展性问题。

解决哪些问题?

  • vlan的数量限制(12bit->24bit),VLAN报文Header预留长度只有12bit,只支持4096个终端。
  • VNI(VXLAN Network Index)标识某条指定隧道。
  • 不改变IP实现服务器迁移。

传统二三层网络架构限制了虚拟机的动态迁移范围。

VXLAN在两台TOR交换机之间建立一条隧道,将服务器发出的原始数据帧加以“包装”,好让原始报文可以在承载网络(比如IP网络)上传输。

当到达目的服务器所连接的TOR交换机后,离开VXLAN隧道,并将原始数据帧恢复出来,继续转发给目的服务器。VXLAN将整个数据中心基础网络虚拟成了一台巨大的“二层交换机”。

VXLAN网络模型

  • UDP封装(L2 over L4):将L2的以太帧封装到UDP报文即(L2overL4)中,并在L3网络中传输。
  • VTEP,VXLAN隧道端点,对VXLAN报文进行封装和解封装。
  • VNI,VXLAN隧道标识,用于区分不同VXLAN隧道。

  • 矢量性协议:使用基于路径、网络策略或规则集来决定路由。
  • AS(自治域):AS是指在一个实体管辖下的拥有相同选路策略的IP网络。

BGP网络中的每个AS都被分配一个唯一的AS号,用于区分不同的AS。

  • eBGP(域外BGP):运行于不同AS之间的BGP,为了防止AS间产生环路。为了防止AS间产生环路,当BGP设备接收EBGP对等体发送的路由时,会将带有本地AS号的路由丢弃。

  • iBGP(域内BGP):运行于同一AS内部的BGP,为了防止AS内产生环路。
  • RR(路由反射器):通过集中反射同步,解决全连通的网状网格结构路由同步问题。

EBGP+IBGP实现AS间的路由传递:一个常见的IP骨干网的拓扑结构,骨干层和汇聚层分别是两个自治系统,AS100有两个出口设备SwitchC和SwitchD,两个AS之间需要进行路由互通。

总结-云原生

云原生应用:docker应用打包、发布、运行,Kubernetes服务部署和集群管理,Istio构建服务治理能力。

云计算以“资源”为中心,关键技术:

  • 虚拟化:SDX,NFV。
  • 资源池化:弹性快速扩缩容。
  • 多租化:提升云厂商的资源利用率。

典型代表:计算、网络、存储三大基础设施的云化。

云计算以“应用”为中心,关键导向:

  • 设计之初,关注更好适应云,充分发挥云优势。
  • 云原生已成为企业数字创新的最短路径。
  • 云原生一系列IAAS、PAAS、SAAS层技术,支撑产品高效交付、稳定运维、持续运营。

【私人观点】

  • 以“资源”为中心的云,将成为“底层基础设施”,利用云原生以“应用”为中心赋能自身业务。
  • 云的时代,已经来临。作为云的使用者、从业者,更多思考如何利用云赋能业务产品。
  • 商业市场模式从“大鱼吃小鱼”靠信息不对称,向“快鱼吃慢鱼”转变。我们必须利用趋势,拥抱云原生。

阅读原文

相关推荐

大模型的Agent Skill功能,在LLM HTTP底层交互流中是怎么承载的?

网络文章文本的 skill,昨天我实现了之后也就开始好奇起 Skills 的底层原理了——相比起各种花里胡哨的 agrnt 应用,我一直以来都很对大模型在纯粹的 HTTP 交互层面是如何交互的更感兴趣。Skill 的全部"魔法"都发生在 system prompt 的措辞和 SKILL.md 文件的编写质量上——本质上是一种 prompt engineering + 文件系统的组合。但是各种天花乱坠的 skills,是如何在底层的 HTTP 中,与大模型——这个只会嘴遁的工具交互的呢?

QcloudCommunity的博客 407

万字入门AI Infra:深入理解大模型中的数学与Infra优化

关注腾讯云开发者,一手技术干货提前解锁👇AI Infra科普、入门或者进阶 ~~ 不到 5 万字,带你融会贯通理解大模型的数学、算法、硬件到系统工程。任何问题欢迎沟通交流。可怕,我竟然有点认同这句话。当然大概率是因为姚顺宇太懂AI了,而我则是因为无知者无畏。不过仔细想想,大模型推理中的数学逻辑确实不复杂,很多原理只需要高中数学知识就能看懂。但是为什么像 vLLM 这种推理系统这么复杂呢?本文将拆解大模型中几个核心操作(RMSNorm、Softmax、Causal Mask、Sampling)背后的数学与

QcloudCommunity的博客 1169

平平无奇的源码,竟藏着Agent的核心秘密?

System Prompt 是剧本,Skill 是剧本的扩展包,Agent Loop 是演员按剧本行动。欢迎留言,我们将邀请作者针对性回复你的评论,我们将选取1则优质的评论,送出腾讯云定制文件袋套装。,让 Agent 能主动"巡逻",而不只是被动等待用户消息。OpenClaw 的 System Prompt 分层结构。的"行为底线",任何 Skill 或用户命令都无法覆盖它。精华 2:Skill 的"按需加载"避免 token 浪费。精华 1:System Prompt 是"分层乐高积木"

QcloudCommunity的博客 426

QQ音乐Harness Engineering实践

一个看似简单的需求,背后可能牵动服务调用链、配置、灰度、埋点、错误码、接口契约和历史兼容性。当 AI 开始快速生成大量代码,真正的瓶颈就不再是"写不出来",而是"看不完、想不清、管不住"。在对话式编码阶段,一种典型的工作模式逐渐流行:开发者把需求丢给 AI,扫一眼输出"看起来对"就直接采纳,不审 diff、不追问逻辑、不验证边界。以音乐商业化业务为例,一个需求可能从 TAPD 单开始,经过需求评审、技术方案、服务影响面分析、IDL 契约变更、业务代码实现、测试验证、CR、灰度上线,最后才进入稳定运行。

QcloudCommunity的博客 716

从Prompt、Context到Harness,工程的三次进化与终局之战

同时,强制要求散落各处的决策记录(Slack、邮件、文档)全部迁移至代码仓库,确保 Agent 的唯一信息来源是可信的、版本受控的仓库。更坑爹的是,研究表明,当上下文过长时,模型会出现"中间遗忘(Lost in the Middle)"现象:它对开头和结尾的内容记忆较好,对中间大段内容的关注度大幅下降。这篇文章,我想带你完整走一遍这三次进化的逻辑:它们分别解决了什么问题,它们之间是什么关系,它们的边界在哪里,以及:当三者融合,AI 工程师的终极形态究竟是什么?大语言模型的本质,就是这位金鱼助理。

QcloudCommunity的博客 719

让Skill自己训练自己:8阶段Loop、3层评测、5维AND门控,从此实现自进化

所以每一轮改动都是有据可查的,不是「感觉这里可以优化」,而是「Case 41 挂了,因为 agent 把离职问题路由到了邮箱分类,但正确答案在通讯录,所以我改 root_index.md 加个易混淆提示」。但让我最后决定把它记录下来的,不是这的个「吸收」过程,而是它真的在替我探索我不想费脑力触达的边界,这看起来更像是一个机器智能应该有的样子。不准跨层,每轮只改一层的东西。但我经过这 19 轮之后觉得,更准确的描述是互补——你在明处看着,AI 在暗处替你试错,你看不见的那一半就是 AI 能贡献的地方。

QcloudCommunity的博客 1128

只加两行代码,为什么要两天?一文深度理解业务系统的复杂性

关注腾讯云开发者,一手技术干货提前解锁👇业务系统复杂性一直是令开发者头痛的问题。复杂的不是增加一个需求需要耗费多少时间,而是在增加一个需求后带来的蝴蝶效应:其它功能会不会受到影响、要如何去找到这些影响,最终如何实现系统正常运行......功能之间隐秘增加的耦合、不可避免的代码腐化在导致业务复杂性增加。大家都在说的软件开发提效到底在提什么?程序员日常工作中应该如何提升开发效率?敏捷开发、瀑布流式开发孰是孰非?欢迎阅读。业务背景与目标我依然非常清晰地记得某个时候,我所在团队 Leader 曾讲过一段话:“我担

QcloudCommunity的博客 713

从零设计生产级 Multi-Agent Harness:架构、评估、记忆、成本与 MCP 工具接入全拆解

在 AI Agent 领域,Multi-Agent Harness 指的是把多个 Agent 的能力、工具、状态、通信、编排、监控统一收束在一个运行时之内的框架。第三,Agent 路由。一个输入框,一个大模型,几个工具,一段写得很漂亮的 System Prompt,再配上一个炫酷的前端,看起来就像一个能干活的“数字员工”。Multi-Agent 完全不一样——它有计划、有中间步骤、有工具调用、有 Agent 协作、有重试、有反思、有最终合成。增加 Budget、权限、重试、压缩、轨迹评估、审计、回归测试。

QcloudCommunity的博客 710

拆完Hermes源码,我发现Agent的“自我进化“根本不需要训练模型

两个月 5.2 万 Star,Hermes Agent 用一个"LLM 审判官"机制实现了 Agent 的自我进化——不改模型权重,只改"怎么用模型"的策略。OpenClaw(社区昵称"龙虾"🦞)是 2025-2026 年最火的开源 Agent 框架,30 万+ Star,插件市场 ClawHub 里有数千个插件,能接入 Telegram、WhatsApp、Slack、飞书、企业微信——几乎是一个"个人 AI 操作系统"。Skill 是英语写的,Memory 是英语写的,审查 Prompt 也是英语写的。

QcloudCommunity的博客 911

AI Infra 其实没有多少新东西

传统 Infra 追求横向扩展,而 AI Infra 呈现 “AI 大型机”特性,是因为传统后台服务的可以容忍毫秒级延迟,但 AI 集群不行,GPU 的算力是 CPU 的数百倍,微秒级的延时等待也会造成很大的算力损耗,需要硬件的高度集成。在可预见的1-3年的未来,这样的专用硬件+网络的集中式架构很难发生比较大的改变。与之相似,模型推理的批处理就是将多个输入样本打包(batch),将原本串行的 N 次轻量的推理计算,合并为 1 次重量的计算,实现单位时间内处理更多的请求,提高了 GPU 利用率。

QcloudCommunity的博客 826

程序员越早想通这些越好

永远没有正确架构,你永远无法偿还完所有的技术债务,如同你永远不会设计出完美的界面,请避开完美主义的陷阱,永远没有完美的代码,能够满足当前需求,又为未来不管是自己还是他人留有扩展空间,就很好了。我们努力的方向就是将现实世界映射到有限的数据结构中,这就需要用户自定义类型,如果你的代码中包含类似 trader portfolio 这样的概念,你就可以使用他们的名称来建模,而不是使用基本数据类型复杂嵌套表述你的目的。从另一个角度看,代码里的注释都是补丁,是碎片化的,局部的注释很难推导模块整体的顺序及耦合关系。

QcloudCommunity的博客 466

RAG已死?不,是Grep回归了!

这样一来可以直接复用已有的计算缓存,只为新增的增量部分付全价,前面累积的大头按约 1/10 的缓存价计费。所以实际的工具组合方式是灵活的:Grep(默认模式)→ Read 是最常见的路径,但 Grep(content 模式)可以独立使用,LLM 也可以直接调 Read(如果已经知道文件路径),或者一次同时发起多个 Grep 并行搜索。它从零开始构建自己的对话历史,不继承主对话的消息,这意味着它搜索过程中产生的大量 grep 结果、代码片段都留在自己的 context 里,主对话只收到一段总结性的文本结论。

QcloudCommunity的博客 576

深入浅出Harness Engineerring之核心模式与理念

在智能体生命周期的关键节点(如会话开始、工具调用后)自动触发预设动作(如代码格式化),由系统确保关键流程被执行,不依赖可能被模型遗忘的指令。简单讲就是利用向量存储这个技术,来实现模糊检索,原理是:即使字面不同,但语义相近的文本,其向量在数学空间中的位置也很接近。根据命令类型、参数和影响,自动评估其风险等级(安全、有风险、危险),并采取自动执行、请求确认或直接拦截等不同策略。关键特性是可隔离、可重建、可扩展。不是一次判断就定终身,允许你改变、允许情况复杂,通过不断观察、思考、调整,越来越懂真实的你。

QcloudCommunity的博客 625

Harness Engineering实践心得:如何高效驾驭AI?

但如果这些经验被拆成一条条 Rule、一个个 Skill、一项项 Script 检查——"XAML 不能有中文"、"编译要用这个路径的 MSBuild"、"SVN 命令必须带认证参数"——AI 就能在秒级时间里"吸收"十年的踩坑经验。然后可以看到下方的图,我的PM会很顺利的调度其他agent分别负责不同的事项,遇到问题的时候也能准确的找到合适的agent。MCP 本质上是在扩展 AI 的"感知范围"——Rule 管"该怎么做",Skill 管"怎么操作",MCP 管"能看到什么、能碰到什么"。

QcloudCommunity的博客 843

从第一性原理思考 Agentic Engineering

需要注意的是,这一结论是有条件的:如果 AI 缺乏领域知识,过早介入反而可能引入 1.2 节所述的"似是而非"损耗——因此上下文供给(实践 1)是 AI 全链条参与的前提,而非结果。通过一个专门的自迭代 Skill 实现——当 AI 在协作过程中识别到自己被纠正(用户否定了 AI 的输出并给出了正确方向),它自动评估这个错误的根因,搜索现有的 Rules 和 Skills 中是否已有针对该类问题的处理规则。事实上,越是复杂的项目,工程师的认知负担越重(公理 3),AI 分担认知负担的潜在边际价值也越大。

QcloudCommunity的博客 757

万字干货!Harness Engineering如何工程化落地?

关注腾讯云开发者,一手技术干货提前解锁👇Harness Engineering 的概念已经火了有一阵了,全网很多文章基本都是在讲理念,讲为什么今天做 AI 开发,不能只靠一段提示词,也不能把模型当一个“更聪明的代码补全”。但与此同时,一个问题也在持续地发酵:这个问题特别重要。因为 Harness 这个词听上去很大,很像一个抽象的方法论,但它如果不能落到工程、目录、文档、脚本、工作流里,那它最后就只是一句漂亮的话。事实上,不同项目落地出来的 Harness,表面上可能完全不一样。有的项目是 CI 很强,有的

QcloudCommunity的博客 1171

全方位对比:Hermes VS OpenClaw

多账号矩阵运营 如果你的业务涉及同时管理多个社交媒体账号、多个平台的内容分发、多渠道的客户互动——OpenClaw是目前市场上的"无可替代的底座"。一个有专业背景的个人,现在可以快速构建一个垂直领域的AI助手:比如"财务分析Hermes"、"法律咨询Hermes"、"技术架构Hermes",直接通过微信提供服务,积累自己的专业IP。跨平台生态融合 如果你的工作流涉及飞书、Slack、Discord等多个平台的深度集成,需要这些平台之间的数据流转和联动——OpenClaw的生态支持是强大的。

QcloudCommunity的博客 1218

一文讲透:Harness Engineering即控制论!

而研发模式的升级我认为将会是一个飞跃的过程,之所以现在我们仍然需要需要参与编码,一个非常大的原因就是缺乏传感器和基建,仍然需要人来串流程,比如需要人来验证UI是否正确、需要人来告诉AI代码不符合代码规范,因此在有些场景我们仍然感觉 AI 完成的很吃力,但这不是 AI 能力不行,而是我们并没有为 AI 提供友好的环境……控制论中的突变理论介绍了矫枉过正和飞跃现象之间的矛盾,如果质变中经历的中间过渡态是不稳定的,那么他就是一个飞跃的过程,如果中间过渡态是稳定的,那么他就是一个渐变的过程。但是这些阶段要解决的。

QcloudCommunity的博客 1204

神级开源插件!一句话让QClaw变3D小镇,Agent工作可视化,赛博云监工

这个架构是翻了几次车才想通的—原有AI的实现机制是用 setTimeout 猜动画时长导致了幽灵 NPC、工位撞车、越改越崩,后面我停下来换了思路,推翻原有的架构,按照“意图+回传”的架构进行重构,之前的问题一次性全部解决。15 天,我和 AI 吵了 185 次架, 4.5 万行代码,开发了一款 QClaw / OpenClaw 的UGC游戏插件,这可能是人类跟 Agents 交互的新范式,插件已完全开源,有需要的欢迎自取~我天天用,用着用着我就在思考,Agent 产品现在的交互体验,基本都一个样。

QcloudCommunity的博客 1197

一文搞懂Hermes:新顶流Agent如何从经验中自我进化

Voyager 是一个能在 Minecraft 中自主探索、学习技能、无限积累能力的 AI Agent,它提出了 "Skill Library"(技能库)的概念——Agent 将成功的行为序列编码为可复用的技能函数,存储在一个持续增长的代码库中。如果 Skill 的名称和描述不够精准,或者用户的任务描述与 Skill 的触发条件有语义差距,Agent 可能会错过相关的 Skill。如果进程在写入过程中崩溃,目标文件要么是旧内容(还没被替换),要么是新内容(替换已完成),绝不会出现写了一半的损坏文件。

QcloudCommunity的博客 2637

自掏腰包一万元,拥抱AI这一年,我的工具、实践和思考

其实也很好理解,过往的每个领域(比如前端、后端、设计、测试等等)都主要是这个领域的从业者在为它添砖加瓦,但是大模型时代的 AI 应用领域却几乎是所有使用 AI 的人类一起在迭代,无分领域,无分文理,无分老少。因为每个时期的 AI 都有着不同的特点,很多时候当我费尽心思去钻研,自以为有点弄明白 AI 应该怎么玩的时候,基座模型和行业范式常常就会迎来颠覆式的变革,很多过往的经验都会倾覆,然后只能从头再来。过去一年多,被热议的 AI 范式大概是沿着四个阶段递进演化,每一个阶段其实都在解决前一个阶段的核心问题。

QcloudCommunity的博客 627

办公Agent的CI/CD时刻到来了

核心观点是:企业给员工配了一堆 AI 工具,试点跑了几百个,但真正拖慢 AI 转型速度的瓶颈不在模型能力,在"最后一公里":AI 输出和实际工作流之间的那道鸿沟。代码写完,打个 tar 包,开 FTP 传到服务器上,SSH 进去解压,改配置文件,重启服务,刷一下页面祈祷别 500。你复制,切窗口,粘贴到腾讯文档里,发现 Markdown 格式全乱了,手动调标题层级,代码块重新标记语言类型,表格散架了重排一遍。模型是越来越聪明了,但"生成"到"落地"之间那段路,还是你自己在走,一步一步,手动搬运。

QcloudCommunity的博客 608

4亿token买来5个教训:让6个AI Agent连写4天代码发生了什么?

Watchdog 检测到崩溃 → 启动诊断 Agent 分析原因 → 诊断 Agent 跑满 20 轮没搞定 → Watchdog 判定“已修复”,重启系统 → 重启的系统因为诊断 Agent 留下的环境变量被继承,连续 3 次拒绝启动 → 触发连续失败保护退出 → Watchdog 第 3 次巡检,发现进程和记录文件都没了,尝试手动重启,自己也停了。启动前我翻了论文、做了架构设计、写了监控+修复异常的脚本。这个发现让我的情绪从沮丧变成了兴奋——不是那种"终于修好了"的释然,是"我找到根因了"的快感。

QcloudCommunity的博客 584

赛博斗蛐蛐:9大模型决战三国志,天命在谁?

我猜是这样的,当Gemini面临决策的时候,一系列关键词比如 守城,劣势,粮草,三国等等,在语义层面的关联性中LLM发现了竖壁清野这个关键词概率非常高,所以以此为策略,然后再根据这个策略完美执行操作。MiMo 的外交是三方中最精明的。Kimi作为国产模型,也同样颠覆了我对他的看法,最后的比赛他甚至一度是优势者,存在很多夺冠的可能性,要知道他的对手可是claude和gemini,而他经常出兵慢,回过头来想想或许正是他的策略,毕竟中后期他的优势都来自于稳健的发展和较少的战斗频率(和claude比).

QcloudCommunity的博客 875

Claude Code是怎么知道你在骂他的?这 12 条发现值得关注

确实存在——5,500+ 行,集成了消息队列、工具装配、MCP 编排、会话状态、权限、分析、文件持久化和优雅关闭,基本上一个文件干了所有事。对抗虚假声明——"不要在输出显示失败时声称所有测试通过,不要压缩或简化失败的检查来制造绿色结果"。完整的 KAIROS 是一个持续驻留的守护进程,能感知你在不在电脑前、主动寻找有用的工作做,更像是住在终端里的全职同事。源码里藏着一个叫 "Buddy" 的电子宠物系统,完整度令人惊讶——这不是一个 TODO,而是一个从数值系统到 ASCII 动画都实现了的完整功能。

QcloudCommunity的博客 702

逆向深扒Claude Code源码,我发现了什么!?

Anthropic 内部用户获得更严格的质量控制 prompt、更好的验证机制(独立 Verification Agent)、以及针对 model 弱点的专门对策(如 Capybara v8 的 29-30% 错误声明率对策)。这不是代码混乱的标志——它是整个 Agent Loop 的心脏,所有的流式处理、工具调度、上下文压缩、子代理管理都在这个文件中协调。这种"胖核心"设计是刻意的:保持核心循环的原子性,避免分散到多个模块导致的协调复杂度。核心价值:Fork 代理的工具输出不会回到主代理的上下文窗口。

QcloudCommunity的博客 893

一文讲透如何构建Harness——六大组件全解析

本文将从"裸模型的四个硬伤"出发,逐一拆解 Harness 的六大组件——文件系统、Bash + 沙箱、记忆(AGENTS.md)、Web Search + MCP、上下文工程、编排 + Hooks——带你看清 AI Agent 真正的竞争壁垒,不在模型层,而在 Harness 层。如果你用过 Agent 做复杂任务,你一定有过这样的体验:一开始 Agent 的表现很好,但随着对话变长,它开始"变笨"——遗忘之前的约定,重复之前犯过的错误,甚至对同一个问题给出前后矛盾的回答。对于简单的问答场景,这无所谓。

QcloudCommunity的博客 761

Harness Engineering 来了,SDD 还有意义吗?

他们的解法是把「品味」编码进规则,然后用一个定期运行的「doc-gardening」Agent 自动扫描漂移、发起修复 PR——「技术债务就像一笔高息贷款,不断地以小额贷款的方式偿还,总比让债务不断累积要好」。代码仓库本地的、已版本化的工件,才是 Agent 所能看到的全部。在 Vibe Coding 模式下(即不做规划、随意向 AI 提需求的开发方式),大量设计决策、跨服务约定、「为什么不选另一个方案」的讨论,全部停留在一次性的 AI 对话里——下一个人,或者下一次 AI 会话,完全无从获取。

QcloudCommunity的博客 419

零废话!一文讲透从0构建AI Agent

每个工具都要写一套"定义→解析→执行"的胶水代码。上下文管理就是在"记住足够多"和"别超标"之间找平衡,常见策略包括滑动窗口、摘要压缩、RAG 检索增强。上下文窗口是 Agent 的"工作记忆",但它有硬性限制。LLM 负责"动脑"决策,代码负责"动手"执行。这是从"聊天机器人"进化到"Agent"的关键一步。每次调 API 都把完整对话历史发过去,LLM 本身是无状态的,"记忆"完全靠客户端的数组模拟。这样 Agent 一开始就知道自己"在哪里"、"手头有什么",不需要先花一轮工具调用去探索环境。

QcloudCommunity的博客 711

距离AI把小编我裁掉还有72小时

这是一个基于 OpenClaw 开源生态打造的本地化 AI Agent 助手,已于上周开启全量公测,无需复杂配置,三步即可上手,自带安全防护,支持微信直连绑定,内置多款优质国产大模型,现阶段也是完全免费使用,基本上前面提到过的痛点都可以靠它解决。对了,这里特别强调一点,上面的截图让产品同事汗流浃背,再三找我确认 QClaw 思考过程中优美的“草”字说法,不会是默认出现的吧?AI 好,AI 得学,但更重要的是,在你的工作和生活里,哪些东西是能结构化地被 AI 所接入的,不要死守着那些脏活累活不放。

QcloudCommunity的博客 674
上一篇: 快收藏!手把手教你用AI绘画
下一篇: 一文带你深入了解HTTP
腾讯云开发者
腾讯云开发者 企业官方账号 企业官方账号
博客等级 码龄10年 6291粉丝 1962原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值