K8s集群容灾演练:如何用阿里云SLB实现Master节点秒级切换?

k8s——16、使用阿里云SLB搭建高可用集群 k8s高可用集群 阅读详情

K8s集群容灾演练:如何用阿里云SLB实现Master节点秒级切换?

在云原生技术栈中,Kubernetes集群的高可用性早已不是“锦上添花”,而是“生死攸关”的生产级刚需。想象一下,凌晨三点,你的核心业务集群某个Master节点突然宕机,kubectl命令瞬间卡死,监控面板一片飘红——这种场景对任何运维团队来说都是噩梦。传统的多Master架构虽然提供了冗余,但故障转移的平滑性、客户端连接的持续性、证书管理的复杂性,这些细节才是真正考验系统健壮性的地方。

今天,我们不谈空洞的理论,直接切入实战。我将带你深入一个真实的容灾演练场景:如何利用阿里云负载均衡SLB,构建一个能够实现Master节点秒级切换、对业务几乎无感知的高可用K8s集群。本文面向的是已经拥有基础集群、正在寻求生产级高可用方案的运维工程师和架构师。我们将聚焦于故障转移的实战细节,特别是当server2这个Master节点模拟宕机时,SLB如何将流量无缝切换到server3和server4,并深入分析kubectl连接中断时间、证书更新机制等核心问题,最后给出Worker节点的重连策略优化建议。

1. 高可用架构的核心:理解SLB在K8s中的角色

在开始动手之前,我们必须先厘清一个关键概念:SLB在这里扮演的究竟是什么角色? 很多人误以为它只是简单地将流量分发给后端的多个apiserver。实际上,在K8s高可用架构中,SLB的核心价值在于为集群客户端(kubectl、kubelet、controller-manager等)提供一个稳定、唯一的访问端点,并将这个端点的故障转移能力从分钟级提升到秒级甚至亚秒级。

1.1 传统多Master架构的痛点

在没有SLB的传统部署中,高可用通常通过以下方式实现:

  • 多个Master节点部署相同的apiserver、scheduler和controller-manager。
  • 使用Keepalived + HAProxy维护一个虚拟IP(VIP)。
  • 客户端配置直接指向这个VIP。

这种方式存在几个明显短板:

  1. VIP切换依赖ARP广播,在复杂的云网络环境中可能延迟较高,且受网络设备影响大。
  2. 客户端连接状态丢失:VIP切换后,所有TCP连接会中断,客户端必须重新建立连接,导致kubectl get pods等命令会短暂报错。
  3. 配置管理复杂:每个客户端都需要手动配置或通过DNS解析VIP,增加了运维负担。

1.2 阿里云SLB带来的范式转变

阿里云SLB(本文以传统型负载均衡CLB为例,它完美适用于四层TCP流量转发)作为一个全托管的服务,彻底解决了上述问题:

特性传统VIP方案阿里云SLB方案对高可用的价值
故障检测与切换依赖Keepalived脚本,秒级到分钟级内置健康检查,秒级自动剔除异常后端切换速度更快,更可靠
连接保持VIP切换导致所有TCP连接重置SLB实例IP不变,连接由SLB代理,后端故障对客户端透明客户端几乎无感知
运维复杂度需自行维护HAProxy配置、Keepalived脚本控制台或API管理,配置简单,无需维护底层服务大幅降低运维负担
扩展性水平扩展能力有限可根据性能需求选择不同规格,后端可随时增删节点轻松应对集群规模增长

提示:阿里云SLB分为应用型负载均衡ALB(七层,适用于HTTP/HTTPS)、网络型负载均衡NLB(四层,超高性能)和传统型负载均衡CLB(四层/七层)。对于K8s apiserver的6443端口(HTTPS),理论上ALB和CLB都支持,但更推荐使用CLB的TCP监听。因为apiserver的TLS终止发生在客户端与apiserver之间,SLB无需解密流量,只需做TCP转发,这样性能最优,且配置最简单。

核心原理:当你在SLB上创建一个监听器,监听TCP 6443端口,并将所有Master节点的6443端口添加为后端服务器后,SLB就成为了集群的“流量入口”。所有发往SLB公网或私网IP:6443的请求,都会被均匀或按策略分发到健康的Master节点。SLB会通过定期向后端发送TCP SYN包或配置的HTTP/HTTPS健康检查来探测后端服务状态。一旦某个Master节点的apiserver进程停止或主机宕机,健康检查失败,SLB会在秒级内自动将其从后端服务器组中移除,流量不再转发至该故障节点,而是由剩余的健康节点接管。

2. 实战部署:构建基于SLB的高可用K8s集群

理论清晰后,我们进入实战环节。假设我们已有三台Master节点(server2, server3, server4)和若干Worker节点,目标是将其改造为通过SLB访问的高可用集群。

2.1 前置准备与集群规划

首先,确保你的环境符合以下要求:

  • 阿里云账号及足够的权限创建SLB和ECS实例。
  • VPC网络:所有ECS实例(Master和Worker)必须位于同一个VPC内,确保内网互通。
  • 安全组:需要放行SLB到Master节点6443端口的流量,以及Master、Worker节点间的必要端口(如2379-2380 for etcd, 10250 for kubelet等)。

我们的目标架构如下:

                            [阿里云SLB (私网IP: 10.0.0.100)]
                                      |
                                      | TCP:6443
                                      |
                    +-----------------+------------------+
                    |                  |                 |
            [Master-1: server2] [Master-2: server3] [Master-3: server4]
            (10.0.0.3:6443)    (10.0.0.4:6443)    (10.0.0.5:6443)
                    |                  |                 |
                    +------------------+-----------------+
                                      |
                                [etcd Cluster]
                                      |
                    +------------------+-----------------+
                    |                  |                 |
              [Worker-1]          [Worker-2]        [Worker-N]

2.2 步骤一:创建并配置阿里云私网SLB实例

  1. 登录阿里云控制台,进入负载均衡SLB产品页面。

  2. 创建实例:

    • 选择私网实例(因为K8s集群内部通信通常走内网,更安全、延迟更低、无公网流量费用)。
    • 网络类型选择专有网络,并选择你的K8s集群所在的VPC。
    • 根据预估的apiserver访问量选择适当的规格(对于大多数场景,入门规格已足够)。
  3. 添加TCP监听:

    • 监听协议:TCP
    • 监听端口:6443 (K8s apiserver默认端口)
    • 后端端口:6443 (转发到Master节点的端口)
    • 调度算法:加权轮询或最小连接数均可。轮询更公平,最小连接数可能更均衡。
  4. 配置健康检查:

    • 这是实现自动故障转移的关键。对于TCP监听,SLB会尝试与后端服务器的6443端口建立TCP连接。
    • 响应超时时间:建议设为5秒。
    • 健康检查间隔:建议设为3秒。
    • 不健康阈值:连续失败3次后判定为不健康。
    • 健康阈值:连续成功2次后恢复为健康。
    • 这样配置意味着,一个后端节点从健康到被剔除,最快可能在5秒 * 3次 = 15秒内完成。你可以根据对故障敏感度的要求调整这些值,更短的间隔和超时能更快发现故障,但也会增加SLB和后端的负载。
    # 你可以通过阿里云CLI快速创建监听(示例)
    # 首先,获取你的SLB实例ID和VServerGroup ID(如果使用默认服务器组,可跳过创建VServerGroup)
    aliyun slb CreateLoadBalancerTCPListener \
      --LoadBalancerId lb-xxx \
      --ListenerPort 6443 \
      --BackendServerPort 6443 \
      --Bandwidth -1 \
      --Scheduler wrr \
      --PersistenceTimeout 0 \
      --HealthyThreshold 2 \
      --UnhealthyThreshold 3 \
      --HealthCheckConnectTimeout 5 \
      --HealthCheckInterval 3
    
  5. 添加后端服务器:

    • 将你的三台Master节点(server2, server3, server4)的内网IP和端口(6443)添加到该监听的后端服务器组中。
    • 确保这些ECS实例的安全组入方向允许来自SLB所在安全组(或SLB服务网段)的TCP 6443端口访问。

2.3 步骤二:使用kubeadm初始化首个Master节点

在server2上,使用kubeadm初始化集群。最关键的一步是--control-plane-endpoint参数必须设置为SLB的私网IP地址和端口。

# 在 server2 (10.0.0.3) 上执行
sudo kubeadm init \
  --control-plane-endpoint="10.0.0.100:6443" \  # 这是SLB的私网IP和端口
  --pod-network-cidr=172.16.0.0/16 \           # 与你选择的CNI插件匹配,如Calico、Flannel
  --upload-certs \                              # 自动上传证书,供其他Master节点加入时使用
  --apiserver-cert-extra-sans=10.0.0.100,server2,server3,server4,<公网IP或其他需要包含在证书中的域名/IP>

注意:--apiserver-cert-extra-sans参数至关重要。它确保生成的apiserver证书包含了SLB的IP地址(10.0.0.100)以及所有Master节点的主机名/IP。这样,当客户端通过SLB连接时,证书验证才能通过,避免x509: certificate is valid for ... not 10.0.0.100的错误。

初始化成功后,按照提示配置kubectl:

mkdir -p $HOME/.kube
sudo cp -i /etc/kubernetes/admin.conf $HOME/.kube/config
sudo chown $(id -u):$(id -g) $HOME/.kube/config

同时,你会得到两个重要的命令:

  1. 其他Master节点加入集群的命令(包含--control-plane和--certificate-key)。
  2. Worker节点加入集群的命令(普通的kubeadm join)。

2.4 步骤三:加入其他Master节点

在server3和server4上,执行从server2初始化输出中得到的Master加入命令。这个命令已经包含了--control-plane-endpoint=10.0.0.100:6443和必要的证书密钥。

# 在 server3 (10.0.0.4) 和 server4 (10.0.0.5) 上分别执行
sudo kubeadm join 10.0.0.100:6443 \
  --token <your-token> \
  --discovery-token-ca-cert-hash sha256:<your-hash> \
  --control-plane \
  --certificate-key <your-certificate-key>

执行成功后,这些节点上也会生成/etc/kubernetes/admin.conf文件。请务必检查每个Master节点上的这个文件,确保其中的server字段指向的是SLB地址https://10.0.0.100:6443,而不是某个节点的具体IP。

# 检查admin.conf配置
cat /etc/kubernetes/admin.conf | grep server
# 应该输出:server: https://10.0.0.100:6443

2.5 步骤四:配置所有Worker节点

修改所有现有Worker节点(以及未来要加入的Worker节点)的kubelet配置,使其通过SLB连接apiserver。

  1. 找到kubelet配置文件:通常位于/etc/kubernetes/kubelet.conf或/var/lib/kubelet/config.yaml。

  2. 修改apiserver地址:将其中指向单个Master IP的地址改为SLB地址。

    # /var/lib/kubelet/config.yaml 片段
    apiVersion: kubelet.config.k8s.io/v1beta1
    kind: KubeletConfiguration
    ...
    clusterDNS:
    - 172.251.0.10
    clusterDomain: cluster.local
    # 关键修改:将原来的 server: https://10.0.0.3:6443 改为
    # 注意:这里不是直接修改kubelet.conf,而是修改kubelet启动参数或kubeadm生成的配置文件。
    # 更可靠的方法是使用kubeadm join时直接指定正确的endpoint。
    

    实际上,更干净的做法是,如果Worker节点尚未加入,直接使用从server2初始化得到的Worker加入命令,这个命令里的--discovery-token-unsafe-skip-ca-verification或自动发现的地址应该已经是SLB的地址。如果Worker节点已加入,则需要:

    • 更新/etc/kubernetes/kubelet.conf中的clusters.cluster.server字段。
    • 更新/etc/kubernetes/bootstrap-kubelet.conf(如果存在)。
    • 重启kubelet服务:sudo systemctl daemon-reload && sudo systemctl restart kubelet。
  3. 验证Worker节点状态:在任一Master节点上执行kubectl get nodes,所有Worker节点应显示为Ready状态。

至此,一个基于阿里云SLB的高可用K8s集群架构就搭建完成了。此时,所有客户端(包括kubectl、kubelet、scheduler等)都将通过https://10.0.0.100:6443这个统一的入口与集群交互。

3. 模拟故障与深度分析:SLB秒级切换的幕后

架构搭建好了,但我们更关心的是它是否真的“高可用”。现在,让我们模拟server2节点宕机,并深入观察和分析整个故障转移过程。

3.1 故障模拟与现象观察

  1. 初始状态确认:在SLB控制台,确认三台Master节点均为健康状态。
  2. 模拟宕机:在server2上,直接关闭apiserver服务或更暴力地关机。
    # 在 server2 上执行
    sudo systemctl stop kube-apiserver
    # 或者
    sudo shutdown -h now
    
  3. 观察SLB控制台:等待约15-30秒(取决于你设置的健康检查参数),你会看到server2的健康状态从正常变为异常,并且其权重可能变为0,意味着SLB不再向其转发任何新流量。
  4. 客户端体验测试:在另一台机器上,使用配置了SLB地址的kubectl持续执行命令。
    # 在一个循环中持续获取pod状态,观察是否有中断
    while true; do kubectl get pods -n kube-system 2>&1 | head -n 3; sleep 1; done
    
    理想情况下,你应该看不到任何错误输出,命令会持续成功执行。 这是因为SLB在TCP层工作,对于已建立的连接,如果server2是当前连接的后端,当server2宕机,该TCP连接会中断,kubectl(客户端)会收到一个连接错误。但是,由于kubectl命令通常是短连接(执行完即断开),下一次循环执行时,kubectl会向SLB发起新的TCP连接,此时SLB已经将server2剔除,新连接会被分配到健康的server3或server4上,因此从用户角度看,只有极短暂的失败(可能一次循环失败),随后立即恢复。

3.2 关键指标深度分析

1. kubectl连接中断时间: 这个时间主要由以下几部分构成:

  • SLB健康检查发现时间:即从server2apiserver进程停止,到SLB健康检查连续失败达到“不健康阈值”的时间。这是我们之前配置的响应超时(5s) * 不健康阈值(3) = 15秒。这是最大可能时间,实际网络丢包可能导致更快失败。
  • SLB后端服务器剔除与流量切换时间:SLB判定后端不健康后,将其从转发池中移除的时间几乎是瞬间的(毫秒级)。
  • 客户端重连时间:对于像kubectl这样的命令行工具,它不内置连接池和重试机制(但k8s client-go有)。当连接失败后,需要用户或脚本重新发起请求。如果使用client-go的客户端(如某些控制器),其内置的指数退避重试机制可能会在几百毫秒到几秒内自动重试并连接到新的健康后端。

因此,对于交互式命令,中断时间≈SLB健康检查发现时间(最坏15秒)。对于自动化控制器,中断时间可能更短。

2. 证书更新机制: 这是高可用集群另一个容易踩坑的地方。我们的证书是在初始化时用--apiserver-cert-extra-sans包含了SLB IP和所有Master IP的。这意味着:

  • 证书是通用的:无论SLB将请求转发到哪个Master节点,该节点提供的证书都包含SLB的IP(10.0.0.100),因此客户端验证通过。
  • 无需定期更新:只要SLB的IP不变,且Master节点IP都在证书的SAN列表中,证书就一直有效。
  • 新增Master节点:如果需要扩容Master,新节点加入时使用的证书密钥是初始化时上传的,其生成的证书也包含所有初始的SAN。但新节点的IP如果不在初始SAN列表中,需要手动更新apiserver证书,或者更简单的方法:在初始化第一个节点时,尽可能将未来可能用到的IP段或域名通过--apiserver-cert-extra-sans加入。

3. etcd集群的健壮性: Master节点的高可用不仅仅在于apiserver,还在于底层的etcd集群。我们的三个Master节点也部署了etcd成员。当server2宕机时:

  • 如果etcd是独立部署的,且三个节点都是投票成员,那么失去一个节点,etcd集群仍能正常读写(剩余2个节点满足quorum)。
  • 如果server2上的etcd进程也停止了,etcd集群会自动将其标记为不健康,领导者选举会在剩余节点间进行。只要多数节点(>=2)存活,etcd集群就可用,apiserver就能从健康的etcd节点获取数据。
  • 关键是要确保kube-apiserver的--etcd-servers参数指向所有etcd节点(例如https://10.0.0.3:2379,https://10.0.0.4:2379,https://10.0.0.5:2379),这样当一个etcd节点故障时,apiserver可以自动尝试其他节点。

3.3 故障恢复验证

将server2恢复后(启动apiserver服务),SLB的健康检查会重新探测到其6443端口可用。经过连续成功次数达到“健康阈值”后,SLB会将其重新加回后端服务器组,流量开始重新分发到server2。这个过程同样对客户端透明。

4. 生产级优化与进阶策略

基础的秒级切换实现了,但要达到真正的生产级稳健,还需要考虑以下优化点。

4.1 Worker节点kubelet重连策略优化

默认情况下,kubelet与apiserver的连接断开后,会尝试重连。但我们可以优化其参数,使其更适应网络波动或短暂的主机故障。

编辑kubelet的systemd服务文件(/etc/systemd/system/kubelet.service.d/10-kubeadm.conf)或kubelet配置文件,调整以下参数:

# /var/lib/kubelet/config.yaml 中可调整的部分
apiVersion: kubelet.config.k8s.io/v1beta1
kind: KubeletConfiguration
...
# 增加与apiserver通信的QPS和突发值,在节点数量多时可能有用
kubeAPIQPS: 50
kubeAPIBurst: 100
...
# 以下参数通常在kubelet命令行参数中设置
# 在 /etc/systemd/system/kubelet.service.d/10-kubeadm.conf 中修改
[Service]
Environment="KUBELET_KUBECONFIG_ARGS=--bootstrap-kubeconfig=/etc/kubernetes/bootstrap-kubelet.conf --kubeconfig=/etc/kubernetes/kubelet.conf"
Environment="KUBELET_CONFIG_ARGS=--config=/var/lib/kubelet/config.yaml"
# 添加或修改以下参数
Environment="KUBELET_EXTRA_ARGS=--node-status-update-frequency=10s --runtime-request-timeout=15m --image-pull-progress-deadline=30m --streaming-connection-idle-timeout=30m"

更关键的是,确保kubelet在apiserver不可用时不会过于频繁地重启或标记自己为不健康。kubelet本身有重试逻辑,通常不需要额外配置。但你需要监控kubelet日志,观察在SLB切换期间是否有异常。

4.2 多可用区部署与SLB高可用

对于更高要求的容灾场景,可以考虑:

  • Master节点跨可用区部署:将三个Master节点分别部署在同一个地域的不同可用区(AZ)内,避免单个可用区故障导致整个控制平面瘫痪。
  • SLB实例本身的高可用:阿里云SLB实例本身采用集群部署,具备高可用性。但对于极致要求,可以在前端再结合全球加速或DNS轮询实现跨地域容灾。

4.3 监控与告警

搭建完善的监控体系,对以下指标设置告警:

  • SLB后端服务器健康状态:任何Master节点健康检查失败,立即告警。
  • apiserver请求错误率:通过Prometheus监控apiserver_request_total和apiserver_request_errors指标。
  • etcd集群健康状态:监控etcd_server_has_leader和etcd_server_leader_changes_seen_total。
  • 控制平面组件状态:确保scheduler和controller-manager也以多副本模式运行且健康。

4.4 定期容灾演练

高可用不是“配置即完成”,必须通过定期演练来验证。建议每月或每季度执行一次演练:

  1. 计划内演练:在业务低峰期,手动在SLB控制台摘除一个Master后端,观察业务影响。
  2. 模拟故障:随机选择一台Master节点,重启其kube-apiserver服务或模拟网络分区。
  3. 记录与复盘:详细记录故障发现时间、切换时间、业务影响时长,并不断优化健康检查参数和应急预案。

通过以上四个部分的拆解,我们从理论到实践,从搭建到优化,完整地掌握了利用阿里云SLB构建高可用K8s集群并实现Master节点秒级切换的全套方案。记住,真正的“高可用”是一个持续的过程,它依赖于清晰的架构、正确的配置、细致的监控和不断的演练。当你对这套流程了然于胸,面对真正的故障时,才能做到从容不迫。

阿里云SLB+Kubeadm实战:构建企业级K8s高可用集群全指南 本文详细介绍了如何利用阿里云SLB和Kubeadm构建企业级K8s高可用集群。通过多Master节点接入SLB实现流量自动分发和故障自动剔除,结合阿里云多可用区部署,确保集群在硬件故障时仍能保持服务。文章包含环境准备、SLB配置、Kubeadm初始化及生产环境优化等实战内容,帮助用户快速搭建稳定可靠的K8s高可用集群。 阅读详情

相关推荐

阿里云SLB与K8S高可用集群实战:从零搭建到故障转移测试

本文详细介绍了如何在阿里云上从零搭建高可用的Kubernetes集群,并利用阿里云SLB(Server Load Balancer)作为统一入口实现控制平面的高可用。通过规划三Master架构、配置SLB监听与健康检查、使用kubeadm初始化集群,并模拟Master节点故障,验证了集群的自动故障转移能力,为生产环境提供了可靠的部署方案。

python9snake的博客 474

k8s多集群切换:使用kubeconfig文件管理多套kubernetes(k8s)集群

在生产环境中可能不止有一套kubernetes(k8s)集群,我们可以使用kubeconfig文件管理多套kubernetes(k8s)集群,使用 kubeconfig 文件,你可以组织集群、用户和命名空间。你还可以定义上下文,以便在集群和命名空间之间快速轻松地切换。关于Kubernetes(k8s)集群的安装部署,可以查看博客《Centos7 安装部署Kubernetes(k8s)集群》Centos7 安装部署Kubernetes(k8s)集群 - 人生的哲理 - 博客园。

Vic的博客 3465

基于阿里云SLB与ECS构建Kubernetes高可用集群实战指南

本文详细介绍了基于阿里云SLB与ECS构建Kubernetes高可用集群的实战指南。通过SLB实现流量智能分配和ECS提供稳定计算资源,该方案显著提升了集群的可用性和弹性扩展能力。文章包含从环境准备、资源配置到集群部署、节点配置的全流程操作指南,并提供了生产环境优化建议和常见问题排查方法,帮助用户快速搭建稳定高效的Kubernetes生产环境。

weixin_29268267的博客 249

k8s多集群切换

k8s多集群切换kubectl多集群切换命令使用kubectx命令切换k8集群安装kubectx命令行kubectx切换集群 kubectl多集群切换命令 参考: https://kubernetes.io/docs/tasks/access-application-cluster/configure-access-multiple-clusters/#define-clusters-users-and-contexts # 查看所有集群 kubectl config get-contexts # 切换集

教Linux的李老师 2745

阿里云SLB+ECS实战:5步搞定K8s高可用集群搭建(含VIP配置避坑指南)

本文详细介绍了在阿里云上利用SLB(负载均衡)和ECS快速搭建高可用Kubernetes集群的实战指南。通过五个核心步骤,涵盖架构规划、私网SLB配置、首个Master节点初始化、集群节点扩展以及生产级加固,重点解析了VIP配置的常见陷阱与解决方案,帮助中小团队以较低运维成本构建稳定可靠的生产环境。

weixin_29278805的博客 379

阿里云ECS上生产级Kubernetes集群配置实战

Kubernetes集群配置是容器化落地的核心环节,涉及组件通信、证书管理、网络策略与高可用设计等底层原理。其技术价值在于保障微服务在云环境中的稳定调度、安全通信与故障自愈能力,广泛应用于金融、电商、SaaS等对SLA要求严苛的生产场景。本文聚焦阿里云ECS平台约束下的真实配置实践,深入解析kube-apiserver参数调优、etcd多可用区部署、CoreDNS双上游策略等关键决策点,尤其强调VPC网络适配与证书生命周期管理两大热词所代表的云原生基础设施治理难点。

weixin_32183107的博客 286

K8S多集群切换方法

前言 随着公司的k8s迁移,会发现集群越来越多,尤其是有混合云的公司,开发,测试,预生产,多个生产环境等等,管理k8s集群会越来越麻烦,下面我来介绍下k8s管理多集群的俩种方法。 1) 通过多种kubeconfig文件管理 因为我的一台机器,网络打通了多个生产环境,测试,开发环境,故我拿这一台机器举个简单的例子。 #切换到生产集群 kubectl get pod --kubeconfig=/root/.kube/aliyun_prod-config #切换到生产idc集群 kubectl get po.

海鸥 2170

高可用架构实战:Nginx+Keepalived实现Web服务自动故障切换

高可用性是现代分布式系统的核心设计目标,旨在确保服务在局部故障时仍能持续可用。其实现原理主要依赖于故障切换机制,通过主备节点间的状态监控与流量重定向,在检测到故障时自动或手动将服务从故障节点迁移至健康节点。这一技术对于保障业务连续性、提升系统可靠性具有关键价值,广泛应用于电商、金融、在线服务等对稳定性要求极高的场景。本文以Nginx负载均衡和Keepalived虚拟IP管理为核心,结合Docker容器化环境,详细演示了如何构建一套能够自动应对后端服务及负载均衡器故障的完整高可用解决方案,涵盖了从监控探活、服

weixin_30512043的博客 395

K8S多集群切换俩种方法

公众号关注「SY技术小站」设为「星标」,每天带你分享技术与生活!前言随着公司的k8s迁移,会发现集群越来越多,尤其是有混合云的公司,开发,测试,预生产,多个生产环境等等,管理k8s集群...

神圣坤的博客 2507

Kubernetes集群启动方式对比:Minikube、kubeadm与KubeKey选型指南

Kubernetes集群启动是容器编排落地的第一道关卡,本质涉及基础设施即代码(IaC)、网络模型、服务暴露(Ingress)与生产就绪性等核心概念。其原理在于通过声明式工具统一管理控制平面、节点配置与附加组件,技术价值体现在可重复部署、审计合规与跨环境一致性。典型应用场景包括本地开发验证、IDC自建高可用集群及云边协同的企业级交付。本文聚焦三种主流方式——轻量验证的Minikube、深度可控的kubeadm和工程提效的KubeKey,结合Ingress配置实践与infrastructure as code

weixin_30698297的博客 378

DSMA时序修复避坑指南:当Setup和Hold互卡时,除了调Margin还能做什么?

本文深入探讨DSMA时序修复中的Setup与Hold互锁问题,提供7种高阶策略,包括优先级判断、高级参数组合、单元类型智能替换等,帮助工程师突破时序收敛瓶颈。特别针对fix_eco_timing命令的隐藏参数和物理协同优化进行详细解析,助力芯片设计实现时序收敛。

weixin_30162121的博客 299

基于金山云 Kubeadm部署Kubernetes v1.31.14 Master高可用集群

本文档讲解金山云基于 kubeadm 部署 v1.31.14 三 Master 高可用 K8s 集群,环境为 Rocky Linux,3 台 Master、2 台 Worker,依靠 Keepalived+HAProxy 搭建 VIP 负载均衡。 部署流程包含全节点系统初始化、ipvs 内核配置、containerd 运行时、K8s 组件安装;kubeadm init 初始化集群,区分 Master 与 Worker 节点接入命令,提供 token 过期修复方案;后续部署 Calico 网络、metrics

GYTYYDSa的博客 660

Ubuntu升级遇到grub-efi-amd64-signed报错?3步搞定这个烦人的EFI目录问题

本文详细解析了Ubuntu系统升级时遇到的“grub-efi-amd64-signed”报错及“cannot find EFI directory”问题。通过剖析UEFI启动机制与EFI系统分区原理,提供了从诊断到修复的三步解决方案,帮助用户快速解决因EFI目录未挂载导致的升级中断,确保系统引导正常。

assembly8low的博客 585

Kubernetes全栈架构师(Kubeadm高可用安装k8s集群)--学习笔记

目录 k8s高可用架构解析 Kubeadm基本环境配置 Kubeadm系统及内核升级 Kubeadm基本组件安装 Kubeadm高可用组件安装 Kubeadm集群初始化 高可用Master及Token过期处理 Kubeadm Node及Calico节点配置 Dashboard&Metrics Server安装 k8s高可用架构解析 Etcd Cluster:键值数据库,存放k8s的数据,比如我们创建的资源,所做的变更 Master:控制节点,控制整个集群 Node:主要用

MINGSON666的博客 1270

使用VS Code创建第一个Flutter工程

你可以使用任意文本编辑器结合命令行工具来开发Flutter应用。然而,我们推荐使用本文介绍的编辑器插件以获取更好的开发体验。这些插件提供了代码补全、代码高亮、widget辅助编辑等功能,以及为项目的运行和调试提供支持。推荐的开发工具有VS Code、Android Studio、IntelliJ。本文将重点介绍如何使用VS Code进行Flutter应用开发。

2501_91373349的博客 2129

STM32实现webserver显示数据及配置参数

其实提到的将fsdata.c重命名为fsdata_custom.c,可以不重命令,将/LWIP/Target/lwipopts.h中HTTPD_USE_CUSTOM_FSDATA 定义为0,这样HTTPD_FSDATA_FILE将使用fsdata.c,避免每次生成fsdata.c需要重命令的麻烦。2、登录成功后,板卡根据板卡配置类型,返回对应的数据页面,该页面可实现数据校准、清零,以及进行到板卡参数设置页面。目前还未实现post功能以及http身份验证功能。3、板卡参数设置页面。

2695

阿里云K8s集群配置实战:从单Master到高可用的72小时调优

Kubernetes集群配置是云原生落地的核心能力,远超基础部署范畴。它涉及etcd一致性机制、CNI网络选型(如Flannel与Terway)、kubelet资源调度策略及跨可用区容灾设计等底层原理。科学的配置决定集群稳定性、性能边界与故障恢复能力,直接影响微服务治理、容器编排和生产级SLA保障。在阿里云等公有云环境中,还需协同VPC路由、安全组、ENI多IP、ESSD磁盘IO等基础设施特性。本文聚焦2021年真实金融与电商场景下的K8s集群配置实践,覆盖kubeadm init参数精调、静态Pod模式平

weixin_30843121的博客 307

FineReport实战-- 国内外各地区销售数据分析 多个图表联动

进行国内外各地区业务员销售数据分析是一项复杂但极具价值的任务,它可以帮助企业了解不同市场的表现,并据此调整销售策略以提高整体绩效。实现功能:同一个报表里面多个图表联动问题。

Davina_yu的博客 1202

k8s高可用环境部署4(HA)

前言 这一篇介绍的是配置k8s的高可用环境 keepalived+Haproxy 如果是实体服务器或VM虚拟机等建议使用这个方案。 如果是阿里云等云服务器建议使用其官方的负载均衡方案。因为其与实体机的并不同,平台对网络环境限制较大。强行配置keepalive,有时反而不如其本身提供的负载方案。 <1>keepalive部署 在3台节点上执行,配置文件各节点都需修改部分参数,再启动 yum install -y keepalived cd /etc/keepalived ca

漠效的博客 918

【图像超分】论文复现:新手入门!Pytorch实现SRCNN,数据预处理、模型训练、测试、评估全流程详解,注释详细,简单修改就可以训练你自己的图像数据,有训练好的模型下载地址,随取随用

【图像超分】论文精读:Image Super-Resolution Using Deep Convolutional Networks(SRCNN)请配合上述论文精读文章使用,效果更佳!图像超分辨率SRCNN和FSRCNN复现代码,除基本的网络实现外,还有特征图可视化,PSNR曲线图可视化,测试自己的图像数据等不想理解原理,希望直接跑通然后应用到自己的图像数据的同学,请直接下载上面的代码,有训练好的模型,直接用即可。具体使用方式见代码中的README!有问题来本文评论区留言!准备数据集,以及数据预处理。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 2万+

使用STM32制作智能窗帘控制

以上就是一个简单的基于STM32的智能窗帘控制代码案例。通过感知光线强度和控制步进电机的旋转,我们可以实现智能窗帘的自动开启和关闭。通过定时器的中断来控制步进电机的旋转,从而实现窗帘的开启和关闭动作。最后,我们需要实现主函数和中断函数。在主函数中,我们需要初始化硬件资源,然后进入一个无限循环来不断检测光敏电阻的值,并根据其值来控制窗帘的开启和关闭。接下来,我们需要编写功能函数,用于控制窗帘的开启和关闭。然后,我们需要配置STM32开发环境,并创建一个新的工程。接下来,我们初始化相关的硬件资源。

2401_85258012的博客 277

K8S部署踩坑总结

中台连接集群,~/.kube/config 下面配置文件 单集群 (如果后期要多集群切换的话 --kubeConfig指定配置文件切换集群 或者其他方案 这个后续研究~)中台服务器 集群 集群节点需要在同一个VPC下面 集群节点添加到集群中 需要在被添加的节点服务器上 运行云厂商命令 成功后 使用kubelet 查看。本文的环境是使用阿里云ACK托管集群,项目结构是ecs中台管理器,ecs前端+mongodb数据库,集群中目前暂时一个节点服务器 后台服务集群。集群需要访问外部服务 mongodb。

goldfish_333的博客 384

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

Kubernetes

habor,master,node1,node2都要做“1.安装docker” 1.安装docker 2.在harbor上生成key 3.编辑harbor配置文件 4.启动并验证 2.构建部署kubernetes所需主机 主机名 ip 配置 角色 harbor.timinglee.org 172.25.254.254 cpu1、mem 1G harbor仓库 master-node 172.25.254.100 cpu4、mem>4G master,k8s集群控制节点 node1 1

2301_81717288的博客 522

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

零基础自学阿里云K8s运维:从ECS到实战部署全攻略

云原生时代,Kubernetes(K8s)已成为现代运维的核心技能,它通过容器编排将多台服务器抽象为统一资源池,实现应用的自动调度、弹性扩缩容与自愈。理解K8s的原理,不仅有助于掌握容器化部署与微服务治理,更是企业级运维从手动操作迈向自动化、平台化的关键。无论是自建集群还是使用托管服务,K8s都广泛应用于互联网、金融、制造等行业的业务交付中。对于零基础学习者,如何跨越环境搭建与概念理解的障碍?本指南以阿里云ECS为实验场,从Linux基础、Docker容器,到K3s快速搭建集群,再到部署带Redis的Web

weixin_33795743的博客 378

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Django应用Kubernetes生产部署实战:灵活伸缩与四层安全防护

Django作为成熟的Python Web框架,其生产部署能力高度依赖底层基础设施。Kubernetes凭借声明式配置、自动弹性伸缩、服务网格集成和细粒度网络策略,成为支撑高并发、多环境、强合规Django应用的事实标准。本文围绕Django云原生改造核心——配置外部化、健康探针定制、静态资源分离,结合Kubernetes的ConfigMap、Secret、StatefulSet与Ingress等原生机制,构建覆盖传输层(TLS 1.3/HSTS)、运行时(非root/只读根文件系统)、网络层(Networ

weixin_33884611的博客 452
上一篇: 从租车系统看OOP设计:客车/货车/皮卡车的类结构应该这样划分(Java示例)
下一篇: Solidworks高效操作技巧全解析
人间清醒863
博客等级 码龄3年 33粉丝 1544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  | 博主筛选后可见
 
 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