Fluid给数据弹性一双隐形的翅膀 （2） -- 定时弹性伸缩

周佩洁 Fluid社区Commiter， Boss直聘基础架构工程师
车漾 Fluid社区Commiter，阿里云容器服务工程师

背景

在之前的文章中，我们介绍了如何根据数据缓存量比例触发自动的数据缓存能力弹性扩缩容，它有非常多的优势，但是有一个缺陷，就是需要根据资源压力计算出合理的值后调整，这就存在一定的程度滞后性。而针对此，在本文中，会介绍数据访问加速能力的定时扩缩方案。

首先了解一下具体场景。以离线模型训练场景为例,其中主要有两大场景：

实验性模型训练,用户没有固定的模型训练时间和更新频率,一般是一次性实验,用于新模型的测试,或是为已有模型选择新的训练样本,调参等。周期性迭代训练,即用户按照固定的频率进行模型训练及模型发布上线,比如日更模型,周更模型,月更模型等

在实际的生产环境中,集群60%以上时间用于周期性迭代训练,因此如何提高周期性训练的效率, 降低周期性训练的成本是在建设周期性迭代模型链路时,优先考虑的。我们通过Fluid提升了计算数据访问的效率，进而优化了集群计算资源的效率和运算速度。但是在实践中，我们发现这里还有些优化的空间。比如通过观察可以发现了以下问题:

1)以日更模型举例,真正的模型训练需要等待上游数据的预处理,而这段时间的Fluid缓存资源一般是浪费的;

下图是一个典型的日更训练任务使用的fluid节点的io变化曲线。新的日更模型已经在晚8点前上线,而凌晨到早晨6点前则是在进行训练数据的预处理,因此在这10个小时内无任何使用这个特定dataset的训练任务,Fluid占用的资源是被浪费的。

2)周期性模型使用的训练数据仅在这个训练周期内使用频率较高,超过这个训练周期后,数据的使用频率较低或者基本不会再被使用;

3)在训练任务密集的白天,多个Fluid的数据集会通过自动扩容进行资源的抢占,这些数据集在使用频率较低时仍会占用大量的资源,导致需要进行扩容的数据集没有资源可扩,严重影响了训练效率

针对上述问题,Fluid提供了数据缓存的弹性伸缩能力, 甚至可将缓存能力缩减为0。而且动态调整缓存容量变得非常简单，只需要修改Runtime的replicas就可以完成数据缓存的扩缩容。如果能够配合定时弹性伸缩的控制器，就可以实现数据缓存的按需使用，充分发挥资源的有效性。恰好我们发现开源社区的kubernetes-cronhpa-controller可以很好的解决拥有周期性资源画像的负载弹性，结合底层的cluster-autoscaler可以降低大量的资源成本。目前kubernetes-cronhpa-controller已经开源有两年了，并且在许多真实场景下打磨成熟。具体实现在开源代码仓库

在本文中，我们就像您展示如何实现数据访问加速能力的定时扩缩。

实践操作

1.安装jq工具方便解析json，在本例子中我们使用操作系统是centos，可以通过yum安装jq

yum install -y jq

2.下载、安装Fluid最新版

git clone https://github.com/fluid-cloudnative/fluid.git
cd fluid/charts
kubectl create ns fluid-system
helm install fluid fluid

3.部署或配置 kubernetes-cronhpa-controller

$ cd -
$ kubectl apply -f fluid/integration/cronhpa

4.验证kubernetes-cronhpa-controller安装状态

$ kubectl get deploy kubernetes-cronhpa-controller -n kube-system
NAME READY UP-TO-DATE AVAILABLE AGE
kubernetes-cronhpa-controller 1/1 1 1 6d5h

5.提交测试使用的Dataset

$ cat EOF dataset.yaml
apiVersion: data.fluid.io/v1alpha1
kind: Dataset
metadata:
 name: spark
spec:
 mounts:
 - mountPoint: https://mirrors.bit.edu.cn/apache/spark/
 name: spark
apiVersion: data.fluid.io/v1alpha1
kind: AlluxioRuntime
metadata:
 name: spark
spec:
 replicas: 1
 tieredstore:
 levels:
 - mediumtype: MEM
 path: /dev/shm
 quota: 1Gi
 high: "0.99"
 low: "0.7"
$ kubectl create -f dataset.yaml
dataset.data.fluid.io/spark created
alluxioruntime.data.fluid.io/spark created

6.查看这个Dataset是否处于可用状态, 可以看到该数据集的总量为2.71GiB， 目前Fluid提供的缓存节点数为1，可以提供的最大缓存能力为1GiB。此时数据量是无法满足全量数据缓存的需求。

$ kubectl get dataset
NAME UFS TOTAL SIZE CACHED CACHE CAPACITY CACHED PERCENTAGE PHASE AGE
spark 2.71GiB 0.00B 1.00GiB 0.0% Bound 7m38s

此时支持该dataset的alluxioruntime

kubectl get alluxioruntimes.data.fluid.io -owide
NAME READY MASTERS DESIRED MASTERS MASTER PHASE READY WORKERS DESIRED WORKERS WORKER PHASE READY FUSES DESIRED FUSES FUSE PHASE AGE
spark 1 1 Ready 1 1 Ready 1 1 Ready 104s

7.创建cronHPA任务

$ cat EOF hpa.yaml
apiVersion: autoscaling.alibabacloud.com/v1beta1
kind: CronHorizontalPodAutoscaler
metadata:
 name: spark
 namespace: default
spec:
 scaleTargetRef:
 apiVersion: data.fluid.io/v1alpha1
 kind: AlluxioRuntime
 name: spark
 excludeDates:
 # exclude May 1st
 - "* * * 1 5 *"
 jobs:
 - name: "scale-down"
 schedule: "0 0 8 ? * 1-6"
 targetSize: 0
 - name: "scale-up"
 schedule: "0 30 21 ? * 1-5"
 targetSize: 3
EOF

首先，我们解读一下从样例配置，这里主要有三部分：

伸缩对象：其中scaleTargetRef字段描述伸缩的对象，这里的操作对象为AlluxioRuntime日期过滤： 不同类型应用画像也不尽相同，比如线应用类型的，还有离线任务类型的，他们的资源使用画像也是各不相同。有些工作任务在法定节假日就是波谷，因此可以提供关闭伸缩规则的时间。比如在本例子中就规定5月1日规则不生效。伸缩规则： 该规则列表中，可以定义多个规则。每个规则由四部分组成，分别是同一个cronHPA的jobs列表中唯一的name；定义任务执行时间规则的schedule,它的规则和crontab类似；targetSize为到调度时间时，扩缩容的目标数目；runOnce如果数值为true，则代表该任务仅执行一次。

更多细节可以查看官方文档

在本例子中，扩容任务会在每周的周一到周五晚上21：30执行，扩容目标为3；缩容任务会在每周的周一到周六的早上8点执行，目标是0。而五月一日该定时任务会暂停。

8.时隔一周之后，我们查看一下该cronHPA任务执行效果。首先查看该CronHPA的状态, 可以看到scale-up和scale-down的任务都已经完成

kubectl describe cronhorizontalpodautoscalers.autoscaling.alibabacloud.com spark
Name: spark
Namespace: default
Annotations: none 
API Version: autoscaling.alibabacloud.com/v1beta1
Kind: CronHorizontalPodAutoscaler
Metadata:
 Creation Timestamp: 2021-04-12T07:01:54Z
 Generation: 12
 Resource Version: 4922900
 Self Link: /apis/autoscaling.alibabacloud.com/v1beta1/namespaces/default/cronhorizontalpodautoscalers/spark
 UID: a156cfb9-e491-43a5-9959-494395ac350b
Spec:
 Exclude Dates:
 * * * 1 5 *
 Jobs:
 Name: scale-down
 Schedule: 0 0 8 ? * 1-6
 Target Size: 0
 Name: scale-up
 Schedule: 0 30 21 ? * 1-5
 Target Size: 3
 Scale Target Ref:
 API Version: data.fluid.io/v1alpha1
 Kind: AlluxioRuntime
 Name: spark
Status:
 Conditions:
 Job Id: ff0eb79b-8e44-4bfc-9872-8cb75f07c656
 Last Probe Time: 2021-04-16T13:30:00Z
 Message: cron hpa job scale-up executed successfully. current replicas:0, desired replicas:3.
 Name: scale-up
 Run Once: false
 Schedule: 0 30 21 ? * 1-5
 State: Succeed
 Target Size: 3
 Job Id: 6f3930ee-241d-4549-bf22-93b017cef4a4
 Last Probe Time: 2021-04-17T00:00:00Z
 Message: cron hpa job scale-down executed successfully. current replicas:3, desired replicas:0.
 Name: scale-down
 Run Once: false
 Schedule: 0 0 8 ? * 1-6
 State: Succeed
 Target Size: 0
 Exclude Dates:
 * * * 1 5 *
 Scale Target Ref:
 API Version: data.fluid.io/v1alpha1
 Kind: AlluxioRuntime
 Name: spark
Events: none 

9.由于我们的查看时段是选在白天，此时缩容已经完成。此时我们期望看到的结果是缓存能力为0，执行一下查询命令进行确认确实缓存能力为0。说明此时缓存能力已经由创建时刻的1缩容到0，定时扩缩容任务已经生效。

$ kubectl get dataset
NAME UFS TOTAL SIZE CACHED CACHE CAPACITY CACHED PERCENTAGE PHASE AGE
spark 2.71GiB 0.00B 0.00B 0.0% Bound 6d19h

进一步，我们查看一下此时alluxio runtime的replicas数量，也为0。可以看到kubernetes-cronhpa-controller将缓存引擎的副本数从初始时的1缩容到0.

$ kubectl get alluxioruntimes.data.fluid.io -owide
NAME READY MASTERS DESIRED MASTERS MASTER PHASE READY WORKERS DESIRED WORKERS WORKER PHASE READY FUSES DESIRED FUSES FUSE PHASE AGE
spark 1 1 Ready 0 0 Ready 0 0 6d19h

10.如果希望查询定时扩容历史记录还可以通过CronHPA提供运维页面, 可以进一步了解该任务的上次和下次扩缩容时间

首先查询该运维页面的访问端口, 可以看到该service的端口为80

$ kubectl get svc -n kube-system kubernetes-cronhpa-controller
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
kubernetes-cronhpa-controller ClusterIP 172.21.11.139 none 80/TCP 30s

此时，在本地可以通过执行kubectl proxy --port=8080启动proxy模式，再在本地浏览器中输入http://localhost:8080/api/v1/namespaces/kube-system/services/kubernetes-cronhpa-controller/proxy/ 即可访问运维管理页面。

总结

Fluid提供了结合CronHPA提供了定时扩缩容的能力，结合应用自身使用数据的特点，实现了数据缓存的按时扩缩容，充分的利用了集群计算和存储资源加速应用的数据访问性能。现阶段使用自动扩容+定时缩容可以最大化的使Fluid存储在集群内变成一种可控的弹性存储资源。下一步我们将对缩容进行时的数据迁移和平衡(rebalance)进行支持,保证缩容时数据的动态平衡。

Fluid的代码仓库：https://github.com/fluid-cloudnative/fluid.git ， 欢迎大家关注、贡献代码和star。

本文转自网络，原文链接：https://developer.aliyun.com/article/783757
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！