深入探索云原生流水线的架构设计

本文约 4400 字，预计阅读时间：12 分钟

目前，市面上的流水线/工作流产品层出不穷，有没有一款工作流引擎，能够同时满足：

• 支持各种任务运行时，包括 K8s Job、K8s Flink、K8s Spark、DC/OS Job、Docker、InMemory 等？

• 支持快速对接其他任务运行时？

• 支持任务逻辑抽象，并且快速地开发自己的 Action？

• 支持嵌套流水线，在流水线层面进行逻辑复用？

• 支持灵活的上下文参数传递，有好用的 UI 以及简单明确的工作流定义？

• ······

那么，不妨试试 Erda Pipeline 吧～

 

Erda Pipeline 是一款自研、用 Go 编写的工作流引擎。作为基础服务，它在 Erda 内部支撑了许多产品：

  

• CI/CD
• 快数据平台
• 自动化测试平台
• SRE 运维链路
• ……

  

Erda Pipeline 之所以选择自研，其中最重要的三点是：

   

1. 自研能更快地响应业务需求，进行定制化开发；
2. 时至今日，开源社区还没有一个实质上的流水线标准，各种产品百花齐放；
3. K8s、DC/OS 等的 Job 实现都偏弱、上下文传递缺失，无法满足我们的需求，更不用说灵活好用的 Flow  了，例如：嵌套流水线。

   

本文我们将主要从架构层面对 Pipeline 进行剖析，和大家一起来深入探索 Pipeline 的架构设计。主要内容包括以下几个部分：

• 整体架构

• 内部架构

• 水平扩展

• 分布式架构

• 功能特性

• 实现细节

      

整体架构

• Pipeline 支持灵活的使用方式，目前支持  UI 可视化操作、OPENAPI 开放接口、CLI 命令行工具几种方式。

• 协议层面，在 Erda-Infra 微服务框架的加持下，以 HTTP 和 gRPC 形式对外提供服务：在早期的时候，我们只提供了 HTTP 服务，由于 Erda 平台本身内部是微服务架构，服务间调用就需要手动编写 HTTP 客户端，不好自动生成，麻烦且容易出错。后来我们改为使用 Protobuf 作为 IDL（Interface Define Language），在 Erda-Infra 中自动生成 gRPC 的客户端调用代码和服务端框架代码，内部服务间的调用都改为使用 gRPC 调用。

• 在中间件依赖层面，我们使用 ETCD 做分布式协调，用 MySQL 做数据持久化。ETCD 我们也有计划把它替换掉，使用 MySQL 来做分布式协调。

• 最关键的任务运行时（Task Runtime）层面，我们支持任务可以运行在 K8s、DC/OS（分布式云 OS，在 2017-2019 年非常火）、用户本地 Docker 环境等。

• 我们还有开放的任务扩展市场，在平台级别内置了非常多的流水线任务扩展，开箱即用。同时，用户也可以开发企业/项目/应用/个人级别的任务扩展，这部分功能在代码层面已经完全支持，产品层面正在开发中，在后续迭代中很快就可以和大家见面。

  

内部架构

使用 Erda-Infra 微服务框架开发，功能模块划分清晰：

• Server 层包括业务逻辑，对 Pipeline 来说业务就是创建、执行、重试、重试失败节点等。

• Modules 层提供不含业务逻辑的公共模块，其余两层均可调用，包括预校验机制、定时守护进程、YAML 解析器、配置管理、事件管理等。

   

Erda Pipeline 一直在践行：“把复杂留给自己，把简单留给别人”。

  

在 Pipeline 中，我们对一个任务执行的抽象是 ActionExecutor。

    

• Engine 层负责流水线的推进，包括：

• Queue Manager 队列管理器，支持队列内工作流的优先级动态调整、资源检查、依赖检查等。

• Dispatcher 任务分发器，用于将满足出队条件的流水线分发给合适的 Worker 进行推进。

• Reconciler 协调器，负责将一条完整的流水线解析为 DAG 结构后进行推进，直至终态。

• 模块内部使用插件机制，对接各种任务运行时。

• AOP 扩展点机制（借鉴 Spring），把代码关键节点进行暴露，方便开发同学在不修改核心代码的前提下定制流水线行为。

• 目前已经有的一些扩展点插件，譬如自动化测试报告嵌套生成、队列弹出前检查、接口测试自动登录保持等。

• 这个能力后续我们还会开放给调用方，包括用户，去做一些有意思的事情。

• 统一使用 Event，封装了 WebHook / WebSocket / Metrics。

         

水平扩展

  

 

随着 Pipeline 需要支撑的业务场景和数据量与日俱增，单实例的 Pipeline 稳定性和推进性能面临着挑战。

   

Pipeline 的多实例方案如下：

• Leader & Worker 模式，两者在部署上不区分状态，仅为 Replicas 多实例：

• 使用 ETCD 选举，每个实例都可以是 Leader。

• 只有 Leader 开启 Queue Manager 和 Dispatcher，分发任务给 Worker。

• Leader 本身也可以作为 Worker，支持单节点部署模式，Leader 必须开启 Reconciler。

• Dispatch 使用有界负载的一致性哈希算法：

• 使用一致性哈希来分配任务。但一致性哈希会超载，例如某些热点内容会持续打到一个节点上。

• 有界负载算法（The bounded-load algorithm）：

• 只要服务器未过载，请求的分配策略与一致性哈希相同。

• 过载服务器的溢出负载将在可用服务器之间分配。

• Pipeline 实例增减时，已经被分配的流水线不重新分配，尽可能减少切换成本，防止重复推进；新增的流水线使用一致性 Hash 算法进行分配。

     

在之前，我们使用过分布式锁的方案来做多实例协调。和选举比起来，竞争会更大，在具体实现里，如果想要多实例同时推进流水线，那竞争的资源就是流水线 ID。每个 ID 会请求一个分布式锁，而且这个分布式锁是阻塞性的，保证每个流水线 ID 一定会被推进，天然做了多节点重试。

   

分布式架构

  

该分布式架构是典型的 AP 模型，数据层面遵循最终一致性。

  

这套分布式架构的核心目标（典型场景）是在网络分区的情况下，保证边缘集群的定时任务正常执行。

  

我们来对比一下原有部署架构（运行时以 K8s 为例）：

    

• 中心 Pipeline 直接负责流程推进，调用边缘 K8s 创建 Job。

• 当网络分区时，原有部署架构下，定时任务无法正常执行。

  

分布式架构：

  

• 中心下发任务定义，由 Edge Pipeline 负责推进，直连 K8s，更加稳定。

• 在网络分区恢复时，主动上报执行数据，实现数据最终一致性。

    

在代码层面，我们使用同一份代码构建出同一个镜像，通过配置（不同的部署模式）使得各个实例各司其职。

    

另外，在数据同步时，我们遇到了前端 JavaScript Number 类型 53位最大值问题，对 SnowFlake ID 进行了 64bit -> 53bit 的改造，在保证唯一性的前提下，尽可能地增加可用性（生命周期约为 10 年，同时支持 4096 个分布式节点，每 10ms 可生成 64 个 ID）。

   

功能特性

  

这里简单列举一些比较常见的功能特性：

  

• 配置即代码
• 扩展市场丰富
• 可视化编辑
• 支持嵌套流水线
• 灵活的执行策略，支持 OnPush / OnMerge 等触发策略
• 支持工作流优先队列
• 多维度的重试机制
• 定时流水线及定时补偿功能
• 动态配置，支持“值”和“文件”两种类型，均支持加密存储，确保数据安全性
• 上下文传递，后置任务可以引用前置任务的“值”和“文件”
• 开放的 OpenAPI 接口，方便第三方系统快速接入

     

一些实现细节

     

 如何实现上下文传递(值引用)

在一条流水线中，节点间除了有依赖顺序之外，一定会有数据传递的需求。

  

值引用：

  

• 每个节点的特殊输出(按格式写入指定文件或者打印到标准输出)会被保存在 Pipeline 数据库中；
• 后续节点通过 outputs 语法声明的表达式会在节点开始执行前被替换为真正的值。

  

举例：

  

  

如图所示：第一个节点 repo 拉取代码；第二个节点 build erda 则是构建 Erda 项目。

 

在例子中，第二步构建时同时用到了 “值引用” 和 “文件引用” 两种引用类型，是进依次入代码仓库，指定 GIT_COMMIT 进行构建。

    

  

 如何实现上下文传递(文件引用)

• 文件引用比值引用复杂，因为文件的数据量比值大得多，不能存储在数据库中，而是存储在卷中。
• 这里又根据是否使用共享存储而分为两种情况，两者的区别在于申请的卷的类型和个数。
• 对于流水线使用者而言，没有任何区别。

   

使用共享存储

不使用共享存储

 如何实现缓存加速

  

在许多流水线场景中，同一条流水线的多次执行之间是有关联的。如果能够用到上一次的执行结果，则可以大幅缩短执行时间。

  

典型场景是 CI/CD 构建，我们以 Java 应用 Maven 构建举例：不但同一条流水线不同的多次执行可以复用 ${HOME}/.m2 目录(缓存目录)，甚至同一个应用下的多个分支之间都可以使用同一个缓存目录，就像本地构建一样～

  

举例：

   

仍然使用前面的例子，在第二步 build erda 里加上 cache 即可。

   

  

 Action Agent

  

在 Pipeline 里，每个节点都会对应一个 Action 类型，并且在扩展市场中都可以找到。为了更加方便 Action 开发者进行开发，我们提供了很多便捷的机制。如：

    

• 对敏感日志进行脱敏处理，保证数据安全

• 无感知的错误分析和数据上报

• 文件变动监听及实时上报

• ……

   

上述所有机制都是由 Action Agent 程序完成的，它是一个静态编译的 Go 程序，可以运行在任意 Action 镜像中。Agent 完整的执行链路如下：

   

 Action Executor 扩展机制

  

Pipeline 之所以好用，是因为它提供了灵活一致的流程编排能力，并且可以很方便地对接其他单任务执行平台，这个平台本身不需要有流程编排的能力。

在 Pipeline 中，我们对一个任务执行的抽象是 ActionExecutor。一个执行器只要实现单个任务的创建、启动、更新、状态查询、删除等基础方法，就可以注册成为一个 ActionExecutor：

• 恰当的任务执行器抽象，使得 Batch/Streaming/InMemory Job 的配置方式和使用方式完全一致，流批一体，对使用者屏蔽底层细节，做到无感知切换。

• 在同一条流水线中，可以混用各种 ActionExecutor。

         

调度时，根据任务类型智能调度到对应的任务执行器上，包括 K8sJob、Metronome Job、Flink Job、Spark Job 等等。

  

Go 接口定义

   

 AOP 扩展点机制

  

AOP 扩展点机制是借鉴 Java 里 Spring 的概念应运而生的。

   

我们把代码关键节点进行暴露，方便开发同学在不修改核心代码的前提下定制流水线行为。AOP 扩展点机制已经使用 Erda Infra 的模块化思想重构，整个扩展点的插件开发和编排更为灵活，如下图所示：

  

AOP 在 Pipeline 内部的使用

这个能力后续我们还会开放给用户，让用户可以在 pipeline.yaml 中使用编程语言声明和编排扩展点插件，更灵活地控制流水线行为。

END

想要了解更多相关的内容，欢迎扫描下方👇 关注 公众号，回复关键词 [实战群]  ,就有机会进群和我们进行交流~