global 集群灾难恢复

灾难恢复路径

本页介绍在 传统操作系统 上运行的 global 集群的灾难恢复。Immutable Infrastructure 上的 global 集群灾难恢复正在开发中；请参见 Immutable Infrastructure 上的 global 集群灾难恢复。

概述

此解决方案面向 global 集群的灾难恢复场景而设计。global 集群作为平台的控制平面，负责管理其他集群。为确保在 global 集群故障时平台服务能够持续可用，此方案部署两个 global 集群：主集群和备用集群。

灾难恢复机制基于将 Primary Cluster 的 etcd 数据实时同步到 Standby Cluster。如果 Primary Cluster 因故障而不可用，服务可以快速切换到 Standby Cluster。

支持的灾难场景

Primary Cluster 发生不可恢复的系统级故障，导致其无法运行；
承载 Primary Cluster 的物理机或虚拟机故障，导致其无法访问；
Primary Cluster 所在位置发生网络故障，导致服务中断；

不支持的灾难场景

global 集群内部部署的应用发生故障；
由存储系统故障导致的数据丢失（超出 etcd 同步范围）；

Primary Cluster 和 Standby Cluster 的角色是相对的：当前为平台提供服务的集群是 Primary Cluster（DNS 指向它），而备用集群是 Standby Cluster。发生故障切换后，这两个角色会互换。

注意事项

此方案仅同步 global 集群的 etcd 数据，不包含 registry、chartmuseum 或其他组件中的数据；
为便于排障和管理，建议以类似 standby-global-m1 的风格命名节点，以表明该节点属于哪个集群（Primary 或 Standby）。
不支持集群内应用数据的灾难恢复；
两个集群之间需要保持稳定的网络连通性，以确保 etcd 同步可靠；
如果集群基于异构架构（例如 x86 和 ARM），请使用双架构安装包；

以下 namespace 不参与 etcd 同步。如果在这些 namespace 中创建了资源，用户必须手动备份：

cpaas-system
cert-manager
default
global-credentials
cpaas-system-global-credentials
kube-ovn
kube-public
kube-system
nsx-system
cpaas-solution
kube-node-lease
kubevirt
nativestor-system
operators

如果两个集群都配置为使用内置镜像仓库，则容器镜像必须分别上传到每个集群；
如果 Primary Cluster 部署了 DevOps Eventing v3（knative-operator）及其实例，则备用集群中也必须预先部署相同组件。

流程概览

准备一个统一的域名用于平台访问；
将域名指向 Primary Cluster 的 VIP，并安装 Primary Cluster；
临时将 DNS 解析切换到备用 VIP，以安装 Standby Cluster；
将 Primary Cluster 的 ETCD 加密密钥复制到之后将作为 Standby Cluster 控制平面节点的节点上；
安装并启用 etcd 同步插件；
验证同步状态并执行定期检查；
发生故障时，将 DNS 切换到备用集群以完成灾难恢复。

所需资源

一个统一的域名，作为 Platform Access Address，以及用于在该域名上提供 HTTPS 服务的 TLS 证书和私钥；
每个集群各自一个专用虚拟 IP 地址——一个用于 Primary Cluster，另一个用于 Standby Cluster；
- 预先配置负载均衡器，将端口 80、443、6443、2379 和 11443 上的 TCP 流量转发到对应 VIP 后面的控制平面节点。

操作步骤

步骤 1：安装 Primary Cluster

DR（灾难恢复环境）安装注意事项

在安装 DR 环境的主集群时，

首先，记录按照安装 Web UI 指南所设置的所有参数。安装备用集群时，必须保持其中一些选项一致。
必须预先配置一个 User-provisioned Load Balancer，以便将发送到虚拟 IP 的流量进行路由。Self-built VIP 选项不可用。
Platform Access Address 字段必须是域名，而 Cluster Endpoint 必须是虚拟 IP 地址。
两个集群都必须配置为使用 An Existing Certificate（且必须是同一份证书）；如有必要，请申请有效证书。Self-signed Certificate 选项不可用。
当 Image Repository 设置为 Platform Deployment 时，Username 和 Password 字段都不能为空；IP/Domain 字段必须设置为用作 Platform Access Address 的域名。
Platform Access Address 的 HTTP Port 和 HTTPS Port 字段必须分别为 80 和 443。
当进入安装指南第二页（Step: Advanced）时，Other Platform Access Addresses 字段必须包含当前集群的虚拟 IP。

请参考以下文档完成安装：

步骤 2：安装 Standby Cluster

临时将域名指向备用集群的 VIP；

# Assume the primary cluster control plane nodes are 1.1.1.1, 2.2.2.2 & 3.3.3.3
# and the standby cluster control plane nodes are 4.4.4.4, 5.5.5.5 & 6.6.6.6
for i in 4.4.4.4 5.5.5.5 6.6.6.6  # Replace with standby cluster control plane node IPs
do
  ssh "<user>@$i" "sudo mkdir -p /etc/kubernetes/"
  scp /etc/kubernetes/encryption-provider.conf "<user>@$i:/tmp/encryption-provider.conf"
  ssh "<user>@$i" "sudo install -o root -g root -m 600 /tmp/encryption-provider.conf /etc/kubernetes/encryption-provider.conf && rm -f /tmp/encryption-provider.conf"
done

以与主集群相同的方式安装备用集群

安装备用集群的注意事项

在安装 DR 环境的备用集群时，以下选项必须与 Primary Cluster 保持一致：

Platform Access Address 字段。
Certificate 的所有字段。
Image Repository 的所有字段
重要：确保镜像仓库凭据和管理员用户与 Primary Cluster 上设置的一致。

并且请务必遵循步骤 1 中的 DR（灾难恢复环境）安装注意事项。

请参考以下文档完成安装：

步骤 3：启用 etcd 同步

在适用情况下，配置负载均衡器将端口 2379 转发到对应集群的控制平面节点。仅支持 TCP 模式；不支持在 L7 上转发。

INFO
通过负载均衡器进行端口转发并非必需。如果备用集群可以直接访问活动的 global 集群，请通过 Active Global Cluster ETCD Endpoints 指定 etcd 地址。
使用其 VIP 访问 备用 global 集群 Web 控制台，并切换到 Administrator 视图。
导航到 Marketplace > Cluster Plugins，选择 global 集群。
找到 etcd Synchronizer，单击 Install，并配置以下参数：
4.3.1+
4.3.0
前提条件（仅 4.3.1+）： 在备用 global 集群上创建 etcd-sync-active-cluster-token Secret。首先，从活动 global 集群获取用于访问活动 global 集群 API server 的 bearer token。然后复制命令输出，并在创建 Secret 时使用它。该 Secret 会将令牌存储在 data key token 下。
# Run this command on the active cluster. kubectl -n cpaas-system get secret k8sadmin -o jsonpath='{.data.token}' | base64 -d
复制输出值，然后在备用集群上运行此命令：
ACTIVE_CLUSTER_TOKEN='<paste-the-token-from-the-active-cluster>' kubectl -n cpaas-system create secret generic etcd-sync-active-cluster-token \ --from-literal=token="${ACTIVE_CLUSTER_TOKEN}" \ --dry-run=client -o yaml | kubectl apply -f -

将 Active Global Cluster VIP 设置为活动 global 集群的 VIP。

如果没有通过负载均衡器转发端口 2379，请正确配置 Active Global Cluster ETCD Endpoints。

将 Standby Cluster ETCD Endpoints 设置为备用集群的 etcd 地址。除非本地 etcd 服务通过不同的端点暴露，否则请使用默认值。

将 Active Global Cluster Token Secret 设置为 etcd-sync-active-cluster-token。

使用 Data Check Interval 的默认值。

除非用于排障，否则请保持 Print detail logs 处于禁用状态。

安装过程中，系统会在 etcd-sync Deployment 启动之前先运行 etcd-sync-bootstrap Job。只有在该 Job 准备好 remote-etcd-ca、remote-etcd-issuer 和 remote-etcd-client 之后，插件安装才会继续。
验证 bootstrap Job 和运行时资源：
kubectl get job -n cpaas-system etcd-sync-bootstrap kubectl logs -n cpaas-system job/etcd-sync-bootstrap kubectl get secret -n cpaas-system remote-etcd-ca kubectl get issuer -n cpaas-system remote-etcd-issuer kubectl get certificate -n cpaas-system remote-etcd-client kubectl get secret -n cpaas-system remote-etcd-client
如果没有通过负载均衡器转发端口 2379，请正确配置 Active Global Cluster ETCD Endpoints。

使用 Data Check Interval 的默认值。

除非用于排障，否则请保持 Print detail logs 处于禁用状态。

请等待 kubectl get lease -n cpaas-system etcd-sync-mirror -o jsonpath='{.spec.holderIdentity}' 返回非空值后再继续。

验证同步 Pod 是否已在备用集群上运行，并识别当前 leader：

kubectl get po -n cpaas-system -l app=etcd-sync
kubectl get lease -n cpaas-system etcd-sync-mirror
leader_pod=$(kubectl get lease -n cpaas-system etcd-sync-mirror -o jsonpath='{.spec.holderIdentity}')
kubectl logs -n cpaas-system "$leader_pod" | grep -E "Acquired leader lease|Start Sync update"

如果需要重新同步具有 ownerReference 依赖的资源，请在出现 Start Sync update 之后重新创建当前 leader Pod：

leader_pod=$(kubectl get lease -n cpaas-system etcd-sync-mirror -o jsonpath='{.spec.holderIdentity}')
kubectl delete po -n cpaas-system "$leader_pod"

检查同步状态：

mirror_svc=$(kubectl get svc -n cpaas-system etcd-sync-monitor -o jsonpath='{.spec.clusterIP}')
ipv6_regex="^[0-9a-fA-F:]+$"
if [[ $mirror_svc =~ $ipv6_regex ]]; then
  mirror_host="[$mirror_svc]"
else
  mirror_host="$mirror_svc"
fi
curl -g "http://${mirror_host}/check"

输出解读：

LOCAL ETCD missed keys：键存在于主 global 集群中，但在备用集群中缺失。通常在重启当前 etcd-sync leader Pod 后即可解决。
LOCAL ETCD surplus keys：键存在于备用 global 集群中，但在主集群中不存在。请先与运维团队一起审查这些键，然后再删除它们。

如果安装了以下组件，请重启其服务：

Log Storage for Elasticsearch：

kubectl delete po -n cpaas-system -l service_name=cpaas-elasticsearch

Monitoring for VictoriaMetrics：

kubectl delete po -n cpaas-system -l 'service_name in (alertmanager,vmselect,vminsert)'

灾难恢复流程

在卸载 etcd 同步插件之前验证主/备一致性

此操作会卸载 etcd 同步插件。在卸载之前，请确认备用集群的数据与主集群一致。如果在备用集群缺少主集群拥有的数据时卸载插件，可能会导致 owner reference 解析错误，并且业务集群节点的 Machine 对象——包括 immutable-OS 集群（在这种情况下会销毁其背后的虚拟机）——可能被删除。如果一致性检查报告存在缺失或多余键，请不要卸载插件；应先解决不一致问题，或联系技术支持。

如有必要，在备用集群上重启 Elasticsearch：

# Copy installer/res/packaged-scripts/for-upgrade/ensure-asm-template.sh to /root:
# DO NOT skip this step

# switch to the root user if necessary
sudo -i

# check whether the Log Storage for Elasticsearch is installed on global cluster
_es_pods=$(kubectl get po -n cpaas-system | grep cpaas-elasticsearch | awk '{print $1}')
if [[ -n "${_es_pods}" ]]; then
    # In case the script returned the 401 error, restart Elasticsearch
    # then execute the script to check the cluster again
    bash /root/ensure-asm-template.sh

    # Restart Elasticsearch
    xargs -r -t -- kubectl delete po -n cpaas-system <<< "${_es_pods}"
fi

验证备用集群中的数据一致性（与步骤 3 中的检查相同）。如果检查报告存在缺失或多余键，则说明备用集群与主集群不一致：不要继续下一步。请先解决不一致问题，或联系技术支持。同时，在两个集群上确认没有处于非运行状态的 Machine 节点，并在继续之前先解决这些问题：
kubectl get machines.platform.tkestack.io
卸载 etcd 同步插件；
移除两个 VIP 上的 2379 端口转发；
将平台域名的 DNS 切换到备用 VIP，此时该 VIP 将成为 Primary Cluster；

验证 DNS 解析：

kubectl exec -it -n cpaas-system deployments/sentry -- nslookup <platform access domain>
# If not resolved correctly, restart coredns Pods and retry until success

清除浏览器缓存并访问平台页面，确认其反映的是先前的备用集群；

重启以下服务（如果已安装）：

Log Storage for Elasticsearch：

kubectl delete po -n cpaas-system -l service_name=cpaas-elasticsearch

Monitoring for VictoriaMetrics：

kubectl delete po -n cpaas-system -l 'service_name in (alertmanager,vmselect,vminsert)'

cluster-transformer：

kubectl delete po -n cpaas-system -l service_name=cluster-transformer

如果业务集群将监控数据发送到 Primary，请在业务集群中重启 warlock：
kubectl delete po -n cpaas-system -l service_name=warlock
在原始 Primary Cluster 上，重复启用 etcd 同步的步骤，将其转换为新的备用集群。

例行检查

定期检查备用集群上的同步状态：

curl $(kubectl get svc -n cpaas-system etcd-sync-monitor -o jsonpath='{.spec.clusterIP}')/check

如果有任何键缺失或多余，请按照输出中的说明进行处理。

上架软件包

有关 violet push 子命令的详细信息，请参阅上架软件包。

#global 集群灾难恢复

#目录

#概述

#支持的灾难场景

#不支持的灾难场景

#注意事项

#流程概览

#所需资源

#操作步骤

#步骤 1：安装 Primary Cluster

#步骤 2：安装 Standby Cluster

#步骤 3：启用 etcd 同步

#灾难恢复流程

#例行检查

#上架软件包