#global 集群灾难恢复

#概述

本方案面向涉及 global 集群的灾难恢复场景。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持续可用，本方案部署两个 global 集群：主集群和备用集群。

该灾难恢复机制基于将主集群的 etcd 数据实时同步到备用集群。如果主集群因故障不可用，服务可以快速切换到备用集群。

#支持的灾难场景

• 主集群发生无法恢复的系统级故障，导致其无法运行；
• 承载主集群的物理机或虚拟机发生故障，导致其无法访问；
• 主集群所在位置发生网络故障，造成服务中断；

#不支持的灾难场景

• global 集群内已部署应用的故障；
• 存储系统故障导致的数据丢失（超出 etcd 同步范围）；

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

#注意事项

• 本方案仅同步 global 集群的 etcd 数据；不包含 registry、chartmuseum 或其他组件的数据；

• 为便于故障排查和管理，建议按 standby-global-m1 这类风格命名节点，以表明该节点属于哪个集群（主集群或备用集群）。

• 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，用户需要手动备份：

  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

• 如果两个集群都设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；

• 如果主集群部署了 DevOps Eventing v3（knative-operator）及其实例，则备用集群中必须预先部署相同的组件。

#流程概述

1. 准备一个统一的域名用于平台访问；
2. 将域名指向 主集群 的 VIP，并安装 主集群；
3. 临时将 DNS 解析切换到备用 VIP，以安装备用集群；
4. 将 主集群 的 ETCD 加密密钥复制到之后将作为备用集群控制平面节点的节点上；
5. 安装并启用 etcd Synchronizer；
6. 验证同步状态并进行例行检查；
7. 在发生故障时，将 DNS 切换到备用集群以完成灾难恢复。

#所需资源

• 一个统一域名，作为 Platform Access Address，以及用于该域名 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 主集群，另一个用于备用集群；

#网络要求

统一域名是灾难恢复的前提。在正常运行期间，该域名仅解析到 主集群 的 VIP。备用集群使用该域名访问主集群上的平台服务。

在安装任一集群之前，请完成以下两项网络准备：

• 配置每个集群的负载均衡器，将其 VIP 上所需的 TCP 端口转发到该 VIP 后面的控制平面节点。仅当用户通过 HTTP 访问平台时，才配置端口 80。
• 在主集群和备用集群网络之间双向放行所需的 TCP 端口。请将规则应用于防火墙、安全组、路由器 ACL 以及其他任何站点间网络控制。

网络策略必须是双向的，因为在故障切换后，集群角色会反转。在故障切换之前，实际生效的服务流量通常是从备用集群流向主集群。故障切换后，原主集群会变成新的备用集群，并且必须通过相同端口访问新的主集群。此要求并不表示 etcd 复制是双向的： etcd Synchronizer 只运行在当前备用集群上，并将同步数据写入其本地 etcd。

#操作步骤

#步骤 1：安装主集群

请参考以下文档完成安装：

• 安装前准备
• 安装

#步骤 2：安装备用集群

1. 临时将域名指向备用集群的 VIP；

2. 登录 主集群 的第一个控制平面节点，并将 etcd 加密配置复制到所有备用集群控制平面节点：

   # 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

3. 按与主集群相同的方式安装备用集群

请参考以下文档完成安装：

• 安装前准备
• 安装

#步骤 3：启用 etcd 同步

1. 如有需要，请配置负载均衡器，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 L7 转发。

   INFO

   不一定需要通过负载均衡器进行端口转发。 如果备用集群可以直接访问活动 global 集群，请通过 Active Global Cluster ETCD Endpoints 指定 etcd 地址。

2. 使用 VIP 访问 备用 global 集群 Web Console，并切换到 Administrator 视图。

3. 导航到 Marketplace > Cluster Plugins，选择 global 集群。

4. 找到 etcd Synchronizer，点击 Install，并配置以下参数：

   4.3.1+

   4.3.0

   前提条件（仅适用于 4.3.1+）： 在备用 global 集群上创建 etcd-sync-active-cluster-token Secret。首先，从活动 global 集群中获取用于访问活动 global 集群 API server 的 bearer token。然后复制命令输出，并在创建该 Secret 时使用它。该 Secret 将 token 存储在 data 键 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。
   • 当未通过负载均衡器转发端口 2379 时，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 服务通过其他端点暴露，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，否则保持 Print detail logs 关闭。

   安装期间，系统会在 etcd-sync Deployment 启动之前先运行 etcd-sync-bootstrap Job。只有当该 Job 准备好 remote-etcd-ca、remote-etcd-issuer 和 remote-etcd-client 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

   • 当未通过负载均衡器转发端口 2379 时，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，否则保持 Print detail logs 关闭。

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"

如果带有 ownerReference 依赖的资源需要重新同步，请在出现 Start Sync update 后重建当前 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"

输出说明：

• LOCAL ETCD missed keys：主 global 集群中存在这些 Key，但备用集群中缺失。通常重启当前 etcd-sync leader Pod 后即可解决。
• LOCAL ETCD surplus keys：备用 global 集群中存在这些 Key，但主集群中不存在。删除前请先与运维团队确认。

如果已安装以下组件，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

1. 如有必要，请先重启备用集群上的 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

2. 验证备用集群中的数据一致性（与 步骤 3 中的检查相同）。如果检查报告有缺失或多余的 Key，则说明备用集群与主集群不一致：请不要继续执行下一步。请先解决不一致问题或联系技术支持。此外，还要在 两个 集群上确认没有 Machine 节点处于非运行状态；如果有，请先解决后再继续：

   kubectl get machines.platform.tkestack.io

3. 卸载 etcd Synchronizer；

4. 从两个 VIP 上移除端口 2379 的端口转发；

5. 将平台域名的 DNS 切换到备用 VIP，此时该集群将成为新的主集群；

6. 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

7. 清除浏览器缓存并访问平台页面，确认其已显示原备用集群；

8. 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

9. 如果工作负载集群将监控数据发送到主集群，请在工作负载集群中重启 warlock：

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

10. 在原主集群上重复 启用 etcd 同步 的步骤，将其转换为新的备用集群。

#日常检查

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 Key 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，请参见 上架软件包。