C/S架构中 agent如何自升级(以falcon-agent为例)

前言

在我们日常运维/运维开发工作中各种系统主要分为两大流派
本文主要讨论下有agent侧一些注意事项

客户端服务端的C/S架构

优点

• c/s架构相比于基于ssh的并发和吞吐量要高的多
• 利用agent可做的事情很多以及更精准的控制

缺点

• 功能更新需要升级agent
• agent如果保活是个头疼的问题
  
• 机器上agent过多如何管理又是个问题

agentless架构

特点无侵入性agent:典型应用就是基于ssh ansible

优点

• 无agent不需要关心保活和覆盖问题
• 功能更新主要在server端实现

缺点

• 基于ssh的功能/性能较差

经典client案例

配置管理/批量操作

• Saltstack Minion
  
• Puppet Agent
  

监控

• prometheus 各种各样的exporter: node_exporter
  
• open-falcon falcon-agent
  
• Zabbix Agent
  

C/S架构中agent侧注意事项

agent资源消耗

代码应当简洁，避免过多资源消耗

agent资源监控可以使用prometheus的 client_golang ，默认会export 进程的cpu_use 、fd、mem等信息帮助我们定位资源消耗

# HELP process_cpu_seconds_total Total user and system CPU time spent in seconds.
# TYPE process_cpu_seconds_total counter
process_cpu_seconds_total 38913.32
# HELP process_max_fds Maximum number of open file descriptors.
# TYPE process_max_fds gauge
process_max_fds 6.815744e+06
# HELP process_open_fds Number of open file descriptors.
# TYPE process_open_fds gauge
process_open_fds 15
# HELP process_resident_memory_bytes Resident memory size in bytes.
# TYPE process_resident_memory_bytes gauge
process_resident_memory_bytes 1.4659584e+07
# HELP process_start_time_seconds Start time of the process since unix epoch in seconds.
# TYPE process_start_time_seconds gauge
process_start_time_seconds 1.59350253732e+09
# HELP process_virtual_memory_bytes Virtual memory size in bytes.
# TYPE process_virtual_memory_bytes gauge
process_virtual_memory_bytes 1.201352704e+09
# HELP process_virtual_memory_max_bytes Maximum amount of virtual memory available in bytes.
# TYPE process_virtual_memory_max_bytes gauge
process_virtual_memory_max_bytes -1

agent如何升级管理

举例:现在要升级agent版本 from v1.0 to v1.1

思路一:使用管理工具管理

如ansible-playbook 可以参考我之前的文章 使用ansible-playbook实现dnsdist快速劫持工具

我们可以使用下面python代码将跑playbook封装成一个方法，使用的时候只需要传入 ip列表，yaml，和额外的变量dict即可
咳咳:这个方案典型问题就是受限于单个ansible性能问题(很多小伙伴都被折磨过吧)，当然可以将大量的ip列表分片分发给多个ansible-server执行，再将结果merge一下

    t = PlaybookApi([ip], yaml_path, {"conf_dir": conf_dir, "bk_file_name": bk_file_name})
    t.run()

from collections import namedtuple

from ansible.parsing.dataloader import DataLoader
from ansible.vars import VariableManager
from ansible.inventory import Inventory
from ansible.utils.vars import load_extra_vars
from ansible.utils.vars import load_options_vars
from ansible.executor.playbook_executor import PlaybookExecutor
from ansible.plugins.callback import CallbackBase


class ResultsCollector(CallbackBase):
    def __init__(self, *args, **kwargs):
        super(ResultsCollector, self).__init__(*args, **kwargs)
        self.host_ok = {}
        self.host_unreachable = {}
        self.host_failed = {}

    def v2_runner_on_unreachable(self, result):
        self.host_unreachable[result._host.get_name()] = result

    def v2_runner_on_ok(self, result, *args, **kwargs):
        self.host_ok[result._host.get_name()] = result

    def v2_runner_on_failed(self, result, *args, **kwargs):
        self.host_failed[result._host.get_name()] = result


# class PlaybookApi(PlaybookExecutor):
class PlaybookApi(PlaybookExecutor):
    def __init__(self, host_list, yaml_path, extra_vars):
        self.host_list = host_list
        self.yaml_path = yaml_path
        # self.kcache_path = kcache_path

        self.callback = ResultsCollector()
        self.extra_vars = extra_vars
        self.IpmiPlay()
        super(PlaybookApi, self).__init__(playbooks=[self.yaml_path], inventory=self.inventory,
                                          variable_manager=self.variable_manager,
                                          loader=self.loader, options=self.options, passwords={})
        self._tqm._stdout_callback = self.callback

    def IpmiPlay(self):
        Options = namedtuple('Options',
                             ['listtags', 'listtasks', 'listhosts', 'syntax', 'connection', 'module_path', 'forks',
                              'remote_user', 'private_key_file', 'ssh_common_args', 'ssh_extra_args',
                              'sftp_extra_args', 'scp_extra_args', 'become',
                              'become_method',
                              'become_user',
                              'verbosity', 'check', 'extra_vars'])
        self.options = Options(listtags=False, listtasks=False, listhosts=False, syntax=False, connection='ssh',
                               module_path=None,
                               forks=10, remote_user='',
                               private_key_file=None,
                               ssh_common_args='',
                               ssh_extra_args='',
                               sftp_extra_args='',
                               scp_extra_args='',
                               become=True,
                               become_method='sudo',
                               become_user='root',
                               verbosity=3,
                               check=False,
                               extra_vars={})

        self.loader = DataLoader()

        # create the variable manager, which will be shared throughout
        # the code, ensuring a consistent view of global variables
        variable_manager = VariableManager()
        variable_manager.extra_vars = load_extra_vars(loader=self.loader, options=self.options)
        variable_manager.options_vars = load_options_vars(self.options)
        self.variable_manager = variable_manager
        # create the inventory, and filter it based on the subset specified (if any)
        self.inventory = Inventory(loader=self.loader, variable_manager=self.variable_manager, host_list=self.host_list)
        self.variable_manager.set_inventory(self.inventory)
        self.variable_manager.extra_vars = self.extra_vars

    def get_result(self):
        # print("calling in get_result")
        self.results_raw = {'success': {}, 'failed': {}, "unreachable": {}}
        for host, result in self.callback.host_ok.items():
            self.results_raw['success'][host] = result
        for host, result in self.callback.host_failed.items():
            self.results_raw['failed'][host] = result
        for host, result in self.callback.host_unreachable.items():
            self.results_raw['unreachable'][host] = result._result['msg']
        return self.results_raw


if __name__ == '__main__':
    h = ["127.0.0.1"]
    yaml = "systemd_stop.yaml"

    api = PlaybookApi(h, yaml, {"app": "falcon-judge"})
    api.run()
    res = api.get_result()
    for k, v in res.items():
        for kk, vv in v.items():
            print(kk, vv._result)

思路二: 代码中实现自升级

以falcon-agent代码为例，代码地址 https://github.com/ning1875/falcon-plus/tree/master/modules/agent 整体实现流程:
ps:原谅我那蜘蛛爬的字吧

实现分析

• 机器上一般会选用一种daemontools作为服务托管工具:如 supervisor和systemd，而systemd更普遍些
• 在机器上跑的服务最小可由三个文件组成: 一个二进制可执行文件、一个配置文件、一个service文件
• 所以服务的自升级就是这三个文件的升级

• 文件升级完后如何重启服务呢:以systemd为例只需要发送term信号给自身进程即可，即kill 进程pid

  pid := os.Getpid()
  thisPro, _ := os.FindProcess(pid)
  thisPro.Signal(os.Kill)

• agent如何管理版本: 在const中指定

  // changelog:
  // 3.1.3: code refactor
  // 3.1.4: bugfix ignore configuration
  // 5.0.0: 支持通过配置控制是否开启/run接口；收集udp流量数据；du某个目录的大小
  // 5.1.0: 同步插件的时候不再使用checksum机制
  // 5.1.1: 修复往多个transfer发送数据的时候crash的问题
  // 5.1.2: ignore mount point when blocks=0
  // 6.0.0: agent自升级,新增一些监控项
  // 6.0.1: agent collect level
  // 6.0.2: 添加单核监控开关默认不打开,单核监控tag变更为core=core0x ,添加mem.available.percent
  // 6.0.3: 增加sys.uptime
  // 6.0.4: 修复cpu.iowait>100的bug
  // 6.0.5: 添加进程采集监控，间隔30s
  // 6.0.6: 调整内置的采集func间隔 disk io相关和tcp 10s-->30s,agent_version 整数代表当前版本,去掉动态监控方法
  // 6.0.7: ntp 支持chronyc ，服务监控rpc call 间隔调整为一分钟
  // 6.0.8: 修改监控项抓取时间间隔， 10s只保留cpu，解决断点问题
  // 6.0.9: 修复dfa dfb块设备采集,修复不同版本ss-s的bug
  // 6.1.0: 修复机器上主机名被改case,使ip转化为nxx-xx-xx的形式
  const (
      VERSION          = "6.1.0"
      COLLECT_INTERVAL = time.Second
      URL_CHECK_HEALTH = "url.check.health"
      NET_PORT_LISTEN  = "net.port.listen"
      DU_BS            = "du.bs"
      PROC_NUM         = "proc.num"
      UPTIME           = "sys.uptime"
  )
  

• 服务端如何开启升级开关:在hbs http接口开启
• 客户端如何check要不要升级:只需check版本是否一致和是否在升级过程中
• 服务端如何做到并发控制: 只需检查redis升级队列在升级的数量和预设的阈值对比

• 管理员如何发起升级:只需要给hbs发起http请求打开升级开关

  curl -X POST   http://127.0.0.1:6031/agent/upgrade -d '{"wgeturl":"http://${your_cdn_addr}/file/open-falcon","version":"6.0.1","binfile_md5":"35ac8534c0b31237e844ef8ee2bb9b9e"}'

• 管理员
• 如何提高升级并发:其实就是如何让下载并发更高，即采用大带宽nginx或cdn或者给不同批次agent发送不同下载cdn地址
  

缺点

• 整体实现还比较粗糙没有覆盖灰度和回滚(只能再发上一个版本)
• 过程中没有直观的升级进度展示(只能通过hbs接口获取agent版本做求和)

过程说明:

http-req --->hbs --->开启升级开关--->检查agent心跳信息中版本号，并检查当前hbs升级队列--->发送升级指令给agent ---> agent通过 升级命令中的url地址和目标版本号下载新的二进制（会有备份和回滚逻辑）--->agent check没有问题后获取自身的pid向自己发送kill信号 --->agent退出然后会被systemd拉起打到升级的目的--->新的心跳信息中版本checkok不会继续升级

升级举例说明:

1. falcon-agent新加了采集指标，测试OK后在代码中打上新的版本号比如6.0.0（现有是6.0.1）
2. 然后将新版 放到下载服务器的路径下  wget http://${your_cdn_addr}/file/open-falcon/bin_6.0.1
3. 然后向hbs 发送升级的http请求（这里有个保护机制:只能在hbs本机发起）
4. 然后通过hbs 的http接口查询当前心跳上来的agent的版本查看升级进度 ，curl -s http://localhost:6031/agentversions |python -m "json.tool"
5. 同时需要连接的redis集群观察 agent_upgrade_set 这个set的值，redis-cli -h ip -p port -c smembers agent_upgrade_set & scard agent_upgrade_set
6. 目前看并发2000可以把一台下载的nginx万兆网卡流量打满。1.24GB/s

## falcon-agent 自升级命令
curl -X POST   http://127.0.0.1:6031/agent/upgrade -d '{"wgeturl":"http://${your_cdn_addr}/file/open-falcon","version":"6.0.1","binfile_md5":"35ac8534c0b31237e844ef8ee2bb9b9e"}'

curl -X GET  http://127.0.0.1:6031/agent/upgrade/nowargs
{"msg":"success","data":{"type":0,"wgeturl":"http://${your_cdn_addr}/file/open-falcon","version":"6.0.1","binfile_md5":"35ac8534c0b31237e844ef8ee2bb9b9e","cfgfile_md5":""}}

curl http://127.0.0.1:6031/agentversions
{"msg":"success","data":{"n3-021-225":"6.0.1"}}

curl -X DELETE  http://127.0.0.1:6031/agent/upgrade
{"msg":"success","data":"取消升级成功"}

  uri:
    url: http://127.0.0.1:6031/agent/upgrade
    method: POST
    body: {"wgeturl":"http://${your_cdn_addr}/file/open-falcon","version":"6.0.2","binfile_md5":"f5c597f15e379a77d1e2ceeec7bd99a8"}
    status_code: 200
    body_format: json