如何使用k3OS和Argo进行自动化边缘部署？

本文转自边缘计算k3s社区

前 言

随着Kubernetes生态系统的发展，新的技术正在被开发出来，以实现更广泛的应用和用例。边缘计算的发展推动了对其中一些技术的需求，以实现将Kubernetes部署到网络边缘资源受限的基础设施上。在这篇文章中，我们将向你介绍一种将k3OS部署到边缘的方法。你可以使用这种方法将你的边缘机自动注册到Rancher实例中作为控制平面。我们还将讨论自动部署到物理机的一些好处。

k3OS于2019年4月由业界应用最为广泛的Kubernetes管理平台创建者Rancher Labs（以下简称Rancher）推出，它是一个轻量的、专注于边缘的Kubernetes操作系统，同时也是业界首个Kubernetes操作系统。它与K3s打包，使得应用程序能够轻松地部署到资源受限的环境中，如部署在边缘设备上。

虽然k3OS仍处于起步阶段，但它已经通过了实战测试，并被用于各种生产环境中。为了充分掌握边缘计算的全部优势，你需要在你部署的基础设施上尽可能地节省空间。

Argo简介

Argo是云原生计算基金会（CNCF）的一个项目，旨在减轻在容器原生环境中运行计算密集型工作负载的一些痛苦。子项目Argo workflow是一个开源的容器原生workflow引擎，用于协调Kubernetes中的并行job。它以Kubernetes自定义资源（CRD）的形式实现，本质上是Kubernetes API的扩展。

通过Argo workflow，我们可以定义workflow，其中的每一步都是一个容器，并将多步工作流建模为任务序列，或使用有向无环图（DAG）捕获任务之间的依赖关系。这在自动化部署和配置边缘原生服务时非常有用。我们将在本次demo的后面看到Argo Workflows的许多方面将会发挥作用。

Step 1 设置一个demo环境

为了模拟一个工作边缘站点，我们需要在本地虚拟机上启动k3OS，然后使用Argo工作流呼叫到远程Rancher实例。在本节中，我们将：

• 下载k3OS iso

• 部署Rancher

• 安装Argo Workflows

设置本地VM（边缘端）

安装VirtualBox不在本次演示的范围内，因此默认你已经安装完成。然后，我们将其启动并完成设置虚拟机和附加k3OS iso的初始过程。完成之后，我们将启动机器并看到介绍屏幕：

此时，我们将打开一个terminal并添加k3OS VM到我们的config.yaml文件。我们可以使用这个方便的帮忙脚本：

# Pull k3OS credentials
get_vm() {
gsed -i '/127.0.0.1/d' ~/.ssh/known_hosts
scp -P 3022 [email protected]:/etc/rancher/k3s/k3s.yaml ~/.kube/current_k3os_vm.yaml
sed 's/6443/4443/g' ~/.kube/current_k3os_vm.yaml > ~/.kube/current_k3os_master.yaml
export KUBECONFIG=~/.kube/current_k3os_master.yaml
rm ~/.kube/current_k3os_vm.yaml
}

请注意：需要转发3022和4443端口

我们成功拉取.kubeconfig文件之后，我们应该准备好部署控制平面。

部署Rancher（云端）

要部署Rancher到云端环境，请执行以下步骤：

1. Clone或下载该仓库（https://github.com/rancher/quickstart）到本地文件夹

2. 选择一个云提供商并导航到提供商的文件夹中

3. 将terraform.tfvars.example复制或重命名为terraform.tfvars并填入所有必要的变量

4. 运行terraform init

5. 运行terraform apply

当配置完成之后，Terraform将输出连接到Rancher服务器的URL。还会生成两套Kubernetes配置：

Apply complete! Resources: 16 added, 0 changed, 0 destroyed.

Outputs:

rancher_node_ip = xx.xx.xx.xx
rancher_server_url = https://xx-xx-xx-xx.nip.io
workload_node_ip = yy.yy.yy.yy

kube_config_server.yaml包含了访问支持Rancher server的RKE集群的凭证， kube_config_workload.yaml包含了访问配置工作负载集群的凭证。

有关每个云提供商的更多详情，请参阅 repo 中各自文件夹中的文档。

Step 2 安装Argo Workflow

安装Argo CLI：

你可以从Argo release页面下载最新的Argo CLI：

https://github.com/argoproj/argo/releases

安装controller：

在这一步中，我们将安装Argo Workflows，通过workflow CRD扩展Kubernetes API。这将允许我们将多个“job”依次链在一起。安装Argo Workflows就像切换到k3OS集群并运行一样简单：

kubectl create namespace argo
kubectl apply -n argo -f https://raw.githubusercontent.com/argoproj/argo/stable/manifests/install.yaml

请注意：在GKE上，你可能需要授予你的账户创建新集群角色的能力。

kubectl create clusterrolebinding YOURNAME-cluster-admin-binding --clusterrole=cluster-admin [email protected]

Step 3 配置服务账户以运行workflows

角色、角色绑定以及ServiceAccount

为了让Argo支持工件、输出、访问secret等功能，它需要使用Kubernetes API与Kubernetes资源进行通信。为了做到这一点，Argo使用ServiceAccount来验证自己与Kubernetes API的关系。你可以通过使用RoleBinding将一个Role绑定到ServiceAccount上，指定Argo使用的ServiceAccount是哪个Role（即哪个权限）。

然后，在提交workflow时，指定Argo使用哪个ServiceAccount：

argo submit --serviceaccount 

当没有提供ServiceAccount时，Argo将使用运行的命名空间的默认ServiceAccount，默认情况下它的权限几乎总是不够的。

授予管理员权限

在本次demo中，我们将授予defaultServiceAccount管理员权限（即我们将绑定adminRole到当前命名空间的defaultServiceAccount中）：

kubectl create rolebinding default-admin --clusterrole=admin --serviceaccount=argo:default -n argo

请注意：这将向命令运行的命名空间中的default ServiceAccount授予管理权限，因此你将只能在制作RoleBinding的命名空间中运行workflows。

Step 4 运行workflow

从这里，你可以通过CLI以多种方式提交Argo workflow：

argo submit -n argo --watch https://raw.githubusercontent.com/argoproj/argo/master/examples/hello-world.yaml
argo submit -n argo --watch https://raw.githubusercontent.com/argoproj/argo/master/examples/coinflip.yaml
argo submit -n argo --watch https://raw.githubusercontent.com/argoproj/argo/master/examples/loops-maps.yaml
argo list -n argo
argo get xxx-workflow-name-xxx -n argo
argo logs xxx-pod-name-xxx -n argo #from get command above

你也能使用kubectl直接创建Workflow，但是Argo CLI会提供诸如YAML验证、workflow可视化、参数传递、重试以及重新提交、暂停和恢复等额外的功能：

kubectl create -n argo -f https://raw.githubusercontent.com/argoproj/argo/master/examples/hello-world.yaml
kubectl get wf -n argo
kubectl get wf hello-world-xxx -n argo
kubectl get po -n argo --selector=workflows.argoproj.io/workflow=hello-world-xxx
kubectl logs hello-world-yyy -c main -n argo

所以，我们创建一个workflow.yaml文件并把这里的内容全部加进去：

apiVersion: argoproj.io/v1alpha1
kind: Workflow
metadata:
  name: cluster-up
spec:
  serviceAccountName: argo-serviceaccount
  entrypoint: main
  templates:
    - name: main
      steps:
        - - name: rancher-dance
            template: rancher-dance

    - name: rancher-dance
      inputs:
        artifacts:
          - name: kubectl
            path: /bin/kubectl
            mode: 0755
            http:
              url: https://storage.googleapis.com/kubernetes-release/release/v1.18.0/bin/linux/amd64/kubectl
      container:
        image: giantswarm/tiny-tools:3.10
        command:
          - /bin/sh
          - -c
          - |
            echo "Log in to Rancher"
            LOGIN_RESPONSE=$(curl -s "https://$RANCHER_URI/v3-public/localProviders/local?action=login" \
              -H 'content-type: application/json' \
              --data-binary '{"username":"'$RANCHER_USER'","password":"'$RANCHER_PASS'"}')

            LOGIN_TOKEN=$(echo $LOGIN_RESPONSE | jq -r .token)

            echo "Obtain Rancher API token"
            API_RESPONSE=$(curl -s "https://$RANCHER_URI/v3/token" \
              -H 'content-type: application/json' \
              -H "Authorization: Bearer $LOGIN_TOKEN" \
              --data-binary '{"type":"token","description":"automation"}')

            API_TOKEN=$(echo $API_RESPONSE | jq -r .token)

            echo "Configure server-url"
            RANCHER_SERVER_URL="https://$RANCHER_URI/latest/meta-data/public-ipv4"
            curl -s 'https://$RANCHER_URI/v3/settings/server-url' \
              -H 'content-type: application/json' -H "Authorization: Bearer $API_TOKEN" \
              -X PUT --data-binary '{"name":"server-url","value":"'$RANCHER_SERVER_URL'"}'

            echo "Create the cluster, or get the info on an existing cluster"
            CLUSTER_RESPONSE=$(curl -sf "https://$RANCHER_URI/v3/cluster" \
              -H 'content-type: application/json' -H "Authorization: Bearer $API_TOKEN" \
              --data-binary '{"type": "cluster",
                "name": "'$CLUSTER_NAME'",
                "enableClusterAlerting":true,
                "enableClusterMonitoring":false}'\
                || curl -s "https://$RANCHER_URI/v3/cluster?name=$CLUSTER_NAME" \
                -H 'content-type: application/json' \
                -H "Authorization: Bearer $API_TOKEN" \
                | jq ".data | .[]" )

            echo "Extract the cluster ID"
            CLUSTER_ID=$(echo $CLUSTER_RESPONSE | jq -r .id)

            echo "Generate the cluster registration token"
            CLUSTER_JSON=$(curl -s "https://$RANCHER_URI/v3/clusterregistrationtoken" \
              -H 'content-type: application/json' -H "Authorization: Bearer $API_TOKEN" \
              --data-binary '{"type":"clusterRegistrationToken","clusterId":"'$CLUSTER_ID'"}')

            echo "Extract the cluster registration token"
            CLUSTER_TOKEN=$(echo $CLUSTER_JSON | jq -r .token)

            echo "Notify Slack of import"
            curl -s "https://$RANCHER_URI/v3/notifiers" \
              -H 'content-type: application/json' \
              -H "Authorization: Bearer $API_TOKEN" \
              --data-binary  '{"clusterId":"'$CLUSTER_ID'",
                "name":"slack-alerter",
                "namespaceId":"",
                "pagerdutyConfig":null,
                "sendResolved":true,
                "slackConfig":{"url":"'$SLACK_WEBHOOK_URI'"},
                "smtpConfig":null,
                "webhookConfig":null,
                "wechatConfig":null}'

            echo "Retrieve and Apply Manifests"
            kubectl apply -f "https://$RANCHER_URI/v3/import/$CLUSTER_TOKEN.yaml"
        env:
          - name: RANCHER_URI
            value: "x.x.x.x.x.x"
          - name: CLUSTER_NAME
            valueFrom:
              configMapKeyRef:
                name: cluster-name
                key: CLUSTER_NAME
          - name: RANCHER_USER
            valueFrom:
              secretKeyRef:
                name: rancher-credentials
                key: RANCHER_USER
          - name: RANCHER_PASS
            valueFrom:
              secretKeyRef:
                name: rancher-credentials
                key: RANCHER_PASS
          - name: SLACK_WEBHOOK_URI
            value: https://hooks.slack.com/services/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

在一个较高的层次上，这个workflow本质上是将一个脚本作为一个pod在我们的集群中运行，并允许它使用某些变量。

• 登录到Rancher API

• cURL，一个Rancher API令牌，使用TinyTools

• 将Rancher server的URL设置为一个变量。

• 提取集群ID

• 检索和应用manifest

接下来，我们要把workflow cd到目录中，然后运行：

argo submit -n argo workflow.yaml

你可以看到workflow在你的集群中配置一个名为cluster-up的pod，它将会与Rancher连接：

总结：为什么要在边缘自动执行任务

现在你已经了解了如何使用k3OS和Argo进行自动化边缘部署，让我们来讨论一下为什么这种类型的自动化如此重要。在为工业物联网(IIOT)等业务启动物理机器时，自动化这些任务是有益的，与机器交互的人是硬件技术人员，而不是云工程师。

在边缘，往往物理机器的配置是很费力的——但不应该一次只配置一台。通过这种方法，技术人员可以简单地插入类似USB的东西，它会启动一个ISO，然后运行一个脚本来启动机器的配置，然后注册到控制平面。