在 K8s 上运行 GraphScope

2022 年 4 月 13 日
本文字数：4445 字
阅读完需：约 15 分钟

本文将详细介绍：1) 如何基于 Kubernetes 集群部署 GraphScope ; 2) 背后的工作细节; 3) 如何在分布式环境中使用自己构建的 GraphScope 开发镜像。

上篇文章介绍了 GraphScope 可以很容易在单机环境下进行部署。然而在真实的工业场景中，需要处理的图数据规模十分巨大，已远远超过了单机的处理能力。因此除单机部署方式外，借助 vineyard 提供的分布式内存数据管理能力，GraphScope 也支持在 Kubernetes 集群上运行。

前置准备

在开始之前，请确保当前环境满足下述条件之一：

Linux 系统：ubuntu18.04+ 或 centos7+；
macOS (Big Sur) 11.2.1+。

以及具备以下依赖:

Docker
kubectl
一套可用的 K8s 环境，可以是
一个 K8s 集群
或者是 kind/minikube 之类的单机模拟集群的工具

由于 minikube 在服务暴露上与 Kubernetes 不兼容，因此本文以 Kind[1] 为例，介绍如何在本地单机构建一个虚拟 Kubernetes 集群并做部署。如果想搭建一个真实的多节点集群，可以参照 K8s 官方支持的文档[2]搭建；如果你不想手动管理一个 Kubernetes 集群，也可以选择一个经过认证的平台来托管部署服务，如 Aliyun ACK[3] 、AWS EKS[4] 等。

如果已经满足依赖并安装完 kind 之后，首先通过以下命令初始化一个本地虚拟集群：

$ kind create cluster

复制代码

如果你不想手动逐个安装依赖，也可以使用 GraphScope 提供的脚本，来安装需要的依赖并初始化虚拟集群：

$ wget -O - https://raw.githubusercontent.com/alibaba/GraphScope/main/scripts/install_deps.sh | bash -s -- --k8s

复制代码

脚本的执行过程会安装所需依赖并尝试检测通过 Kind 拉起 Kubernetes 集群。如果你选择不使用 Kind，也可以使用社区支持的其它工具[5]搭建 Kubernetes 群集。

完成本地虚拟化集群的拉起后，我们可以运行如下命令来查看 Kubernetes 配置是正确的：

$ kubectl get nodes
NAME    STATUS   ROLES    AGE    VERSION\node1    Ready    <none>   5d9h   v1.22.3-aliyun.1

复制代码

如果上述命令报错，则说明集群并未准备就绪。请参考 Kubernetes 相关文档[6] 查看问题。

为了完整运行下文中的示例，你还需要在本机上安装 GraphScope Python 客户端。

pip3 install graphscope

复制代码

通过 Python 进行集群部署

GraphScope 以 docker 镜像的方式发布引擎组件。默认情况下，如果运行 GraphScope 的机器不存在对应镜像，则会拉取当前版本的最新镜像，因此，请确保你的集群可以正常访问公共镜像仓库。

会话(session)[7] 作为 GraphScope 在客户端的入口，它管理着 GraphScope 背后的一组资源，并允许用户操作这组资源上 GraphScope 引擎的各个组件。接下来，我们可以通过会话(session) 在 Kubernetes 集群上创建一个拥有两个 Worker 节点的 GraphScope 实例：

>>> import graphscope\>>> sess = graphscope.session(num_workers=2)\>>> print(sess)\{'status': 'active', 'type': 'k8s', 'engine_hosts': 'gs-engine-jlspyc-6k8j7,gs-engine-jlspyc-mlnvb', 'namespace': 'gs-xxwczb', 'session_id': 'session_narhaktn', 'num_workers': 2}

复制代码

第一次部署可能会拉取镜像，因此需要等待一段时间。部署成功后，我们可以看到当前sess的状态，以及本次实例所属的命名空间[8]等。

在命令行窗口，我们可以通过 kubectl get 命令查看当前 GraphScope 实例拉起的组件：

# 查看拉起的 Pod$ kubectl -n gs-xxwczb get podNAME                                  READY   STATUS    RESTARTS   AGEcoordinator-jlspyc-6d6fd7f747-9sr7x   1/1     Running   0          8m27sgs-engine-jlspyc-6k8j7                2/2     Running   0          8m23sgs-engine-jlspyc-mlnvb                2/2     Running   0          8m23sgs-etcd-jlspyc-0                      1/1     Running   0          8m24s
# 查看拉起的 Service$ kubectl -n gs-xxwczb get serviceNAME                         TYPE        CLUSTER-IP       EXTERNAL-IP   PORT(S)               AGEcoordinator-service-jlspyc   NodePort    172.16.137.185   <none>        59050:32277/TCP       8m55sgs-etcd-jlspyc-0             ClusterIP   172.16.208.134   <none>        57534/TCP,58955/TCP   8m51sgs-etcd-service-jlspyc       ClusterIP   172.16.248.69    <none>        58955/TCP             8m52s

复制代码

Session 启动各组件的流程

Session 启动流程

如上图所示，在这个 sess = graphscope.session(num_workers=2) 语句背后，GraphScope 拉起各个组件的流程如下：

① 默认情况下，当创建会话(session)时，该方法会为此后使用的每个 Kubernetes 对象，包括 Pod，Role 等创建一个单独的命名空间。当用户关闭会话(session)时，整个命名空间都会被删除。
② 命名空间创建完成后，后续的拉起过程是通过默认的服务账号[9]使用 Kubernetes API 完成的，由于默认的服务账号不具备读取 Pod 的权限，因此我们在客户端创建命名空间后，在对应的命名空间内使用 RBAC API 创建了一个具备操作 Pod、ReplicaSet 等对象的角色[10]，此后将其绑定到默认服务账号中。这使得 GraphScope 创建的容器可以访问所属命名空间下的其他 kubernetes 对象。
③ 之后客户端会拉起 Coordinator Pod，作为 GraphScope 后端服务的总入口，通过 GRPC 与客户端通信，并管理着图分析引擎(GAE)、图查询引擎(GIE)，图学习引擎(GLE)的生命周期。
④ Coordinator Pod 拉起后，会根据客户端传入的会话(session)参数，在当前命名空间下拉起服务端组件，包括 1) 一组运行 Etcd 的 Pod，负责图数据元信息的同步；2) 一组运行图计算引擎和 Vineyard 容器的 ReplicaSet 对象。
⑤ 最后，GraphScope Coordinator 使用 Kubernetes Service[11] 对外(客户端)暴露服务，目前支持 NodePort 和 LoadBalancer 两种模式，具体的配置细节可参考下面的参数详情。

Session 的参数

Session 可以接收一系列参数用于定制集群的配置。例如，k8s_gs_image 参数可以定义引擎 Pod 使用的镜像、timeout_seconds 参数定义创建集群的超时时间等，一些常用参数的含义、默认值如下，全部参数细节可参考文档[12]。

在上述参数中，通常需要注意的是 k8s_service_type，你可以参考以下介绍选择适合你的服务类型：

NodePort 类型作为将外部流量导入 Kubernetes 服务最原始的方式，正如其名字所示，它会在对应 Kubernetes 节点上开放一个特定端口 (范围 30000 ~ 32767)，任何发送到该端口的流量均会转发给对应的服务 (即 GraphScope 中的 Coordinator 服务)，因此如果使用 NodePort 类型，请确保 Python 客户端所在的机器可与 Kubernetes 集群节点进行通信；
LoadBalancer 类型是暴露服务到 Internet 的标准方式，但是目前默认部署的 Kubernetes 集群通常不具备 LoadBalancer 的能力，你需要自己手动部署，可以参考 METALLB[13]。此外，诸如 Aliyun ACK 或 AWS EKS 等经过认证的平台通常直接提供 LoadBalancer 的能力，此时也要注意该方式下的 GraphScope 会为每一个实例请求 LoadBalancer 分配一个单独的 IP 地址，这个过程是收费的。

离线部署

基于 Kubernetes 离线部署 GraphScope 涉及两部分：服务端和客户端部分。

服务端: GraphScope 的服务端部分包含 Etcd 镜像和引擎镜像，其中引擎镜像部分默认会使用 registry.cn-hongkong.aliyuncs.com/graphscope/graphscope 中的镜像，并且每个 GraphScope 发布的版本均会包含一个镜像，例如 v0.11.0 版本对应的镜像是 registry.cn-hongkong.aliyuncs.com/graphscope/graphscope:0.11.0 ，因此若想离线部署 GraphScope，只需要满足相关 Kubernetes 节点存在对应版本的镜像即可，镜像地址如下：

引擎镜像: registry.cn-hongkong.aliyuncs.com/graphscope/graphscope:0.11.0
Etcd 镜像: quay.io/coreos/etcd:v3.4.13

具体的，你可以在有网的环境预下载对应镜像，通过 scp 等命令传到集群并载入，命令参考如下：

# 有网环境 下载镜像docker pull registry.cn-hongkong.aliyuncs.com/graphscope/graphscope:0.11.0
# 通过 docker save 命令将镜像压缩成文件docker save registry.cn-hongkong.aliyuncs.com/graphscope/graphscope:0.11.0 > gs0.11.0.image
# 传输文件到集群scp gs0.11.0.image <host>:</path/gs0.11.0.image>
# 通过 docker load 命令在集群上载入镜像docker load < gs0.11.0.image

复制代码

同样 Etcd 镜像也可以用使用该方式进行预导入。

客户端: 你可以直接通过 PYPI[14] 选择你需要 GraphScope 客户端并下载对应环境的 whl 包。下载完成后，通过如下命令安装:

pip3 install ./graphscope_client-0.11.0-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl

复制代码

构建自定义开发镜像

上面提到，每个 GraphScope 发布的版本均会包含一个镜像，而如果你希望从源码构建一个镜像，可以使用如下命令:

$ git clone https://github.com/alibaba/GraphScope.git && cd GraphScope$ make graphscope-imagebuild graphscope/graphscope:<GIT_SHORT_SHA>

复制代码

此时一个使用当前代码空间 Git Commit 信息作为标签的 Docker 镜像将被构建出来。接下来便可以通过 k8s_gs_image 参数使用该镜像。

>>> import graphscope>>> sess = graphscope.session(k8s_gs_image='graphscope/graphscope:<GIT_SHORT_SHA>')

复制代码

结语

作为一款可在云原生环境下高效地处理超大规模数据的图计算引擎，本文重点介绍了如何基于 Kubernetes 环境部署 GraphScope，同时，本文也详细介绍了 GraphScope 在 Kubernetes 上部署的背后细节，以及如何构建并运行自定义镜像。此外 GraphScope 也支持以 Helm[15] 的方式进行部署，届时可以允许客户端连接到一个已经部署好的服务，我们也会在后续的文章中详细介绍这一部分。最后真诚的欢迎大家使用 GraphScope ，并反馈遇到的任何问题。