Go动态感知资源变更的技术实践,你指定用过!

最近在倒腾"AI大模型基础设施", 宏观目标是做一个基于云原生的AI算力平台,目前因公司隐私暂不能公开宏观背景和技术方案, 姑且记录实践中遇到的一些技能点。

前文已经记录了第1步: 使用arena 提交训练任务的实践。

今天我们记录聊一聊平台侧另一个核心能力:

动态纳管云原生k8s集群,并监听AI/ML训练任务的状态变化。也就是上图的第4步。


作为面向算法开发者的云原生saas平台,平台在界面上提供了纳管集群的交互入口,平台启动后会去监听pytorch,mpi训练任务的状态变更,并回显到界面(并给开发者发送飞书变更通知)。

本文核心关注:

  • 如何动态纳管k8s集群
  • 如何重建k8s informer监听

这里我提供我的实践, 请看下图:

  1. 程序启动,加载初始k8s集群,informer监听训练任务状态,并绑定informer停止信号(stopCh)、重建信号(rebuildCh)

    package main

    import "k8s.io/client-go/rest"

    type StartInformerFunc func(clusterId string, restConf *rest.Config) (stopCh chan struct{}, err error)
    type InformerManager struct {
    clusterConfigs map[string]string
    gvr map[string]StartInformerFunc
    stopCh chan struct{} // informer 需要用到
    rebuildCh chan struct{}
    }

    var InformerManagerInstance *InformerManager

    func NewInFormerManager() *InformerManager {
    InformerManagerInstance = &InformerManager{
    clusterConfigs: map[string]string{
    "id1": "kubeconfig1",
    "id2": "kubeconfig2",
    },
    gvr: map[string]StartInformerFunc{
    "pytorchjob": startPytorchjobInformer,
    "mpijob": startMpijobInformer,
    "job": startRawjobInformer,
    },
    stopCh: make(chan struct{}),
    rebuildCh: make(chan struct{}, 1),
    }
    return InformerManagerInstance
    }

  2. 开协程定时任务去轮循落盘的待纳管k8s集群记录

  3. 考虑纳管的k8s集群数据可控,变更时机可控,采用md5校验的方式判断是否发生集群变更

下面的k8s.CheckClusterChanged(mgr.clusterConfigs) 是利用对kube-configs做md5, 前后对比判断集群是否发生变更。

复制代码
func (mgr *InformerManager) monitorcLusterChanged() bool {
	ticker := time.NewTicker(30 * time.Second)
	defer ticker.Stop()
	for {
		select {
		case <-ticker.C:
			if k8s.CheckClusterChanged(mgr.clusterConfigs) {
				fmt.Println("cluster changed")
				mgr.rebuildCh <- struct{}{}
			} else {
				fmt.Println("cluster no change")
			}
		case <-mgr.rebuildCh:
			fmt.Println("rebuild informer")
			mgr.clusterConfigs = k8s.GetInitclusters()
			for k, v := range mgr.clusterConfigs {
				rc, err := k8s.ConvertToRestConfig([]byte(v))
				if err != nil {
					fmt.Println("convert to rest config failed")
					continue
				}
				for gvr, StartInformerFunc := range mgr.gvr {
					go func(k string, rc *rest.Config) {
						newStopch, err := StartInformerFunc(k, rc)
						if err != nil {
							return
						}
						if mgr.stopCh != nil {
							close(mgr.stopCh)
						}
						mgr.stopCh = newStopch
						fmt.Printf("%s informer started for cluster %s  \n", gvr, k)
					}(k, rc)
				}
			}
		}
	}
}
  1. 利用简单的链表指针,重置informer监听信道

    func (mgr *InformerManager) Run() {
    for k, v := range mgr.clusterConfigs {
    rc, err := k8s.ConvertToRestConfig([]byte(v))
    if err != nil {
    fmt.Println("failed to convert kubeconfig to rest config")
    continue
    }
    for gvr, StartInformerFunc := range mgr.gvr {
    go func(k string, rc *rest.Config) {
    newStopch, err := StartInformerFunc(k, rc)
    if err != nil {
    return
    }
    if mgr.stopCh != nil {
    close(mgr.stopCh)
    }
    mgr.stopCh = newStopch
    fmt.Printf("start %s informer for cluster %s \n", gvr,k)
    }(k, rc)
    }
    go mgr.monitorClusterChanged()
    }
    }


本文记录了使用定时任务感知资源变更,并利用golang信道作为变更信号的姿势,可作为golang中动态感知资源变化的常规技能实践。