Kubernetes集群中的网络

川长思鸟来 2022-09-30 13:55 204阅读 0赞

本文从一个服务的不同访问方式入手，分析了Kubernetes集群中的[网络][Link 1]组成，也给出了一个简单可行的网络性能评估方案。

> 本文适合对虚拟网桥、iptables以及Kubernetes的相关概念有了解的读者。
> 
> 另外Service-Pod流量转发时提到”iptables转发”，严格说措辞不准确，因为iptables仅负责用数据库维护了Kernel中Netfilter的hook，这样表述是为了便于理解。

另外，本文也希望为以下几个问题找出明确的答案：

*  Service-Pod之间转发流量时，kube-proxy是否承担流量转发？kube-proxy的转发机制是怎么样的？
 *  Service-Pod之间（Service对应多个Pod时）的负载均衡的实现原理是怎么样的？是用kube-proxy来做负载均衡吗？

## Kubernetes网络组成分析 ##

从不同访问方式的数据流上看，一个Kubernetes集群的网络可以划分为2部分：

*  Kubernetes网络模型实现：如Overlay Network（第三方实现中有Flannel，Contiv等）
 *  集群IP（Cluster IP），用以集群内服务发现，DNS解析等

> 本节中的试验集群使用Flannel搭建Overlay Network，其他的解决方案没有本质区别。

为了说明Kubernetes集群网络，下面来部署一个Nginx服务，同时部署了2个Pod：

$ kubectl create -f https://raw.githubusercontent.com/yangyuqian/k8s-the-hard-way/master/assets/nginx.yaml
    
    deployment "nginx-deployment" created
    service "nginx-service" created

可以直接在主机上用[Pod][]的IP来访问对应的Pod：

$ kubectl get pod --selector="app=nginx" -o jsonpath='{ .items[*].status.podIP }'
    
    172.30.40.3 172.30.98.4
    
    $ curl 172.30.40.3:80
    ...
    
    $ curl 172.30.98.4:80
    ...

> 注意：下面“在集群内”的命令都需要attach到一个Pod里面才可以执行。

也可以在集群内，使用Cluster IP来访问服务：

$ kubectl get services
    NAME            CLUSTER-IP       EXTERNAL-IP   PORT(S)                               AGE
    kubernetes      10.254.0.1       <none>        443/TCP                               1d
    nginx-service   10.254.126.60    <none>        8000/TCP                              9m
    
    $ kubectl run --rm -it curl --image="docker.io/appropriate/curl" sh
    
    $ curl 10.254.126.60:8000
    ...

如果部署了DNS服务，那么还可以通过集群内的域名来访问对应的服务：

$ curl nginx-service:8000
    ...

图1 上面例子的网络图解（采用Flannel来搭建Overlay Network）

![20170312111354][]

### 总结 ###

[Service][]到Pod的流量完全在本机网络中完成，简单而不失高效。

kube-proxy并不承担实际的流量转发工作，实际上，它会从kube-apiserver动态拉取最新的应用与服务状态信息，并更新本机上的iptable规则. 即使把kube-proxy停掉，已经生成的规则还是可用的。

Service对多个Pod进行流量转发时，采用iptable规则来进行负载均衡，上面的例子中，iptable会在两个Pod中进行分别50%概率的流量转发。

## 性能评估 ##

集群拓扑结构：

> 测试集群采用Digital Ocean上2台VPS，用Flannel搭建Overlay Network，使用vxlan backend, 默认mtu配置。
> 
> 这里旨在提供一种网络性能的评估方案，评估结果只能说明当前实验环境下的Flannel网络性能。

![20170312111406][]

分别对下面3种网络访问方式，使用qperf做TCP和UDP的带宽和延迟测试：

1.  节点之间
2.  Pod-Pod之间
3.  Pod-Service-Pod

### 实验 1 节点之间 ###

Node 1上启动qperf server：

$ qperf

Node 2上测试直接访问性能：

$ qperf -v ${
       node1_ip} tcp_bw tcp_lat udp_bw udp_lat conf
    
    tcp_bw:
    bw              =   331 MB/sec
    msg_rate        =  5.05 K/sec
    send_cost       =   451 ms/GB
    recv_cost       =  2.05 sec/GB
    send_cpus_used  =    15 % cpus
    recv_cpus_used  =    68 % cpus
    tcp_lat:
    latency        =   125 us
    msg_rate       =  7.99 K/sec
    loc_cpus_used  =    14 % cpus
    rem_cpus_used  =    14 % cpus
    udp_bw:
    send_bw         =  2.43 GB/sec
    recv_bw         =   132 MB/sec
    msg_rate        =  4.03 K/sec
    send_cost       =   302 ms/GB
    recv_cost       =  4.05 sec/GB
    send_cpus_used  =  73.5 % cpus
    recv_cpus_used  =  53.5 % cpus
    udp_lat:
    latency        =   113 us
    msg_rate       =  8.84 K/sec
    loc_cpus_used  =    11 % cpus
    rem_cpus_used  =     9 % cpus
    conf:
    loc_node   =  kube-minion-2
    loc_cpu    =  Intel Xeon E5-2650L v3 @ 1.80GHz
    loc_os     =  Linux 3.10.0-514.6.1.el7.x86_64
    loc_qperf  =  0.4.9
    rem_node   =  kube-minion-1
    rem_cpu    =  Intel Xeon E5-2650L v3 @ 1.80GHz
    rem_os     =  Linux 3.10.0-514.6.1.el7.x86_64
    rem_qperf  =  0.4.9

### 实验 2 Pod-Pod之间 ###

部署qperf-server：

$ kubectl create -f https://raw.githubusercontent.com/yangyuqian/k8s-the-hard-way/master/assets/qperf-server.yaml

测试Pod-Pod之间网络：

$ podip=`kubectl get pod --selector="k8s-app=qperf-server" -o jsonpath='{ .items[0].status.podIP }'`
    $ kubectl run qperf-client -it --rm --image="arjanschaaf/centos-qperf" -- -v $podip -lp 4000 -ip 4001  tcp_bw tcp_lat udp_bw udp_lat conf
    
    bw              =    170 MB/sec
        msg_rate        =   2.59 K/sec
        port            =  4,001
        send_cost       =   3.07 sec/GB
        recv_cost       =   3.27 sec/GB
        send_cpus_used  =     52 % cpus
        recv_cpus_used  =   55.5 % cpus
    tcp_lat:
        latency        =    154 us
        msg_rate       =    6.5 K/sec
        port           =  4,001
        loc_cpus_used  =     16 % cpus
        rem_cpus_used  =     17 % cpus
    udp_bw:
        send_bw         =   2.93 GB/sec
        recv_bw         =   42.9 MB/sec
        msg_rate        =   1.31 K/sec
        port            =  4,001
        send_cost       =    341 ms/GB
        recv_cost       =   17.1 sec/GB
        send_cpus_used  =    100 % cpus
        recv_cpus_used  =   73.5 % cpus
    udp_lat:
        latency        =    170 us
        msg_rate       =   5.87 K/sec
        port           =  4,001
        loc_cpus_used  =     17 % cpus
        rem_cpus_used  =   22.5 % cpus
    conf:
        loc_node   =  qperf-client-2392635233-sbwff
        loc_cpu    =  Intel Xeon E5-2650L v3 @ 1.80GHz
        loc_os     =  Linux 3.10.0-514.6.1.el7.x86_64
        loc_qperf  =  0.4.9
        rem_node   =  qperf-server-rmjd8
        rem_cpu    =  Intel Xeon E5-2650L v3 @ 1.80GHz
        rem_os     =  Linux 3.10.0-514.6.1.el7.x86_64
        rem_qperf  =  0.4.9

### 实验 3 Service-Pod之间 ###

部署qperf-server：

$ kubectl create -f https://raw.githubusercontent.com/yangyuqian/k8s-the-hard-way/master/assets/qperf-server.yaml

测试Pod – Service – Pod网络：

$ kubectl run qperf-client -it --rm --image="arjanschaaf/centos-qperf" -- -v qperf-server -lp 4000 -ip 4001  tcp_bw tcp_lat udp_bw udp_lat conf
    
    tcp_bw:
    bw              =    217 MB/sec
    msg_rate        =   3.31 K/sec
    port            =  4,001
    send_cost       =   1.38 sec/GB
    recv_cost       =   3.11 sec/GB
    send_cpus_used  =     30 % cpus
    recv_cpus_used  =   67.5 % cpus
    tcp_lat:
    latency        =    157 us
    msg_rate       =   6.38 K/sec
    port           =  4,001
    loc_cpus_used  =     15 % cpus
    rem_cpus_used  =   14.5 % cpus
    udp_bw:
    send_bw         =   1.28 GB/sec
    recv_bw         =   7.83 MB/sec
    msg_rate        =    239 /sec
    port            =  4,001
    send_cost       =    693 ms/GB
    recv_cost       =   69.6 sec/GB
    send_cpus_used  =     89 % cpus
    recv_cpus_used  =   54.5 % cpus
    udp_lat:
    latency        =    140 us
    msg_rate       =   7.12 K/sec
    port           =  4,001
    loc_cpus_used  =   17.5 % cpus
    rem_cpus_used  =     11 % cpus
    conf:
    loc_node   =  qperf-client-3660233240-w0nq9
    loc_cpu    =  Intel Xeon E5-2650L v3 @ 1.80GHz
    loc_os     =  Linux 3.10.0-514.6.1.el7.x86_64
    loc_qperf  =  0.4.9
    rem_node   =  qperf-server-rmjd8
    rem_cpu    =  Intel Xeon E5-2650L v3 @ 1.80GHz
    rem_os     =  Linux 3.10.0-514.6.1.el7.x86_64
    rem_qperf  =  0.4.9

### 评估结论 ###

使用Flannel vxlan backend前提下，采用默认mtu配置，Overlay Network的转发延迟在微妙量级，带宽有一定影响（减半）。

原文：[https://www.kubernetes.org.cn/1712.html][https_www.kubernetes.org.cn_1712.html]

[Link 1]: https://www.kubernetes.org.cn/tags/%E7%BD%91%E7%BB%9C
[Pod]: https://www.kubernetes.org.cn/tags/pod
[20170312111354]: /images/20220705/e78ce076764b4e44a45578fee1ea7d9d.png
[Service]: https://www.kubernetes.org.cn/tags/service
[20170312111406]: /images/20220705/480b01899b0940a8867fd4d7700c67da.png
[https_www.kubernetes.org.cn_1712.html]: https://www.kubernetes.org.cn/1712.html