您是否听说过 Argo Rollouts 项目？
这个项目旨在给 Kubernetes 的 Deployment 添加蓝绿部署和金丝雀发布等功能。

具体来说，将使用新创建的Rollout资源，而不是Deployment资源，因为它们的定义非常相似，可以通过简单修改实现上述各种多样的部署方式。

在本文中，我们将介绍于2019年11月发布的v0.6.0版本中新增的实验功能-Experiments。

我在KubeCon NA 2019的”Leveling Up Your CD: Unlocking Progressive Delivery on Kubernetes”演讲中了解到这个功能，觉得很有意思，所以决定深入研究并选择这个作为本次的主题。

※本文是作为Z实验室工作的一部分撰写的。

实验是一种科学方法，用于收集数据和验证假设。

Experiments是一种机制，能够部署多个ReplicaSet并对生成的Pod执行一些分析。
用户可以通过创建一个被CRD定义的资源，名为Experiments，来指示执行这些分析。

被考虑的使用案例

• 2つのバージョンのアプリケーションを一定時間デプロイし、その後Kayantaのようなツールで2つのバージョンのメトリクスの違いなどを分析します。

• A/B/Cと異なるバージョンを長い間同時に実行し続けます。

新しいアプリケーションを別のラベルで立ち上げます。これにより新しいバージョンのアプリケーションにはServiceによるロードバランスがされず、静かな環境でテストを実施することができます。

行动的状态

我将在GitHub上尝试一下这个示例。

以下是「实验」的定义。我在下面进行了内联解释。

apiVersion: argoproj.io/v1alpha1
kind: Experiment  # Experimentリソースです。
metadata:
  name: experiment-with-analysis # 名前です。なんでも良いです。
spec:
  templates: # ここはDeploymentのためのTemplateです。 実験したいバージョン分だけ配列を続けます
  - name: purple # 1つ目のDeploymentです
    selector:
      matchLabels:
        app: rollouts-demo
    template: # ここはPodのためのTemplateです
      metadata:
        labels:
          app: rollouts-demo
          v: purple
      spec:
        containers:
        - name: rollouts-demo
          image: argoproj/rollouts-demo:purple # ここでバージョン指定です。ここだけがもう一つと違います。
          imagePullPolicy: Always
  - name: orange # 2つ目のDeploymentです
    selector:
      matchLabels:
        app: rollouts-demo
    template:
      metadata:
        labels:
          app: rollouts-demo
          v: orange
      spec:
        containers:
        - name: rollouts-demo
          image: argoproj/rollouts-demo:orange # ここでバージョン指定です。ここだけがもう一つと違います。
          imagePullPolicy: Always
  analyses: # 試したい分析の数だけ続きます。今回は2つの分析を登録しています。
  - name: pass
    templateName: pass # 分析の方法を参照しています。定義は別途紹介。
  - name: random
    templateName: random-fail # 分析の方法を参照しています。定義は別途紹介。

实验是一个资源，它包含了与部署非常相似的资源列表和分析任务的列表。
每个列表表示了分析的工作负载和对应的分析任务。

以下是一份绝对会成功的分析报告。

kind: AnalysisTemplate
apiVersion: argoproj.io/v1alpha1
metadata:
  name: pass
spec:
  metrics:
  - name: pass
    interval: 5s
    failureLimit: 1
    provider:
      job:
        spec:
          template:
            spec:
              containers:
              - name: sleep
                image: alpine:3.8
                command: [sh, -c]
                args: [exit 0]
              restartPolicy: Never
          backoffLimit: 0

以下是随机失败的Analysys。

kind: AnalysisTemplate
apiVersion: argoproj.io/v1alpha1
metadata:
  name: random-fail
spec:
  metrics:
  - name: random-fail
    interval: 5s
    failureLimit: 1
    provider:
      job:
        spec:
          template:
            spec:
              containers:
              - name: sleep
                image: alpine:3.8
                command: [sh, -c]
                args: [FLIP=$(($(($RANDOM%10))%2)) && exit $FLIP]
              restartPolicy: Never
          backoffLimit: 0

在这个示例中，我们定义了两个无用的Analysis，但通过将这部分转化为Curl或http基准测试脚本，我们可以进行有用的分析。
除了我们介绍的两个提供者job之外，还可以指定其他提供者如prometheus或Kayenta。

如果使用 Prometheus，您可以使用 PromQL 来定义条件。此外，Kayenta 是一个专门的分析工具，可以在之前版本和金丝雀发布版本之间进行指标比较，以判断是否存在异常情况。这看起来非常有用。

(↑ 目前仓库中尚未有prometheus的示例，但KubeCon NA 2019的演讲资料中列举了类似上图的示例。这个示例同时使用PromQL进行分析，并接受来自名为args的工作负载的可指定参数。)

现在，让我们将上述清单部署到集群中，并观察情况。

首先，部署 Argo Rollout 自身。

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

为了可视化检查 Experiments 的状态，我们将安装一个 kubectl 插件。

$ curl -LO https://github.com/argoproj/argo-rollouts/releases/download/v0.6.0/kubectl-argo-rollouts-darwin-amd64
$ chmod +x ./kubectl-argo-rollouts-darwin-amd64
$ sudo mv ./kubectl-argo-rollouts-darwin-amd64 /usr/local/bin/kubectl-argo-rollouts

（参考链接：https://argoproj.github.io/argo-rollouts/features/kubectl-plugin/）

接下来，我们将部署之前介绍的实验和分析模板（Experiments, AnalysisTemplate）。

过了一段时间后，我会使用kubectl来确认情况。

在实验中，它已经以“Failed”状态停止。进一步观察可以发现，experiment-with-analysis-random已经失败了两次。而experiment-with-analysis-pass则在两次尝试中都取得了成功。

我们可以得知由于存在超过规定次数的失误分析，导致实验目标的部署结束了。

我已经确认按照Experiment资源中所述的方式运行工作负载，并进行指定的分析，并且结果被记录下来了。

总结

我测试了 Argo Rollouts 的新功能 Experiments。
Experiments 主要进行多版本的部署和相应的测试。虽然手动逐个执行Deployment或Job也能实现相同的功能，但使用 Experiments 可以以”声明式”的方式进行测试，这是一个优点。

此次没有介绍，但是可以在Argo Rollouts的主要功能之一的Blue/Green部署或者Canary部署的前阶段执行Experiments，因此可以在生产环境中进行操作测试，如果没有问题，就可以部署新版本。我认为Experiments在这种情况下非常有用，可以实现带有逻辑的部署，例如展开。特别是通过使用Kayenta来对之前的工作负载和新的工作负载进行综合比较，以判断是否与之前有所不同，这种测试方法将会流行起来吗？这是我感到的。

我原本想尝试与Kayenta的合作，但是找不到简单的部署步骤，所以放弃了。如果有人能试一下并告诉我该怎么做，我会很感激。