k8s 蓝绿发布、滚动发布、灰度发布

在Kubernetes(k8s)中,蓝绿发布、滚动发布、灰度发布(金丝雀发布)是三种常见的应用部署和更新策略。下面将分别对这几种发布方式进行说明,并给出相应的例子。

蓝绿发布

 

蓝绿发布是一种无缝切换版本的部署策略。它通过在生产环境中同时运行两个相同版本的应用程序实例(蓝色环境和绿色环境),使得新版本的应用可以在不影响旧版本的情况下进行部署和测试。当新版本经过验证并准备好切换时,流量将被重定向到新环境(绿色),同时旧环境(蓝色)被移除或停止。

步骤

  1. 准备两个相同的环境:蓝色环境和绿色环境。这两个环境应该具有相同的配置和基础设施。
  2. 在蓝色环境中部署当前的应用程序版本。
  3. 在绿色环境中部署新的应用程序版本。
  4. 配置K8s Ingress以将部分流量路由到绿色环境,进行新版本测试。
  5. 如果新版本表现良好,逐步增加流量比例,直到将所有流量都切换到绿色环境。
  6. 移除或停止蓝色环境中的旧版本。

优点

  1. 易于设置:蓝绿发布策略相对简单,只需维护两个环境(蓝色和绿色),便于部署和切换。
  2. 流量完全受控:通过调整路由规则,可以轻松控制流量在新旧版本之间的切换,实现零停机时间更新。
  3. 降低风险:由于新版本在切换前已经过充分测试,因此可以降低生产环境出现问题的风险。

缺点

  1. 维护成本高:需要同时维护两个相同的环境,增加了资源消耗和维护成本。
  2. 回滚速度可能较慢:在出现问题时,虽然可以回滚到旧版本,但由于需要切换环境,回滚速度可能相对较慢。

滚动发布

 

滚动发布是按批次停止老版本实例,启动新版本实例的发布方式。这种方式可以节约资源,但部署和回滚速度较慢。

步骤

  1. 假设有一个包含3个副本的Deployment,当前版本为v1。
  2. 更新Deployment的版本为v2,并设置滚动更新策略。
  3. K8s将开始滚动更新,逐个替换v1版本的Pod为v2版本。
  4. 在滚动更新过程中,可以监控新版本的性能和稳定性。
  5. 如果出现问题,可以暂停滚动更新,回滚到旧版本。

优点

  1. 节约资源:滚动发布可以逐步替换旧版本实例,无需同时运行两个完整版本的应用,从而节约资源。
  2. 灵活性高:滚动发布过程中可以暂停、继续或回滚更新操作,提供了较高的灵活性。
  3. 用户体验好:由于更新是逐步进行的,对用户的影响较小,可以保持较高的可用性。

缺点

  1. 部署和回滚速度慢:滚动发布需要逐个替换实例,因此部署和回滚速度相对较慢。
  2. 复杂性高:滚动发布过程中需要监控新版本实例的性能和稳定性,增加了复杂性。

灰度发布(金丝雀发布)

 

灰度发布(又称金丝雀发布)是一种逐步将流量从旧版本迁移到新版本的发布方式。它通常先安排一小部分的用户流量去访问更新的Pod来进行测试,如果测试没问题后再扩大比例,直到全部更新完成为止。

步骤

  1. 创建一个包含旧版本应用的Deployment和Service。
  2. 更新Deployment的版本,并配置暂停Deployment,以便进行金丝雀测试。
  3. 将一小部分流量路由到新版本的Pod,观察其性能和稳定性。
  4. 如果新版本表现良好,逐步调整流量权重比例,使得流量慢慢从旧版本迁移至新版本。
  5. 在迁移过程中,可以根据设置的流量比例对新版本服务进行扩容,同时对旧版本服务进行缩容。
  6. 当所有流量都迁移到新版本后,删除旧版本的Deployment和Service。

金丝雀发布的特别说明

  • 金丝雀发布的思想是将少量的请求引流到新版本上,因此部署新版本服务只需极小数的机器。
  • 验证新版本符合预期后,逐步调整流量权重比例,使得流量慢慢从老版本迁移至新版本。
  • 在金丝雀发布中,将流量分流到新旧版本的这个过程被称为分阶段访问(Staged Access),也可以称为阶段性流量调度(Staged Traffic Shifting)。

优点

  1. 降低风险:通过逐步将流量切换到新版本应用,可以及时发现并修复潜在的问题,降低大规模故障的风险。
  2. 提高发布成功率:灰度发布允许在小范围内测试新版本,确保稳定后再全面推广,从而提高发布成功率。
  3. 用户体验影响小:由于只有部分用户会首先体验到新版本,因此对其他用户的影响较小。

缺点

  1. 自动化要求高:灰度发布需要自动化工具和流程来支持流量的逐步切换和监控。
  2. 发布期间需要人为操作:在某些情况下,灰度发布过程中可能需要人为干预和调整,增加了操作复杂度。
  3. 可能引发服务中断:如果新版本存在问题且未能及时发现,可能会引发服务中断或性能下降。

 

综上所述,蓝绿发布、滚动发布和灰度发布(金丝雀发布)各有优缺点,适用于不同的场景和需求。在实际应用中,应根据具体情况选择合适的发布策略。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/68369.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【R语言】数学运算

一、基础运算 R语言中能实现加、减、乘、除、求模、取整、取绝对值、指数、对数等运算。 x <- 2 y <- 10 # 求模 y %% x # 整除 y %/% x # 取绝对值 abs(-x) # 指数运算 y ^x y^1/x #对数运算 log(x) #log()函数默认情况下以 e 为底 双等号“”的作用等同于identical(…

DeepSeek学术写作测评第一弹:论文润色,中译英效果如何?

我是娜姐 迪娜学姐 &#xff0c;一个SCI医学期刊编辑&#xff0c;探索用AI工具提效论文写作和发表。 最近风很大的DeepSeek&#xff0c;持续火出圈&#xff0c;引起了硅谷AI圈的热议。很多学员让娜姐测评一下对于平时需要学术写作润色的论文党&#xff0c;效果究竟怎么样&…

MySQL常用数据类型和表的操作

文章目录 (一)常用数据类型1.数值类2.字符串类型3.二进制类型4.日期类型 (二)表的操作1查看指定库中所有表2.创建表3.查看表结构和查看表的创建语句4.修改表5.删除表 (三)总代码 (一)常用数据类型 1.数值类 BIT([M]) 大小:bit M表示每个数的位数&#xff0c;取值范围为1~64,若…

【数据结构】_C语言实现不带头非循环单向链表

目录 1. 链表的概念及结构 2. 链表的分类 3. 单链表的实现 3.1 SList.h头文件 3.2 SList.c源文件 3.3 Test_SList.c测试文件 关于线性表&#xff0c;已介绍顺序表&#xff0c;详见下文&#xff1a; 【数据结构】_顺序表-CSDN博客 本文介绍链表&#xff1b; 基于顺序表…

WPF进阶 | WPF 数据绑定进阶:绑定模式、转换器与验证

WPF进阶 | WPF 数据绑定进阶&#xff1a;绑定模式、转换器与验证 一、前言二、WPF 数据绑定基础回顾2.1 数据绑定的基本概念2.2 数据绑定的基本语法 三、绑定模式3.1 单向绑定&#xff08;One - Way Binding&#xff09;3.2 双向绑定&#xff08;Two - Way Binding&#xff09;…

【Android】布局文件layout.xml文件使用控件属性android:layout_weight使布局较为美观,以RadioButton为例

目录 说明举例 说明 简单来说&#xff0c;android:layout_weight为当前控件按比例分配剩余空间。且单个控件该属性的具体数值不重要&#xff0c;而是多个控件的属性值之比发挥作用&#xff0c;例如有2个控件&#xff0c;各自的android:layout_weight的值设为0.5和0.5&#xff0…

Qt中Widget及其子类的相对位置移动

Qt中Widget及其子类的相对位置移动 最后更新日期&#xff1a;2025.01.25 下面让我们开始今天的主题… 一、开启篇 提出问题&#xff1a;请看上图&#xff0c;我们想要实现的效果是控件黄色的Widge&#xff08;m_infobarWidget&#xff09;t随着可视化窗口&#xff08;m_glWidge…

[笔记] 极狐GitLab实例 : 手动备份步骤总结

官方备份文档 : 备份和恢复极狐GitLab 一. 要求 为了能够进行备份和恢复&#xff0c;请确保您系统已安装 Rsync。 如果您安装了极狐GitLab&#xff1a; 如果您使用 Omnibus 软件包&#xff0c;则无需额外操作。如果您使用源代码安装&#xff0c;您需要确定是否安装了 rsync。…

【统计的思想】假设检验(二)

假设检验是根据人为设定的显著水平&#xff0c;对被测对象的总体质量特性进行统计推断的方法。 如果我们通过假设检验否定了零假设&#xff0c;只是说明在设定的显著水平下&#xff0c;零假设成立的概率比较小&#xff0c;并不是说零假设就肯定不成立。如果零假设事实上是成立…

2025多目标优化创新路径汇总

多目标优化是当下非常热门且有前景的方向&#xff01;作为AI领域的核心技术之一&#xff0c;其专注于解决多个相互冲突的目标的协同优化问题&#xff0c;核心理念是寻找一组“不完美但均衡”的“帕累托最优解”。在实际中&#xff0c;几乎处处都有它的身影。 但随着需求场景的…

DeepSeek-R1试用

最近DeepSeek太火了&#xff0c;对配置要求不高。刚好放假&#xff0c;下载试试。发现开源大模型的生态做的挺好的&#xff0c;几分钟就能在本地部署一个大模型。 配置 NVIDIA RTX 2060 6GB&#xff08;最低要求 NVIDIA GTX 1060 6GB &#xff09; 下载Ollama Ollama是一个…

Android中Service在新进程中的启动流程2

目录 1、Service在客户端的启动入口 2、Service启动在AMS的处理 3、Service在新进程中的启动 4、Service与AMS的关系再续 上一篇文章中我们了解了Service在新进程中启动的大致流程&#xff0c;同时认识了与客户端进程交互的接口IApplicationThread以及与AMS交互的接口IActi…

计网week1+2

计网 一.概念 1.什么是Internet 节点&#xff1a;主机及其运行的应用程序、路由器、交换机 边&#xff1a;通信链路&#xff0c;接入网链路主机连接到互联网的链路&#xff0c;光纤、网输电缆 协议&#xff1a;对等层的实体之间通信要遵守的标准&#xff0c;规定了语法、语义…

windows下部署安装 ELK,nginx,tomcat日志分析

1.安装包 如上就是elk- windows下部署需要用到的安装包 &#xff08;ps:注意版本需要对应&#xff0c;另外es7版本对应是 jdk8&#xff0c;若更高版本 请自行查询版本对应号&#xff09;。 下载地址&#xff1a; Past Releases of Elastic Stack Software | Elastic 此地址可…

docker安装MySQL8:docker离线安装MySQL、docker在线安装MySQL、MySQL镜像下载、MySQL配置、MySQL命令

一、镜像下载 1、在线下载 在一台能连外网的linux上执行docker镜像拉取命令 docker pull mysql:8.0.41 2、离线包下载 两种方式&#xff1a; 方式一&#xff1a; -&#xff09;在一台能连外网的linux上安装docker执行第一步的命令下载镜像 -&#xff09;导出 # 导出镜…

【AI论文】魔鬼在细节:关于在训练专用混合专家模型时实现负载均衡损失

摘要&#xff1a;本文重新审视了在训练混合专家&#xff08;Mixture-of-Experts, MoEs&#xff09;模型时负载均衡损失&#xff08;Load-Balancing Loss, LBL&#xff09;的实现。具体来说&#xff0c;MoEs的LBL定义为N_E乘以从1到N_E的所有专家i的频率f_i与门控得分平均值p_i的…

C语言编程笔记:文件处理的艺术

大家好&#xff0c;这里是小编的博客频道 小编的博客&#xff1a;就爱学编程 很高兴在CSDN这个大家庭与大家相识&#xff0c;希望能在这里与大家共同进步&#xff0c;共同收获更好的自己&#xff01;&#xff01;&#xff01; 本文目录 引言正文一、为什么要用文件二、文件的分…

OpenAI的真正对手?DeepSeek-R1如何用强化学习重构LLM能力边界——DeepSeek-R1论文精读

2025年1月20日&#xff0c;DeepSeek-R1 发布&#xff0c;并同步开源模型权重。截至目前&#xff0c;DeepSeek 发布的 iOS 应用甚至超越了 ChatGPT 的官方应用&#xff0c;直接登顶 AppStore。 DeepSeek-R1 一经发布&#xff0c;各种资讯已经铺天盖地&#xff0c;那就让我们一起…

Baklib如何重塑内容中台的智能化推荐系统实现个性化服务

内容概要 在数字内容日益丰富的今天&#xff0c;内容中台的智能化推荐系统显得尤为重要。它通过分析和处理海量的数据&#xff0c;为用户提供个性化的内容推荐&#xff0c;从而提升用户体验。在智能化推荐系统中&#xff0c;主要由以下几个部分构成&#xff1a; 部分主要功能…

从零推导线性回归:最小二乘法与梯度下降的数学原理

​ 欢迎来到我的主页&#xff1a;【Echo-Nie】 本篇文章收录于专栏【机器学习】 本文所有内容相关代码都可在以下仓库中找到&#xff1a; Github-MachineLearning 1 线性回归 1.1 什么是线性回归 线性回归是一种用来预测和分析数据之间关系的工具。它的核心思想是找到一条直…