专家观察 | 张鑫：“从Kubernetes到谷歌容器管理的落地与演化”

我在一个机器里面自动部署一些Ingress的,同时Ingress不同之间,通过(英文)的方式,服务不同的应用.内容比较多,今天只能蜻蜓点水的把意思传达一下.我现在快速跳到下面一个主题,就是日志.

Docker对于日志有自己一套管理办法,但是落地传统企业过程当中有两个问题.第一个很多已有的应用采用写文件的方式,我们是不是为了上这个系统我应用都要重写,另外我写不同文件还有额外的好处.

我通过日志类型写到不同的文件里面,所以我很难实现细粒度的把控,用户有时候希望这类日志写到一个名字,A里、另外一个文件写到B里,还是遇到一些需求,我们更改了Kubernetes的组件,使得Kubernetes或者Docker其实可以把存在本地的文件收集起来,发送到我们用的ELK里面.

第一种方法通过(英文)的方式,每一个块里面除了我的(英文)应用,我还部署(英文),这个监听我文件名和路径,收集起来发送到(英文)里面.另外一种模式我们直接对EPI进行扩充,支持了一个东西,当我们部署的时候,我们写YML文件可以指明这个POD写在这个文件下你可以收集.经过这样一些修改,我们成功落地在一些相对来说比较传统的企业.

第一个全国最大的连锁酒店之一,通过我们刚才做的适配最小化他们需要对应用所做的修改,上线至今目前运行到了七千多个容器,跑在数百台的主机上.另外一个例子,中国最大卡的联合组织,也是非常传统的架构,底层用虚拟化来做的,上面通过我们采用的这样一些方法,使得它可以非常轻便适配到传统的行业.

第三大块我们一直说容器和数据有状态是天生的天敌,虽然我们可以挂载磁盘,用网络存储,不是容器的先天优势,我们反而利用容器更好的做大数据的应用.

Docker和Kubernetes落地一个企业,大家最直观的感觉,它解决我计算的问题,可以让我计算更加轻便,可以让我更高效去进行很多的计算.对于数据支持非常少,已有数据怎么利用更加快速的计算挖掘这个数据的价值,尤其是现阶段我们数据变动体量越来越大,还有很多非结构化的数据,这是容器本身技术,或者我们看到产品很难解决的问题.

当然我们也知道最近从去年开始比较流行的就是我们AI,或者我们的深度学习,深度学习是一个很好实现AI的方法.

它相比于传统的数据分析的方案更能提取一些复杂的特征,更能分析一些非结构化的数据,同时从精度上来讲对于传统的算法我可能很容易达到一个天花板,对于深度学习,随着我数据量增加,我精度往往可以被持续的提升的,这是深度学习.

在深度学习这个领域里面由谷歌开源的一个方案叫做Tensorflow,社区活跃度来讲跟Kubernetes非常相比,远远超过其他设计方案,获得了最大社区的热度.Tensorflow可能大部分人听过,Tensorflow有很大的优势,它最大问题就是计算量.

以做一个图像分类为例,这是IMGENET的图像分类,我们深度学习IMGENET提供很好方法.

另外就是一个数据平台,我们怎么解决这个问题,利用容器和Kubernetes,利用他们分布式大规模计算的特性,实现极速深度学习的体验.除了跑搜索、广告、购物等等以外,其他业务和大数据业务都混跑在这个容器之上.

我们核心的解决方案把Tensorflow的算法容器化,同时跟Kubernetes做分布式的调度,我增加机器实现我的吞吐量.

这是我们简单提供的解决方案和原生的Tensorflow相比很多的优势.当实现这个功能以后在同样的一个Kubernetes集群里面,不光我们运行A服务应用,可以应用我们CI、CD的功能,可以在我同个机器上进行深度学习.

目前在安防、金融等等领域实现自动从摄像头监控有着火.

在电商领域实现了穿衣风格的搭配.

（编辑：应用网_丽江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!