OpenWhisk项目中Invoker组件更新与分布式部署实践
2025-06-01 21:56:02作者:盛欣凯Ernestine
背景介绍
在OpenWhisk这一无服务器计算平台中,Invoker作为核心组件之一,负责执行用户提交的函数请求。当我们需要对Invoker组件进行功能修改或日志调整时,需要经历代码修改、镜像构建和集群部署等多个环节。本文将详细介绍在分布式环境下更新Invoker组件的完整流程及优化方案。
问题现象
开发者在修改FunctionPullingContainerProxy.scala文件中的日志输出内容后,按照常规流程重新构建Invoker镜像并部署,发现日志输出并未如预期般更新。具体表现为修改后的日志信息"No more run Activation --testing-- is coming in state..."在实际运行中仍显示旧版本内容。
问题排查过程
通过深入分析,发现问题根源在于分布式环境下的镜像部署机制:
- 多机部署环境:系统采用Controller和Invoker分离的架构,分别运行在不同物理节点上
- 镜像同步问题:在Controller节点构建的镜像不会自动同步到Invoker节点
- 配置覆盖:临时修改的Ansible配置强制使用了registry中的nightly版本镜像,覆盖了本地构建的版本
解决方案与实施步骤
基础解决方案
-
恢复标准配置:将ansible/roles/invoker/tasks/deploy.yml中的镜像配置恢复为动态版本控制
-
镜像构建与传输:
- 在构建节点执行镜像构建:
./gradlew :core:invoker:clean :core:invoker:distDocker - 导出镜像文件:
docker save -o invoker.tar whisk/invoker:latest - 传输到目标节点:
scp invoker.tar user@target-machine:~ - 在目标节点加载:
docker load -i ~/invoker.tar
- 在构建节点执行镜像构建:
-
集群重新部署:执行标准部署流程使新镜像生效
自动化改进方案
通过在Ansible部署脚本中添加以下任务,实现镜像同步自动化:
- name: Save invoker Docker image
command: docker save -o /tmp/invoker.tar whisk/invoker:latest
delegate_to: localhost
run_once: true
- name: Copy invoker image to all Invoker machines
copy:
src: /tmp/invoker.tar
dest: /tmp/invoker.tar
- name: Load invoker Docker image on Invoker machines
command: docker load -i /tmp/invoker.tar
进阶优化建议
-
私有镜像仓库方案:搭建私有Docker Registry作为中央镜像仓库
- 构建时指定仓库地址:配置gradle构建参数中的dockerRegistry选项
- 各节点从统一仓库拉取镜像,避免手动传输
-
CI/CD集成:将镜像构建和部署流程整合到持续集成系统中
- 代码变更触发自动构建
- 自动推送镜像到仓库
- 自动更新集群节点
技术要点总结
- 版本控制:确保构建、传输、部署各环节使用一致的镜像版本
- 环境隔离:分布式环境下需特别注意各节点的环境一致性
- 配置管理:避免临时配置修改导致预期外行为
- 自动化优先:尽可能通过脚本实现重复操作的自动化
实践建议
对于OpenWhisk的开发和运维人员,建议:
- 建立标准的镜像版本管理流程
- 在分布式环境中优先考虑使用私有镜像仓库
- 对Ansible等部署工具进行定制化封装,减少人工操作
- 重要修改前进行环境检查,确认当前生效的配置和镜像版本
通过以上方法和建议,可以有效解决Invoker组件更新在分布式环境中的同步问题,提高开发部署效率。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C037
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0114
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
432
3.29 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
351
Ascend Extension for PyTorch
Python
237
271
暂无简介
Dart
689
162
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
327
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
79
37
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
671