WuKongIM 云模拟阿里云金丝雀演练认证指南:从 10 项 Drill 到腾讯云门禁

原创2026-10-16 10:42:341,880 阅读
文章标签:即时通讯后端

WuKongIM 云模拟阿里云金丝雀演练认证指南:从 10 项 Drill 到腾讯云门禁

本文是 WuKongIM 仓库中 docs/superpowers/runbooks/cloud-simulation-drills.md(Cloud Simulation Alibaba Canary Attestation,阿里云金丝雀演练认证清单)的完整解读与实战展开。它以仓库"阿里云优先(Alibaba-first)"的云模拟体系为背景,逐条拆解 10 项必须完成的真实云演练(drill),说明每一项的验证目标、对应的 GitHub Actions 工作流与 wkcloudsim 控制平面命令、以及"零残留资源(zero-residual)"证据的获取方式。读完本文,你将掌握:如何执行一次可被认证的 small + 2h 云模拟全生命周期、如何做取消/中断/清理类故障演练、如何用不可变的 workflow run 与 provider inventory 证据填写认证表,以及腾讯云 Adapter 在何种门禁下才允许启动。

一、文档定位:为什么需要"金丝雀演练认证"

WuKongIM 的云模拟体系(Cloud Simulation)用一套仓库自有的 Go 控制平面在真实云上拉起 3 台私网 WuKongIM 集群节点 + 1 台 simulator 节点,运行 wkbench/v1 场景压测,并在运行结束后由本地 Codex CLI 对仍然存活(live)的系统做受限诊断。整套体系的阿里云实现是完整闭环,而腾讯云(Tencent Cloud)实现被有意阻塞——阻塞条件正是本文档。

Tencent Cloud implementation is blocked until a repository owner fills this
document from real Alibaba workflow runs. Do not mark a drill green from unit
tests or fake-provider results.

这句开篇声明包含两条硬性规则:

  1. 认证只能来自真实阿里云 workflow run:fake provider(单测中的假云)结果、纯单元测试通过,都不能把某个 drill 标记为绿色(green)。
  2. 腾讯云 Adapter 的启动前置条件:只有当本认证表中所有行都变为 green,且满足"引用不可变 GitHub workflow runs + 含无残留资源的 provider inventory 证据"之后,才能启动单独的 ADR 与腾讯云 provider 包工作。

这与 docs/adr/0036-deliver-cloud-simulation-as-verified-tracer-phases.md 的分阶段交付策略一致:实现按"本地契约 → 阿里云生命周期 → 实时分析 → 隔离的 Draft-PR 修复 → 压测与多云"推进,每个阶段都必须先证明资源清理干净,才能进入下一阶段。腾讯云属于最后一个阶段,前面所有阿里云阶段的 drill 不绿,腾讯云就不能开工。

认证表结构速览

文档正文就是一张 10 行的 Attestation 表,每行对应一项演练:

Drill(演练项) Workflow run / Run Identity Result Zero-residual proof Reviewer Date
small + 2h lifecycle pending
cancel after quote/network/host/EIP/transfer/gate pending
native release + scheduled sweep pending
stale ingress rule cleanup pending
detached tagged disk cleanup pending
reclaimed cluster node pending
lost simulator pending
released and unknown preflight pending
healthy and seeded-defect diagnosis pending
eligible isolated Draft PR pending

每一行必须记录:真实 workflow run 的不可变标识(或 Run Identity)、执行结果、零残留证据(provider inventory 证明无任何 tagged 残留资源)、审查人与日期。这 10 行与姊妹 runbook docs/superpowers/runbooks/cloud-simulation.md 第 5 节"Required Alibaba canary and drills"列举的 7 类演练一一对应(该 runbook 是同一认证模板的签署依据),也与设计文档 docs/superpowers/specs/2026-07-14-cloud-simulation-github-actions-design.md 中"Manual cloud integration"验证策略列出的清单完全吻合。下面逐条展开。

二、演练前的体系底座:四个工作流 + 一个控制平面

要理解每个 drill 的验证点,先建立体系全貌。仓库中与云模拟直接相关的工作流位于 .github/workflows/:

  • .github/workflows/cloud-sim-provision.yml:手工触发的 Provision 工作流,负责构建不可变 Deployment Bundle、创建 4 台 spot 主机与私有网络、通过临时 SSH 传输 bundle、通过 Bootstrap Gate 后启动 wkbench-run.service 并持久化 ready → running 状态。
  • .github/workflows/cloud-sim-cleanup.yml:每 15 分钟一次的定时 Cleanup/Patrol 工作流,支持按精确 Run Identity 做受保护的提前销毁(destroy),也支持全量 sweep,成功标准是"列出全部支持类型的 tagged 资源并发现零残留"。
  • .github/workflows/cloud-sim-analyze.yml:Analysis Session 工作流,inspect(只读预检)/prepare(打开本地 Codex 会话)/close(关闭分析窗口)三种操作。
  • .github/workflows/cloud-sim-monitor.yml:每 30 分钟一次的运行期巡查(patrol),通过 Cloud View 与 Prometheus 证据判断运行中的 run 是否健康。
  • .github/workflows/cloud-sim-oidc-subject.yml:一次性 OIDC 连通性验证,用于证明 GitHub OIDC 能换取短期阿里云凭证。

底层操作全部落在仓库自有的 provider-neutral 控制平面 cmd/wkcloudsim/main.go,其 16 个子命令与 drill 直接相关:

scenario-digest   discover-config   create   inventory   status   transition
preflight         open-deployment   close-deployment
open-analysis     close-analysis    open-public-view   close-public-view
destroy           sweep

例如 create(cmd/wkcloudsim/main.go)在创建任何计费资源前校验成本/配额/并发护栏,并在写 Run Locator 失败时回滚销毁;destroy(cmd/wkcloudsim/main.go)输出 released 状态并要求 .resources | length == 0;preflight(cmd/wkcloudsim/main.go)把一个精确的 90 天 Run Locator 绑定到当前云 inventory,区分 live / released。阿里云 provider 实现位于 internal/infra/cloudsim/alibaba,业务契约(CreateRequest、RunLocator、状态机)位于 internal/usecase/cloudsim。

认证所需的"不可变 workflow run"与"Run Identity"在 Provision 工作流中生成:Run Identity 取值为 gh-${GITHUB_RUN_ID}-${GITHUB_RUN_ATTEMPT}(见 .github/workflows/cloud-sim-provision.yml),并在 Job Summary 中打印,同时上传保留 90 天的最小 Run Locator Artifact(cloud-sim-locator-<run_id>)与 provider-config Artifact(cloud-sim-provider-config--<run_id>--<region>--<account_hash>)。认证时引用 workflow run 链接与 Locator 即可获得不可变证据。

三、Drill 1:small + 2h 全生命周期(金丝雀基准)

这是体系的形式化金丝雀(formal Alibaba canary):cloud-small 场景 + 2 小时活跃时长 + 健康分析 + 手动清理。runbook docs/superpowers/runbooks/cloud-simulation.md 特别提示:workflow 的活跃时长默认值是 48h,而正式金丝雀固定为 small + 2h;可以用 cloud-small + 30m + 2h Analysis Grace 做快速端到端验证,但那不能替代本项认证。

执行路径:

  1. 从 main 手工 dispatch cloud-sim-provision.yml,输入 scenario=cloud-small、duration=2h、analysis_grace=2h,并给出硬性 CNY 成本上限 max_total_cost(工作流默认 70,见 .github/workflows/cloud-sim-provision.yml)。source_sha 留空即取当前远端 main,且必须是通过 git merge-base --is-ancestor 校验的受信提交(.github/workflows/cloud-sim-provision.yml)。
  2. 等待 Provision 完成:build 任务无云凭证,provision 任务按 AccessKey 或 OIDC 模式获取短期身份 → discover-config 自动发现账号哈希、可用区、最新审计 x86 Alibaba Cloud Linux 3 镜像与三类容量预设的 spot 候选 → 在创建计费资源前持久化 provider.json → 创建 4 台 spot 主机与 VPC/vSwitch/安全组 → 临时开放 simulator 的 SSH /32 → 传输并校验同一 Deployment Bundle digest → wkcloudgate 验证 20 分钟 Bootstrap Gate(三节点/256 slot 收敛、全部 systemd 服务 active、Prometheus target 全 up、Analysis MCP self-check 通过等)→ 持久化 running 并启动非重启型 wkbench-run.service(.github/workflows/cloud-sim-provision.yml)。
  3. 等待 2h 活跃时长结束,在本地(已 gh auth login 与 codex login 的 checkout)执行:
./scripts/cloud-sim/finalize.sh <run_id>

finalize.sh(scripts/cloud-sim/finalize.sh)会下载精确的 Finalization Schedule、等到 analysis_ready_at、调用 analyze.sh 做健康分析、dispatch 精确 Cleanup 并做零资源复核;当结果仍为 workload_inspect.state=in_progress 时保留 run 并在 lease 允许内重试(scripts/cloud-sim/finalize.sh)。也可以只运行 ./scripts/cloud-sim/analyze.sh <run_id> 做单次分析,再手动 dispatch Cleanup。

  1. 判定"healthy":workload_inspect 必须读取到 simulator 本地的 wkbench 终局 summary,且 state=completed、status=passed;缺失、失败或进行中的 summary 都不能通过 healthy 校验(见 docs/superpowers/runbooks/cloud-simulation.md 第 3 节)。最终 Diagnosis Result 必须是 .github/cloud-sim/diagnosis.schema.json 校验通过、且 run/source/scenario 身份匹配的结构化 JSON。

认证证据:Provision workflow run 链接(不可变)+ finalize.sh 成功输出中打印的"Exact Cleanup workflow"链接 + finalize.sh 的独立 released 验证(provider.state=released && provider.resources==<a href="https://link.gitcode.com/i/dba99b78918ed66c025219355777da6f" target="_blank">],见 [scripts/cloud-sim/finalize.sh)。

四、Drill 2:Provision 各阶段取消(quote/network/host/EIP/transfer/gate)

本项演练要求在 Provision 推进到不同阶段时主动取消,验证"取消后零残留"。Provision 工作流中可观察到的阶段顺序(对应 .github/workflows/cloud-sim-provision.yml 的 steps)是:

  1. quote:resolve provider config 中发现的候选 + wkcloudsim create 内部的实时价格/配额/spot 容量检查;
  2. network:VPC/vSwitch/安全组创建;
  3. host(compute):4 台 ECS spot 实例(3 节点 + simulator);
  4. EIP:simulator 公网地址;
  5. transfer:open-deployment 开放临时 SSH /32,通过 simulator 跳板向 3 台私网节点 scp bundle 并逐台 wkcloudhost install;
  6. gate:Bootstrap Gate 轮询(wkcloudgate --snapshot bootstrap-gate.json --bundle-digest)。

取消的兜底逻辑是三层:ECS 原生自动释放(native auto-release) 在创建时即设定;定时 Cleanup 工作流每 15 分钟按强制 tag 对磁盘、EIP、安全组、vSwitch、VPC 做 reconcile;Provision 自身的失败保护(preserve_failed_provisioning step,.github/workflows/cloud-sim-provision.yml)在 gate 失败且 Analysis MCP self-check 不可用时直接 destroy 并断言 state=released && resources==[]。

认证时需逐阶段记录取消发生的位置(quote/network/host/EIP/transfer/gate),随后运行一次 sweep(或手动精确 destroy),用 Cleanup 工作流的 reconciliation summary 证明 destroyed 非空且 failed == 0、retained == 0(见 .github/workflows/cloud-sim-cleanup.yml)。

五、Drill 3:原生自动释放 + 定时零残留清扫

本项验证"workflow 或实例自身失败时,临时资源仍会被释放"。要点:

  • 每台计算实例在创建时即带上 provider 的原生 scheduled-release deadline(不可续期),这是第一层;
  • cloud-sim-cleanup.yml 按 cron: "*/15 * * * *" 每 15 分钟运行,是独立的第二层(.github/workflows/cloud-sim-cleanup.yml);
  • 只有清扫发现所有保留 run 的 inventory 为空(destroyed、retained、failed 均为空)时,Cleanup 才先禁用 patrol 再禁用自身;被禁用的安全工作流不接受手工 dispatch,下一次 Provision 会在创建资源前自动重新启用(见 runbook 第 4 节与 .github/workflows/cloud-sim-cleanup.yml)。

注意:删除实例本身不算清理成功。runbook 明确列出 reconcile 必须覆盖:独立数据磁盘、simulator EIP、安全规则、安全组、vSwitch 与 VPC。认证时让一个 run 自然到期,等待一次或多次定时清扫,把清扫 workflow run 与被销毁的 run 列表作为不可变证据。

六、Drill 4:陈旧入口规则清理 + 游离带 tag 磁盘清理

这两项是"强制制造脏状态再验证修复"的演练:

  • stale ingress rule cleanup:故意遗留一条过期的分析/SSH 安全组规则(例如人为保留的 /32 规则),验证 sweeper 会保留未过期的本地会话、吊销过期或畸形窗口。monitor/cleanup 依据 provider inventory 重建每条 run-owned 规则的 deadline(见 docs/superpowers/runbooks/cloud-simulation.md 第 4 节)。
  • detached tagged disk cleanup:故意在账户里留下一块带 run tag 的独立数据盘(不挂载到任何实例),验证 Cleanup 的按 tag 发现机制能把它找出来并删除。Cleanup 通过 wkcloudsim sweep 枚举所有支持类型的 tagged 资源,任何剩余计费资源都会让工作流失败。

这两个场景也可以用 .github/cloud-sim/alibaba-bootstrap.example.json 中描述的 tag 体系(managed-by、Run Identity、repository、role、source SHA、scenario digest、bundle digest、expiry、MCP 证书指纹)来构造带 tag 的游离资源。

七、Drill 5:被回收的集群节点 + 丢失的 simulator

这是两类基础设施中断演练:

  • reclaimed cluster node:阿里云 spot 实例被回收(infrastructure_interrupted)。设计规范明确:被回收的集群节点不会被自动替换;simulator 与幸存节点保持存活直到 Analysis Grace 以便归因(attribution)。wkbench 停止产生负载,但不会把 spot 回收当作产品缺陷。
  • lost simulator:simulator 被回收时实时分析不可能进行,清理可以提前释放幸存者。状态机中 infrastructure_interrupted → analysis_grace(simulator 存活)或 → release_pending(simulator 丢失)对应此场景(见 docs/superpowers/specs/2026-07-14-cloud-simulation-github-actions-design.md 的 Simulation Run Lifecycle 状态图)。

认证要点:记录回收发生的真实 Run Identity 与 workflow run,确认 Diagnosis Result 的 verdict 为 infrastructure_interrupted(该 verdict 禁止产生任何源码 PR),随后清理证明零残留。设计规范同时指出"spot 回收本身永远不能成为源码 PR 的理由"。

八、Drill 6:released 与 unknown Run Identity 预检

本项验证 Analysis 工作流对"已释放 run"和"未知 run"两种输入的行为:

  • released:Locator 有效、provider/account/region 身份匹配、且 provider inventory 为空 → preflight 返回 state=released,analyze.sh 打印 Simulation Run <run_id> 已由云厂商确认自动销毁,当前没有可分析的实时数据;分析已终止。 并在启动 Codex 之前成功终止(见 scripts/cloud-sim/analyze.sh 与 .github/workflows/cloud-sim-analyze.yml)。该终局验证只依赖 pinned 的 GitHub CLI,不依赖本地 Go/OpenSSL/公网 echo 服务。
  • unknown_run:找不到唯一保留的 Run Locator → state=unknown_run,在 Codex 之前以非零失败结束,绝不把未知 run 当成 released。
  • 有资源但 MCP 不可达 → insufficient_evidence,同样不能当作 released。

认证证据:两次真实的 analyze.sh(或 finalize.sh)运行输出 + 对应的 Analysis preflight workflow run 链接,其中包含 provider.state=released, provider.resources=<a href="https://link.gitcode.com/i/c037c001f446da00964d61e49b88ae8d" target="_blank">] 的结构化 JSON(见 [.github/workflows/cloud-sim-analyze.yml)。

九、Drill 7:healthy 诊断与 seeded-defect 诊断

  • healthy:完整运行 small + 2h(或更短校准 run),workload_inspect 返回完整且通过的终局 summary,Diagnosis Result 的 verdict 为 healthy(severity=none、root_cause_scope=none),且不允许产生 Draft PR。
  • seeded-defect:在受信 main 上人为注入一个可复现的产品缺陷(如一个可测试的发送路径 bug),运行诊断,得到 verdict product_defect;只有在诊断置信度高、可归因于仓库、且可测试时,才具备 Remediation Eligibility(见 docs/superpowers/specs/2026-07-14-cloud-simulation-github-actions-design.md 的 Verdict 表)。insufficient_evidence、infrastructure_interrupted、scenario_invalid 一律禁止产品代码修复。

Diagnosis Result 必须严格符合 .github/cloud-sim/diagnosis.schema.json,并经 cmd/wkclouddiagnosis 的 validate 子命令校验;run/source/scenario 身份必须与加密的 Analysis Session 匹配(scripts/cloud-sim/analyze.sh)。

十、Drill 8:隔离的合格 Draft PR(仅入口关闭之后)

本项演练验证"诊断与修复完全隔离"的权限边界:分析进程拥有云读/MCP 能力但没有仓库写权限;修复进程拥有仓库写权限但没有云或 MCP 能力。runbook 与 analyze.sh 都指出:当前仓库的 --allow-fix-pr 已降级为兼容标志——任何代码变更都必须在精确 Cleanup 完成、provider inventory 为空之后,作为独立的后清理仓库操作进行(见 docs/superpowers/runbooks/cloud-simulation.md 第 3 节与 scripts/cloud-sim/analyze.sh)。

具体流程(设计文档"Remediate"一节):先确认 Analysis Access Window 关闭 → 在部署 SHA 的隔离 worktree 中启动全新本地 Codex 进程(无 GitHub 凭证、无云身份、无 MCP 配置、无网络访问)→ 添加回归测试并通过静态本地守卫 → 由可信本地编排者(使用操作者 GitHub 登录)推送临时分支、dispatch 只读 CI 工作流、仅当全部 CI 通过后才创建 Draft PR;cloud_revalidation_required 标签用于需要云 A/B 的性能补丁,任何路径都不能自动 merge。Draft PR 标题与正文只含静态可信的 run/CI 状态,模型产出的诊断字符串绝不进入 GitHub 元数据。

认证证据:CI workflow run 链接 + Draft PR 链接 + 显示该 run 在分析阶段即已释放的空 inventory 证据。

十一、填写认证表:完成标准与证据边界

文档结尾明确了全部行的完成标准:

All rows must be green, must reference immutable GitHub workflow runs, and must include provider inventory evidence showing no tagged residual resources. Only then may a separate ADR and provider package start Tencent Cloud work.

即:

  1. 全部 10 行均为 green:只有真实阿里云 workflow run 可以判定,单元测试或 fake-provider 结果无效;
  2. 引用不可变的 GitHub workflow runs:Workflow run / Run Identity 列应填写类似 gh-<workflow_run_id>-<run_attempt> 的 Run Identity 及对应 workflow run 链接(Provision/Cleanup/Analyze/Monitor/OIDC-subject);
  3. provider inventory 证据:Zero-residual proof 列应附 wkcloudsim destroy/sweep/preflight 的结构化输出(state=released、resources=[]、failed=[]),证明无任何带 tag 的残留计费资源;
  4. 每行还需 Reviewer 与 Date,形成可审计的签署记录。

从实现角度,"零残留"的最强证据链是 finalize.sh 的两段式验证:先 dispatch 精确 Cleanup 工作流并 join 成功(billing_cleanup_proven=true),再用 analyze.sh --result-file 独立执行 released 预检并校验 provider.state=released && provider.resources == <a href="https://link.gitcode.com/i/2e39619388e61c0e0a678e8fc32289c7" target="_blank">]([scripts/cloud-sim/finalize.sh)。这正对应文档中"Zero-residual proof"列的要求。

十二、门禁之后:腾讯云工作的启动条件

所有 drill 变绿只是启动腾讯云工作的必要前置。设计文档 docs/superpowers/specs/2026-07-14-cloud-simulation-github-actions-design.md 明确要求:实现时保留 provider-neutral 边界(wkcloudsim --provider fake|alibaba,见 cmd/wkcloudsim/main.go),第一个 Adapter 只针对阿里云;腾讯云只有在完整的阿里云路径(含清理失败与实时分析)全部通过后才会加入。此外,wkcloudbootstrap 的 OIDC bootstrap(.github/cloud-sim/alibaba-bootstrap.example.json 即其配置模板)与 AccessKey 模式(ALIBABA_CLOUD_ACCESS_KEY_ID / ALIBABA_CLOUD_ACCESS_KEY_SECRET 两个 Repository Secrets,见 runbook 第 1 节)是账户绑定的两条路径,两者同样必须先经过真实金丝雀验证。

十三、实操速查:一次认证演练的最小命令集

在本地 checkout(origin 指向本仓库)中,完成一项 drill 认证所需的命令序列:

# 1) 触发 Provision(从 GitHub UI dispatch cloud-sim-provision.yml,或用 gh 命令)
#    参数示例:scenario=cloud-small, duration=2h, analysis_grace=2h, max_total_cost=70

# 2) 记下 Job Summary 中打印的 Run Identity,例如 gh-1234567890-1

# 3) 等到 workload 结束后执行终局(等待 + 分析 + 精确清理 + 零残留验证)
./scripts/cloud-sim/finalize.sh gh-1234567890-1

# 4) 若只做单次诊断或预检
./scripts/cloud-sim/analyze.sh gh-1234567890-1

# 5) 独立复核:用控制平面直接输出结构化证据
GOWORK=off go run ./cmd/wkcloudsim --provider alibaba --provider-config provider.json \
  preflight --locator run-locator.json   # 期望 state=released, resources=[]
GOWORK=off go run ./cmd/wkcloudsim --provider alibaba --provider-config provider.json \
  sweep                                   # 期望 destroyed/retained/failed 为空

上述命令对应的认证材料(workflow run 链接、finalize.sh 输出、preflight/sweep 的 JSON)即可填入认证表。整个流程的完整操作手册、OIDC/CloudShell 引导与各输入参数的默认值详见 docs/superpowers/runbooks/cloud-simulation.md,场景文件(cloud-small / cloud-medium / cloud-large)位于 docker/sim 下的 cloud-*.yaml。

最后提醒:认证表是"签署型"文档,每行必须由仓库所有者基于真实阿里云运行填写;在全部行变绿之前,任何单元测试或 fake-provider 的"绿色"都不具备效力,腾讯云工作也不得启动——这正是本文档作为云模拟体系质量门禁的核心价值。

登录后查看全文
WuKongIM