OpenWhisk项目中Invoker组件更新与部署实践
问题背景
在分布式OpenWhisk环境中,当我们需要对Invoker组件进行代码修改时,往往会遇到修改后的代码无法在日志中体现的问题。这种情况通常发生在多机部署环境中,特别是当Controller和Invoker分别部署在不同服务器时。
问题现象
开发者修改了FunctionPullingContainerProxy.scala文件中的日志输出内容,重新构建了Invoker镜像并部署后,发现日志中仍然显示旧的输出内容。具体表现为:
- 修改了日志消息从"No more run activation..."变为"No more run Activation --testing-- is coming..."
- 通过gradlew命令重新构建了Invoker镜像
- 使用Ansible重新部署了OpenWhisk环境
- 检查日志发现修改未生效
根本原因分析
经过深入排查,发现问题源于以下两个方面:
-
镜像部署机制问题:在多机环境中,Ansible配置文件中可能被临时修改为总是拉取nightly版本的Invoker镜像,导致本地构建的镜像被覆盖。
-
镜像分发问题:在Controller机器上构建的Invoker镜像没有正确同步到运行Invoker的其他机器上,导致实际运行的仍然是旧版本镜像。
解决方案
方案一:手动镜像分发
-
构建镜像:在Controller节点上执行构建命令
./gradlew :core:invoker:clean :core:invoker:distDocker -
导出镜像:将构建好的镜像导出为tar文件
docker save -o invoker.tar whisk/invoker:latest -
传输镜像:将tar文件传输到所有运行Invoker的节点
scp invoker.tar user@invoker-machine:~/ -
加载镜像:在各Invoker节点上加载镜像
docker load -i ~/invoker.tar -
重新部署:使用Ansible重新部署OpenWhisk
cd ansible sudo ansible-playbook -i environments/local openwhisk.yml
方案二:自动化镜像分发
通过修改Ansible的deploy.yml文件,可以实现镜像分发的自动化:
- 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
方案三:使用私有镜像仓库
更专业的做法是搭建私有Docker镜像仓库,在构建镜像时指定私有仓库地址:
-
构建时指定仓库:通过gradle参数指定目标仓库
./gradlew distDocker -PdockerRegistry=your.private.registry/ -
配置Ansible使用私有仓库:修改Ansible配置,从私有仓库拉取镜像
最佳实践建议
-
环境一致性:确保所有节点的Docker环境配置一致,特别是镜像仓库配置
-
版本控制:为自定义镜像打上明确的版本标签,避免与官方镜像混淆
-
构建验证:在构建完成后,立即验证镜像是否包含预期的修改
-
部署前检查:在部署前确认各节点上的镜像版本
-
日志监控:部署后立即检查日志,确认修改是否生效
总结
在OpenWhisk的分布式环境中更新Invoker组件需要特别注意镜像的分发机制。相比单机环境,多机部署需要额外的步骤来确保所有节点都使用更新后的镜像。通过建立规范的镜像分发流程,可以显著提高开发效率和部署可靠性。对于生产环境,建议采用私有镜像仓库方案,这不仅能解决镜像分发问题,还能提供更好的版本管理和安全控制。
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。C085
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python056
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TSX0136
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