OpenWhisk项目中Invoker组件更新与部署实践
2025-06-02 21:58:00作者:虞亚竹Luna
背景介绍
在分布式Serverless平台OpenWhisk的实际开发过程中,开发人员经常需要对Invoker组件进行代码修改和功能调试。Invoker作为OpenWhisk架构中负责执行用户函数的核心组件,其更新部署流程具有一定的复杂性。本文将详细介绍在分布式环境下如何正确更新Invoker组件并验证变更生效的完整流程。
问题现象
开发人员在修改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显示修改后的内容。具体表现为:
- 修改了FunctionPullingContainerProxy.scala中的日志信息
- 执行了gradle clean和distDocker命令重新构建镜像
- 通过Ansible重新部署了整个OpenWhisk环境
- 检查日志发现变更未生效
问题根源分析
经过深入排查,发现问题源于分布式环境下的镜像部署机制:
- 多机部署环境下,控制器和Invoker运行在不同主机上
- Ansible配置文件中曾临时修改为固定使用nightly标签的镜像
- 本地构建的新镜像未正确同步到所有Invoker节点
- 部署流程中未自动处理镜像的分发问题
解决方案实现
方案一:手动镜像分发
- 在构建主机上保存镜像:
docker save -o invoker.tar whisk/invoker:latest
- 将镜像传输到各Invoker节点:
scp invoker.tar user@invoker-machine:~
- 在各节点加载镜像:
docker load -i ~/invoker.tar
- 重新部署OpenWhisk:
cd ansible
sudo ansible-playbook -i environments/local openwhisk.yml
方案二:自动化Ansible部署
通过在Ansible的deploy.yml中添加以下任务实现自动化:
- 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仓库,通过gradle构建时指定registry参数:
- 构建时指定目标仓库地址
- 自动推送镜像到私有仓库
- 各节点从私有仓库拉取最新镜像
最佳实践建议
- 环境一致性检查:
- 部署前确认各节点的Docker环境配置
- 验证镜像标签和版本的一致性
- 变更验证流程:
- 修改代码后先在单机环境验证
- 分布式环境部署后立即检查日志确认变更
- 部署自动化:
- 推荐使用Ansible等工具实现全自动化部署
- 考虑CI/CD流水线集成镜像构建和部署
- 版本控制:
- 为每次变更打上明确的镜像标签
- 保留历史版本以便快速回滚
经验总结
OpenWhisk作为分布式Serverless平台,其组件更新需要特别注意分布式环境下的同步问题。通过本文介绍的几种方案,开发团队可以根据实际环境选择最适合的Invoker更新策略。特别是对于生产环境,建议采用私有镜像仓库方案,既能保证部署效率,又能确保环境的一致性。
在实际操作中,还应该注意构建缓存问题,必要时执行clean操作确保全新构建。同时,日志系统的配置也可能影响变更的可见性,需要确保日志级别设置正确。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0113
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
deepin linux kernel
C
32
16
暂无描述
Dockerfile
762
4.96 K
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.8 K
191
Ascend Extension for PyTorch
Python
718
873
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.91 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++
1.07 K
1.09 K
🎉 (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
1.73 K
1.02 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.32 K
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
455
438
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
C
454
5.07 K