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
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
热门内容推荐
最新内容推荐
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
532
3.74 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
336
178
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++
886
596
Ascend Extension for PyTorch
Python
340
403
暂无简介
Dart
771
191
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
12
1
openJiuwen 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
TSX
986
247
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。
Cangjie
416
4.21 K
React Native鸿蒙化仓库
JavaScript
303
355