مقدمه

در دنیای واقعی، پس از اینکه مسافر سفارش GrabFood را از اپ مجله زیبایی و درمانی آذر ورژن پلیس‌جاده، نماینده-فروشگاه غذا سفارش را آماده می‌کند. سپس یک راننده-نماینده غذا را جمع‌آوری می‌کند و به مسافر تحویل می‌دهد. آیا تا به حال تعجب کرده‌اید که در سیستم پشتیبان چه اتفاقاتی رخ می‌دهد؟ پلتفرم سفارش مجله زیبایی و درمانی آذر ورژن یک سیستم توزیع شده است که هر روز میلیون‌ها سفارش GrabFood یا GrabMart را پردازش می‌کند. این پست به اشتراک گذاشتن سفری است که چگونه ما راه حل پایگاه داده را طراحی کرده‌ایم که این پلتفرم سفارش را تغذیه می‌کند.

زمینه

هدف طراحی هنگام ساخت راه حل پایگاه داده چیست؟ ما با تجزیه الگوها و الگوهای ترافیک نیازها را جمع‌آوری کرده‌ایم.

الگوهای تجزیه الگوها

در ادامه چند نمونه مهم از الگوهای پرس و جوی پلتفرم سفارش وجود دارد:

پرس و جوهای نوشتن:a. ایجاد سفارش.b. به‌روزرسانی سفارش.پرس و جوهای خواندن:a. بر اساس شناسه سفارش سفارش را بگیرید.b. سفارشات جاری را بر اساس شناسه مسافر بگیرید.c. سفارشات تاریخی را بر اساس شرایط مختلف بگیرید.d. آمار سفارش را بگیرید (به عنوان مثال، تعداد سفارش‌ها را دریافت کنید)

می‌توانیم پرس و جوها را به دو دسته تقسیم کنیم: پرس و جوهای تراکنشی و پرس و جوهای تجزیه و تحلیلی. پرس و جوهای تراکنشی برای ایجاد و تکمیل سفارشات آنلاین حیاتی هستند، از جمله پرس و جوهای نوشتن و پرس و جوهای خواندن مانند 2a یا 2b. پرس و جوهای تجزیه و تحلیلی مانند 2c و 2d سفارشات تاریخی یا آمار سفارش را درخواست می‌کند. پرس و جوهای تجزیه و تحلیلی ضروری برای پردازش سفارش در زمان واقعه نیستند.

الگوهای ترافیک

پلتفرم سفارش Grab در هر ماه مقدار قابل توجهی داده تراکنش را پردازش می‌کند.

در ساعات پرشور، پرس و جوهای نوشتن بر ثانیه (QPS) سه برابر مدت‌زمان خواندن کلید اصلی است، در حالی که پرس و جوهای محدوده در ثانیه چهار برابر مدت‌زمان خواندن کلید اصلی است.

اهداف طراحی

از طریق الگوهای پرس و جو و ترافیک، به سه هدف طراحی زیر رسیدیم:

استحکام- راه حل پایگاه داده باید قادر به برخورد با QPS بالا برای خواندن و نوشتن داشته باشد. پرس‌و‌جوهای پردازش سفارش آنلاین باید دارای در دسترس بودن بالا باشند. حتی زمانی که بخشی از سیستم خراب است، ما باید تجربه ضعیفتری برای کاربران نهایی ارائه دهیم تا هنوز بتوانند یک سفارش ایجاد و تکمیل کنند.قابلیت مقیاس‌پذیری و هزینه- راه حل پایگاه داده باید قادر به پشتیبانی از تحولات سریع نیازهای کسب و کار باشد. در حال حاضر ما تا یک میلیون سفارش در ماه را هندل می‌کنیم. این راه حل نیز باید در مقیاس بزرگ هزینه‌ای کارآمد باشد.یکنواختی- یکنواختی قوی برای پرس و جوهای تراکنشی و در نهایت یکنواختی برای پرس و جوهای تجزیه و تحلیلی.

راه حل

اصل طراحی اول به سمت یک راه حل پایدار و قابل مقیاس برای پایگاه داده استفاده از پایگاه‌های داده مختلف برای پاسخ به پرس و جوهای تراکنشی و تجزیه و تحلیلی، همچنین به عنوان پرس و جوهای OLTP و OLAP شناخته می‌شود. یک پایگاه داده OLTP پرس و جوهای بحرانی برای پردازش سفارش آنلاین را پاسخ می‌دهد. این جدول داده را فقط برای یک مدت زمان کوتاه نگهداری می‌کند. در عین حال، یک پایگاه داده OLAP همان مجموعه داده را دارد، اما پرس و جوهای تاریخی و آماری ما را پاسخ می‌دهد. این پایگاه داده برای مدت زمان بیشتری داده را نگهداری می‌کند.

چه مزیت‌هایی از این اصل طراحی بدست می‌آید؟ از نظر استحکام، ما می‌توانیم پایگاه‌های داده مختلفی را انتخاب کنیم که نیازهای مختلف پرس و جو و QPS را بهتر برآورده کنند. یک پایگاه داده OLTP منبع تنها برای پردازش سفارش آنلاین است؛ هرگونه خرابی در پایگاه داده OLAP تأثیری بر روی معاملات آنلاین ندارد. از نظر قابلیت مقیاس‌پذیری و هزینه، ما می‌توانیم یک پایگاه داده انعطاف‌پذیر برای OLAP انتخاب کنیم تا تحولات سریع نیازهای کسب و کارمان را پشتیبانی کند. ما می‌توانیم حجم کمتری از داده را در پایگاه داده OLTP خود نگهداری کنیم در حالی که برخی از داده‌های قدیمی را در پایگاه داده OLAP خود نگهداری می‌کنیم.

برای اطمینان از اینکه داده در هر دو پایگاه داده یکسان است، اصل طراحی دوم راه حل خوراک داده را معرفی می‌کند. در شکل 1، پلتفرم سفارش داده را به پایگاه داده OLTP می‌نویسد تا سفارشات آنلاین را پردازش کند و به صورت ناهمگام داده را به خوراک داده منتقل می‌کند. خوراک داده مطمئن می‌شود که داده پایگاه داده OLAP در نهایت یکنواخت است.

جزئیات معماری

پایگاه داده OLTP

دو دسته از پرس‌و‌جوهای OLTP وجود دارد، پرس‌و‌جوهای کلید-مقدار (برای مثال، بارگذاری بر اساس شناسه سفارش) و پرس‌و‌جوهای دسته‌ای (برای مثال، گرفتن سفارشات جاری بر اساس شناسه مسافر). ما از DynamoDB به عنوان پایگاه داده برای پشتیبانی از این پرس‌و‌جوهای OLTP استفاده می‌کنیم.

چرا DynamoDB؟

قابل مقیاس و با دردسترس بودن بالا: جداول DynamoDB برای پارتیشن بندی هستند و هر پارتیشن به سه برابر کپی می‌شود.پشتیبانی از خواندن قوی در حالت یکپارچه با کلید اصلی.DynamoDB یک مکانیزم به نام ظرفیت تطبیقی دارد که برای کنترل ترافیک هات کی استفاده می‌شود. در داخل، DynamoDB ظرفیت بالاتر را به پارتیشن‌های ترافیک بالا تقسیم می‌کند و موارد مورد نیاز را برای یک پارتیشن اختصاص می‌دهد. به این ترتیب، هات‌کی می‌تواند از ظرفیت کامل یک پارتیشن بهره‌برد، که تا ۳۰۰۰ واحد ظرفیت خواندن و ۱۰۰۰ واحد ظرفیت نوشتن است.

در هر جدول DynamoDB، موارد زیادی با ویژگی‌هایی وجود دارد. در هر مورد، یک کلید بخشی‌کننده و یک کلید مرتب‌سازی وجود دارد. کلید بخشی برای پرس‌و‌جوهای کلید-مقدار استفاده می‌شود و کلید مرتب‌سازی برای پرس‌و‌جوهای محدوده استفاده می‌شود. در مورد ما، جدول شامل چندین مورد سفارش است. کلید بخشی شناسه سفارش است. ما می‌توانیم با استفاده از کلید بخشی به راحتی پرس‌و‌جوهای کلید-مقدار را پشتیبانی کنیم.

پرس و جوهای دسته‌ای مانند 'گرفتن سفارشات جاری بر اساس شناسه مسافر' توسط DynamoDB Global Secondary Index (GSI) پشتیبانی می‌شوند. یک GSI مانند یک جدول عادی DynamoDB است که همچنین شامل کلیدها و ویژگی‌ها است.

در مورد ما، یک جدول GSI وجود دارد که کلید بخشی آن pax_id_gsi است. ویژگی pax_id_gsi به جدول اصلی متصل شده است. این ویژگی در نهایت یکنواخت با جدول اصلی است که توسط DynamoDB نگهداری می‌شود. اگر پلتفرم سفارش سفارشات جاری برای آلیس را پرس‌و‌جو کند، دو مورد از جدول GSI بازگشت داده می‌شود.

ما همچنین از قابلیت پیشرفته GSI به نام شاخصی خالی برای پشتیبانی از پرس‌و‌جوهای سفارش جاری استفاده می‌کنیم. وقتی وضعیت سفارش را از جاری به تکمیل تغییر می‌دهیم، در همان زمان pax_id_gsi را خالی می‌کنیم، به طوری که مورد مرتبط در GSI توسط DynamoDB به طور خودکار حذف می‌شود. در هر زمان، جدول GSI تنها سفارشات جاری را ذخیره می‌کند. ما از یک مکانیزم شاخص خالی استفاده می‌کنیم تا اندازه جدول را برای عملکرد بهتر کنترل کنیم و برای هزینه‌های کارآمدتری باشیم.

مشکل بعدی در زمینه حفظ داده است. این با ویژگی DynamoDB زمان تا زمان زندگی (TTL) انجام می‌شود. DynamoDB به صورت خودکار موارد منقضی شده را اسکن کرده و حذف می‌کند. اما چالش این است که وقتی ما TTL را به جداول بزرگ اضافه می‌کنیم، بار سنگینی را به اسکنر پس‌زمینه می‌آورد و ممکن است منجر به خرابی شود. راه‌حل ما این است که فقط یک ویژگی TTL را به مورد جدید در جدول اضافه کنیم. سپس، موارد بدون ویژگی TTL را به‌طور دستی حذف کرده و یک اسکریپت برای حذف موارد با ویژگی TTL قدیمی اجرا کنیم. پس از این فرآیند، اندازه جدول به حداکثر کاهش می‌یابد، بنابراین می‌توانیم ویژگی TTL را در ویژگی TTL که پیشتر اضافه کرده‌ایم فعال کنیم بدون نگرانی. مدت زمان نگهداری داده‌های DynamoDB ما سه ماه است.

از نظر هزینه، DynamoDB بر اساس اندازه ذخیره سازی و امکانات خواندن و نوشتن محاسبه می‌شود. قابلیت امکانات در واقع قابلیت مقیاسپذیر است. هزینه درخواستی است. بنابراین، به طور کلی ارزانتر از RDS است.

پایگاه داده OLAP

ما از MySQL RDS به عنوان پایگاه داده برای پشتیبانی از پرس‌و‌جوهای تاریخی و آماری OLAP استفاده می‌کنیم.

چرا آورورا نه؟ ما معمولاً RDS را انتخاب می‌کنیم زیرا یک راه‌حل پایدار پایگاه داده است. حتی اگر آورورا قابلیت دردسترس بالاتری را ارائه دهد، RDS کافی است برای پشتیبانی از موارد کمتر بحرانی ما. هزینه‌به‌تفاوت‌قیمت آورورا، بر اساس ذخیره سازی داده و تعداد

معرفی

Coban - یک پلتفرم جریان داده به صورت زمان واقعی برای Grab - از دو سال گذشته با استفاده از Kafka on Kubernetes with Strimzi در محیط تولید فعالیت می کند. در یک مقاله قبلی (اعتماد صفر با Kafka) ، توضیح دادیم که چگونه از Strimzi برای ارتقای امنیت ارائه خدمات جریان داده خود استفاده کردیم.

در این مقاله ، قصد داریم توضیح دهیم که چگونه تحمل خطا را در طراحی اولیه خود بهبود بخشیده ایم تا در صورتی که یک بروکر Kafka به طور غیرمنتظره متوقف شود ، دیگر نیاز به دخالت نداشته باشیم.

بیان مشکل

ما Kafka را در AWS Cloud اجرا می کنیم. برای طرح Kafka on Kubernetes که در این مقاله توصیف شده است ، ما به Amazon Elastic Kubernetes Service (EKS) ، با کارگرهایی که به عنوان کارگر خود مدیریتی بر روی Amazon Elastic Compute Cloud(EC2) پیاده شده اند ، وابستگی داریم.

برای آسان کردن عملیات خود و محدود کردن برداشت متقابل هر یک از حادثه ها ، ما دقیقاً یک کلاست Kafka برای هر کلاست EKS مستقر می کنیم. همچنین برای هر بروکر Kafka یک کارگر کامل اختصاص می دهیم. در مورد ذخیره سازی ، در ابتدا بر روی نمونه های EC2 با حجم فروش ناپایدار (NVMe) بر روی حجمهای ذخیره سازی نمونه برای عملکرد I/O بیشینه اعتماد می کردیم. همچنین ، هر کلاست Kafka از طریق یک VPC Endpoint Service خاص خارج از Virtual Private Cloud (VPC) خود قابل دسترسی است.

تصویر 1 نمایی منطقی از طراحی اولیه یک مجموعه Kafka 3-نود اجرا شده بر روی Kubernetes توسط Coban است. اجزای Zookeeper و Cruise-Control برای وضوح نمایش نشده است.

چهار سرویس Kubernetes وجود دارد (1): یک سرویس برای اتصال اولیه - مشتق شده به عنوان "bootstrap" - که ترافیک ورودی را به هر پاد Kafka تغییر مسیر می دهد ، به علاوه یک سرویس برای هر پاد Kafka ، برایتامین یا کاهش تعداد نت جداگانه (نیازمندی برای تولید یا مصرف از / به یک بخشی که بر روی هر پاد Kafka خاص قرار دارد). چهار گوشگیر Network Load Balancer (NLB) که بر روی چهار پورت TCP متفاوت گوش می کند ، به کلاینت های Kafka اجازه می دهد تا به سرویس bootstrap یا هر بروکر Kafka خاصی که نیاز به دسترسی دارند ، دسترسی داشته باشند. این بسیار شبیه به آنچه که قبلاً در ارائه یک مجموعه Kafka از طریق سرویس VPC Endpoint توضیح داده شده است.

هر یک از نودهای کارگر یک پاد Kafka تک را میزبانی می کند (2). حجم حافظه فروش ناپایدار (NVMe) برای ایجاد یک محل ذخیره Kubernetes Persistent Volume (PV) استفاده می شود که از طریق Kubernetes Persistent Volume Claim (PVC) به یک پاد متصل می شود.

در نهایت ، نودهای کارگر به Auto-Scaling Groups (ASG) تعلق دارند (3) ، یکی برای هر منطقه قابلیت دسترسی (AZ). Strimzi نزدیکی نود را اضافه می کند تا اطمینان حاصل شود که بروکرها به طور یکنواخت در سراسر AZ توزیع شده اند. در این طراحی اولیه ، ASG ها برای اتوماسیون مقیاس هم مورد استفاده قرار نمی گیرند ، زیرا ما می خواهیم اندازه مجموعه را تحت کنترل نگه داریم. ما تنها از ASG ها (با اندازه ثابت) برای تسهیل عملیات مقیاس دستی و جایگزینی خودکار نودهای کارگر استفاده می کنیم.

در این مرحله ، یک کلاست Kafka در حال اجرا با دو پروکسی از سه بروکر وجود دارد ، تا زمانی که یک مهندس Coban دخالت کند تا گروه هدف NLB را تنظیم کند و PVC زامبی را حذف کند (این عمل ، در نتیجه تریگر مجدد ایجاد شده توسط Strimzi ، این بار با استفاده از PV حجم نمونه جدید).

در بخش بعد ، خواهیم دید چگونه موفق شده ایم سه مشکل مذکور را برای ایجاد قابلیت تحمل خطا در طراحی خود حل کنیم.

راه حل

خاموشی آرام Kafka

برای حداقل کردن اختلال برای کلاینت های Kafka ، ازAWS Node Termination Handler(NTH) استفاده کردیم. این اجزا توسط AWS برای محیط های کوبرنتیز ارائه شده است و قادر به ساج کردن و خروج از نود کارگری است که قرار است متوقف شود. این خروج ، به نوبه خود ، شامل خاموشی آرام فرآیند Kafka است که با ارسال سیگنال SIGTERM مودبانه به همه پادهای در حال اجرای روی نود کارگری که در حال خروج است (به جای SIGKILL سختگیرانه یک خاتمه عادی) فراخوانی می شود.

رویدادهای خاتمه که توسط NTH گرفته می شوند:

عملیات کوچک شدن توسط یک ASG.خاتمه دستی یک نمونه.رویدادهای نگهداری AWS ، به طور معمول نمونه های EC2 جدول زمانبندی شده برای بازنشستگی آینده.

این برای بیشتر از اختلالاتی که خواهد شد مواجه شدن از سمت کلاینت هایمان در زمان های عادی و عملیات نگهداری مشترک مانند ختم کردن یک نود کارگر برای تازه کردن آن کافی است.

NTH دارای دو حالت است: Instance Metadata Service (IMDS) و Queue Processor. ما تصمیم گرفتیم از حالت دوم استفاده کنیم زیرا قادر است مجموعه گسترده تری از رویدادها را دریافت کند و توانایی تحمل خطا را گسترش دهد.

عملیات کوچک شدن توسط یک ASG

تصویر 3 نشان می دهد که NTH با Queue Processor در حال عمل است و چگونه به یک عملیات کوچک شدن واکنش نشان می دهد (معمولاً در طول یک عملیات نگهداری شروعی به صورت دستی فعال می شود):

همزمان ، یک رویداد تکرار عمرچرخه به یک صف Amazon Simple Queue Service(SQS) صادر می شود. در تصویر 3 ، ما رویدادهای EC2 را همچنین واقعی (مانند ختم دستی یک نمونه ، رویدادهای نگهداری AWS و غیره) که از طریق Amazon EventBridge تردد می کنند و در نهایت در همان صف SQS خاتمه می یابند ، مادرید کرده ایم. در دو بخش بعدی ، رویدادهای EC2 را بررسی خواهیم کرد.

معرفی

تیم پلتفرم داده بلادرنگ Grab کبان، منابع زیرساخت را از طریق زیرساخت به عنوان کد (IaC) مدیریت می کند. از طریق رویکرد IaC، از Terraform برای حفظ هماهنگی زیرساخت استفاده می شود، اتوماسیون و آسانی استقرار زیرساخت جریان زنده ما، به خصوص:

با رشد نماینده Grab، باید راه بهتری برای تغییر سازمانی زیرساخت به طور خودکار وجود داشته باشد. حرکت به سمت روند GitOps در بسیاری از راه ها برای ما سودمند است:

نسخه بندی و غیرقابل تغییر: با ذخیره کد منبع در مخازن Git، حالت مطلوب زیرساخت در یک محیط ذخیره می شود که عدم قابلیت تغییر، نسخه بندی و نگهداری تاریخچه نسخه را اجبار می کند، که در بازرسی و قابلیت ردیابی کمک می کند.استقرار سریعتر: با اتوماسیون فرآیند استقرار منابع پس از ادغام کد، ما مراحل دستی را حذف می کنیم و به طور کلی بهره وری مهندسی کلی را افزایش می دهیم در حالی که هماهنگی را حفظ می کنیم.بازگشت آسانتر: این به راحتی مانند بازگشت روی یک کامیت Git است در مقایسه با ایجاد یک درخواست ادغام (MR) و توضیح دستورات Atlantis است که مراحل اضافی را اضافه می کند و به افزایش زمان میانگین برای حل موارد عملکرد مشارکت می کند (MTTR) برای حوادث.

پیش زمینه

برخلاف، Coban پیاده سازی اتوماسیون منابع Terraform را با استفاده از Atlantis، یک برنامه که بر اساس نظرات کاربر در MR ها عمل می کند، انجام می دهد.

ما با Atlantis راه زیادی پیموده ایم. این به ما کمک کرده است تا جریان کاری خود را اتوماتیک کنیم و امکانات خود خدمت را برای مهندسین ما در دسترس قرار دهیم. با این حال، چند محدودیت در راه اندازی ما وجود داشت که می خواستیم بهبود ببخشیم:

دانسگرانه: راهی برای محدود کردن انواع منابع Terraform که کاربران می توانند ایجاد کنند وجود ندارد، که مسائل امنیتی را ایجاد می کند. به عنوان مثال، اگر یک کاربر یکی از صاحبان کد باشد، می تواند با تأییدیه تیم خود، دوره امتیاز IAM دیگری با دسترسی های مدیریتی ایجاد کند. همه جا در مخزن.

راه حل

ما یک راه حل GitOps داخلی به نام Khone توسعه داده ایم. نام آن الهام گرفته شده از آبشار Khone Phapheng است. ما برخی از بهترین و معروف ترین محصولات GitOps موجود را ارزیابی کرده ایم، اما تصمیم گرفتیم هیچ کدام را در نظر نگیریم زیرا بیشتر آنها برای پشتیبانی منابع اختصاصی یا سفارشی Kubernetes هستند و ما نیاز داشتیم زیرساخت زیرساخت را فراتر ببریم. با رویکرد ما، ما کنترل کاملی بر روی جریان کاربری کلی و پیاده سازی آن داریم و از طریق آن به پیامدهای زیر استفاده می بریم:

امنیت: قابلیت ایمنی خط لوله با اسکریپت ها و جریان کارهای سفارشی زیادی را دارد.تجربه کاربری ساده (UX): جریان کاری ساده شده و خطاهای انسانی را با اتوماسیون جلوگیری می کند.DRY: کاهش کدهای boilerplate. کاربران فقط نیاز به ایجاد یک منبع Terraform و نه یک پروژه کامل Terraform را دارند.

با تمام انواع منابع زیرساخت جریان زنده که ما پشتیبانی می کنیم، سوابق مشترکی مانند فضای نام، محیط یا نام خوشه مانند خوشه Kafka و خوشه Kubernetes شناسایی شده است. به عنوان مثال، استفاده از این مقادیر به عنوان مسیرهای فایل به ما کمک می کند تا ورودی کاربران را به راحتی اعتبار سنجی کنیم و آنها را از تنظیمات خاص منبع در کد منبع HCL خود جدا کنیم. علاوه بر این، باعث حذف اطلاعات تکراری برای حفظ هماهنگی می شود. اگر این قطعه اطلاعات در مسیر فایل باشد، در جای دیگری در تعریف منبع وجود نخواهد داشت.

با این رویکرد، ما می توانیم از اسکریپت های لوله که به زبان پایتون نوشته شده اند و اعتبارسنجی هایی بر روی انواع منابع و نام های منابع با استفاده از عبارت های منظم (Regex) را انجام دهند بدون وابستگی به توابع HCL استفاده کنیم. علاوه بر این، ما با استخراج خودکار تنظیمات مانند نقاط پایانی پراکسی Kafka از نام خوشه و محیط، خطاهای انسانی را جلوگیری کرده و به کارایی توسعه دهندگان کمک می کنیم.

مراحل لوله کاری

پیاده سازی لوله کاری Khone با سه مرحله طراحی شده است. هر مرحله وظایف و مسئولیت های مختلفی را در تأیید ورودی کاربر و ایجاد ایمن منابع ایجاد می کند.

مرحله اولیه

در این مرحله، تغییرات را به منابع حذف شده، ایجاد شده یا تغییر کرده و انواع منابع پشتیبانی نشده را فیلتر می کنیم. همچنین با اعتبارسنجی تغییرات بر اساس مسیر منبع و بررسی کد منبع HCL در ماژول Terraform آنها را از ایجاد منابع ناخواسته جلوگیری می کنیم. این مرحله همچنین آرتیفکت ها را برای مراحل بعدی آماده می کند.

مرحله Terraform

این یک لوله کاری نزولی است که دستور طرح یا دستور اعمال Terraform را بسته به وضعیت MR اجرا می کند، که ممکن است تأخیر در بررسی یا ادغام باشد.هر بخش جداگانه در پردازش های همزمان اجرا می شود برای هر تغییر منبع که در بازدهی کمک می کند و زمان کلی اجرای لوله را کاهش می دهد.

برای هر کار جداگانه، ما چندین گیت آنی امنیتی را پیاده سازی کرده ایم مانند:

بررسی کد: از کتابخانه python-hcl2 برای خواندن محتوای HCL منابع Terraform برای انجام اعتبارسنجی، محدود کردن انواع منابع Terraform که کاربران می توانند ایجاد کنند و اطمینان حاصل می کند که منابع تنظیمات مورد نظر دارند. همچنین از منبع Terraform مجاز به اعتبارسنجی مبدا ویدیویی استفاده کرده ایم بر اساس نوع منبع اعلام شده. این به ما این امکان را می دهد که از انعطاف پذیری زبان پایتون به عنوان یک زبان برنامه نویسی بهره ببریم و اعتبارسنجی ها را به طور پویا تر وابسته به توابع HCL بیشتر انجام دهیم.اعتبارسنجی منابع: ما تنظیمات را بر اساس مسیر منبع اعتبارسنجی می کنیم تا اطمینان حاصل کنیم کاربران با ساختار مسیر صحیح و قصد شده دنبال می کنند.اندازه گیری و قالب بندی: استفاده از برنامه Terraform CLI برای لینتینگ و قالب بندی کد HCL به منظور اطمینان از همسانی کد.

علاوه بر این، ماژول Terraform ما به طور مستقل پارامترها را با تأیید مسیر کاری به جای وابستگی به ورودی کاربر اعتبارسنجی می کند که به عنوان یک لایه دیگری از دفاع برای اعتبارسنجی عمل می کند.

مسیر = یکی (regexall (join ("/",
[
    "^ * "،
    "(? P <repository> khone | khone-dev) "،
    "منابع"،
    "(? P <namespace> [^/] *) "،
    "(? P <resource_type> [^/] *) "،
    "(? P <env> [^/] *) "،
    "(? P <cluster_name> [^/] *) "،
    "(? P <resource_name> [^/] *) $ "
] )، مسیر ( مسیر کاری))

مرحله معیار

در این مرحله، ما وضعیت کارهای قبلی را تحت عنوان موفقیت یا نرخ خطا گزارش می دهیم.

برای معیارهای ما، با حذف کاربران از Coban، به دست آوردن کاربران واقعی را تشخیص دادیم. این به ما کمک می کند معیارهای موفقیت را به طور پیوسته اندازه گیری کنیم زیرا می توانیم معیارها را از لوله های تست CI / CD جدا کنیم.

در نیمه دوم سال 2022، ما به یک uptime 100٪ برسید