虽然 K8S 本身不建议在 Master 节点中部署 Pod，但是实际上也是可以的。
kubectl taint nodes --all node-role.kubernetes.io/master-
这行命令的意思是移除所有节点的 master taint，这样就可以在 master 节点部署 pod 啦~
Case 1：
CPU 和内存都被打满了，同时发现硬盘 IO 也很高。
ps -eo pid,ppid,cmd,%mem,mem,%cpu --sort=-%mem | head -n 50
发现 kswapd0 偶尔会占用很高的 CPU，而这个进程是在内存满的时候负责在内存和 swap 之间交换。也就是问题的根源是内存满了，而 kswapd0 开始在内存和 swap 之间反复读写文件，导致 CPU 和 IO 也涨了起来，这时候应该找到内存暴涨的根源，进而解决问题。
[1] https://askubuntu.com/questions/259739/kswapd0-is-taking-a-lot-of-cpu
服务治理有两种方式：
两种模式的区别如图：
2019-01-02 更新：相对于 Kubernetes 来说，Nomad 还是太简陋了，弃坑
Nomad 是 HashiCorp 出品的一个容器编排服务，相较于重量级的 Kubernetes 来说，Nomad 的特点在于
从官网下载二进制文件，复制到 /usr/local/bin 就好了，不再赘述
$ sudo nomad agent -dev
$ nomad node status
ID …为什么我们要把监控数据存到 influxdb 呢? 存到 MySQL 或者 MongoDB 甚至 Elasticsearch 不好么?
数据模型上, 监控数据是和时间相关的, 脱离点产生的时间, 那么数据将毫无意义, 传统数据库中并没又强调这一点.
性能上, influxdb 是时间序列数据库, 这类数据库面临的问题是写入非常多, 而读取比较少. 而普通的数据库一般都是读比较多, 而写入较少, 并且要保证写入的正确性.
监控打点显然是一个面向时间序列的过程, 并且写入非常多, 而一般只有在触发告警, 排查问题的时候可能读取才比较多. 所以从性能和功能考虑上来说, 传统数据库都是不适用的.
influxdb 中常见的存储数据格式:
cpu_usage value=49 1502043216
cpu_usage value=50 1502193042
cpu_usage value=5 1502196258
我们以一个 measurement(测量) 作为一个表 …
前几篇写了一写 k8s 部署方面的东西, 后来发现阿里云的 k8s 集群还很好用...何苦自己研究几天部署呢...?
------分隔线------
在 k8s 上部署一个应用还是有些复杂的, 自己的应用当然需要自己一步一步部署, 但是对于一些通用的应用, 比如说 mysql/grafana 这种就没必要自己手工一步一步部署了. 这时候就有了 helm, 通俗的来说他就是 kubernetes 上的 AppStore, 常见的应用都已经在了, 而且你也可以按照他的格式打包自己的应用部署.
在 helm 的 release 页面下载, 然后拷贝到本地的 /usr/local/bin/ 目录就好了. helm 运行的时候会使用 ~/.kube/config 文件, 所以本地 kubectl 可以使用就好了.
helm 分为两部分, helm 是本地命令, tiller 是服务端 …
为了部署我们自己的应用, 首先需要把基础设施部署上去, 其中数据库就占了大头. 有人说数据库等应用不是和容器化部署, 但是也有人认为所有的应用都适合容器化部署. 在这里我们不讨论这些观点，仅以部署 MySQL 为例说明一下如何在 K8S 上部署有状态服务。
kubernetes 架构图
随着 docker cloud 的关闭，容器的编排工具之争似乎已经结束了，Docker Swarm 上算是完了，Kubernetes 笑到了最后。然而 k8s 的组件众多，因此部署起来也很麻烦。为此，网上有不少的网上有不少的部署教程和脚本，包括但不限于：
有的出于教学目的的单机版本，有的是可以在生产环境部署的版本。研究了一番，发现 rke 这个工具应该是最简单的了。不过 rke 还不太稳定，目前看来，kubespray 声明了可以在生产环境使用
本文基于 ubuntu 16.04. CentOS 上好多默认设置都需要修改，因此建议大家基于 Ubuntu 部署 k8s。
我注意到了一个神奇的软件工程法则：在你正确地解决问题之前，你至少需要3个例子。
具体说来是这样的：
比如说你在实现一个类，从银行抓取数据。下面是一个非常傻瓜的版本，但是应该说明了问题：
class ChaseScraper:
def __init__(self, username, password):
self._username = username
self._password = password
def scrape(self):
session = requests.Session()
sessions.get('https://chase.com/rest/login.aspx',
data={'username': self._username,
'password': self._password …