背景
随着云原生应用架构的快速发展，微服务架构已经成为了构建现代应用的主要方式之一。而在微服务架构中，服务间的通信变得至关重要。为了实现弹性和可伸缩性，许多组织开始采用服务网格技术来管理服务之间的通信。
Istio作为目前最受欢迎的服务网格之一，提供了一套强大的功能，以简化服务网格的管理和操作。它通过引入一组专门的代理（即Sidecar）来实现在服务之间进行流量管理、监控和安全控制等功能。
在Istio中，Sidecar是一种特殊的代理，它与每个服务实例一起部署，并负责处理该实例与其他服务之间的通信。它位于服务容器内部，与应用程序实例一同运行，并通过拦截和转发网络流量来提供服务网格的功能。
然而，正因为Sidecar与每个服务实例一同运行，它也可能引入一些潜在的性能问题，其中一个主要问题就是延迟。
由于每个服务实例都需要与其对应的Sidecar进行通信，这增加了请求路径的长度和网络延迟。此外，Sidecar还要负责执行各种功能，如流量管理、监控和安全控制等，这也会对性能产生一定的影响。
针对Sidecar引入的延迟问题，业内常用采用eBPF sockops 技术来优化，在同一个节点下，短路两个进程间的socket 通信，也就是让tcp 报文不用经过TCP/IP 协议栈。 加速后的流量路径示意图如下：
阿里云服务网格最近上线了sidecar 加速组件, 接下来我们来测试验证下，特别是对比其开启前后实际的加速效果。
安装部署和环境介绍
环境准备
首先，按照文档，创建一个ASM 实例，笔者采用当前ASM 最新版本v1.18 企业版
然后，创建一个ACK 集群，ASM sidecar 加速组件仅支持ACK 托管版本和ACK 专有版本集群。笔者创建了一个ACK托管版本实例 ，版本使用v1.26, 集群包含3节点，节点操作系统镜像使用了文档推荐的Alibaba Cloud Linux3。并把ACK 添加到ASM 实例下。
环境信息如下：
- ✅ASM 实例
- ✅ACK 集群
网络CNI 插件选用了terway
部署测试例子
这里采用了从istio 官方的benchmark 工具下抽离出的简化版压测程序。
---
apiVersion: v1
kind: Service
metadata:
name: fortioserver
spec:
ports:
服务器托管网 - name: http-echo
port: 8080
protocol: TCP
- name: tcp-echoa
port: 8078
protocol: TCP
- name: grpc-ping
port: 8079
protocol: TCP
selector:
app: fortioserver
type: ClusterIP
---
apiVersion: apps/v1
kind: Deployment
metadata:
labels:
app: fortioserver
name: fortioserver
spec:
selector:
matchLabels:
app: fortioserver
template:
metadata:
labels:
app: fortioserver
annotations:
sidecar.istio.io/proxyCPULimit: 2000m
proxy.istio.io/config: |
concurrency: 2
spec:
containers:
- name: captured
image: fortio/fortio:latest_release
ports:
- containerPort: 8080
protocol: TCP
- containerPort: 8078
protocol: TCP
- containerPort: 8079
protocol: TCP
---
apiVersion: v1
kind: Service
metadata:
annotations:
service.beta.kubernetes.io/alibaba-cloud-loadbalancer-health-check-switch: "off"
name: fortioclient
spec:
ports:
- name: http-report
port: 8080
protocol: TCP
selector:
app: fortioclient
type: LoadBalancer
---
apiVersion: apps/v1
kind: Deployment
metadata:
labels:
app: fortioclient
name: fortioclient
spec:
selector:
matchLabels:
app: fortioclient
template:
metadata:
annotations:
sidecar.istio.io/proxyCPULimit: 4000m
proxy.istio.io/config: |
concurrency: 4
labels:
app: fortioclient
spec:
affinity:
podAffinity:
requiredDuringSchedulingIgnoredDuringExecution:
- labelSelector:
matchExpressions:
- key: app
operator: In
values:
- fortioserver
topologyKey: "kubernetes.io/hostname"
containers:
- name: captured
volumeMounts:
- name: shared-data
mountPath: /var/lib/fortio
image: fortio/fortio:latest_release
args:
- report
ports:
- containerPort: 8080
protocol: TCP
volumes:
- name: shared-data
emptyDir: {}
根据Sidecar Acceleration 组件文档提示，组件开启不能加速已有存量TCP 连接，因此，笔者通过DestinationRule 配置了 客户端侧的相关连接池配置，通过设置连接的空闲时间30s 来保证前后多轮测试，连接总是新建的。（前后两轮测试间隔30s 以上即可）
apiVersion: networking.istio.io/v1alpha3
kind: DestinationRule
metadata:
name: fortioserver
spec:
host: fortioserver.default.svc.cluster.local
trafficPolicy:
connectionPool:
tcp:
maxConnections: 100
http:
idleTimeout: 30s
拷贝如上yaml ，kubectl apply 即可。注意部署前已将default namespace 开启了sidecar自动注入。
压测模型： 很简单就是 fortioclient -> fortioserver , 注入sidecar 后，压测流量路径变为：
[ fortioclient -> sidecar ] -> [ sidecar -> fortioserver ]
Yaml 配置简单说明如下：
1） 考虑到envoy 路由和负载均衡能力大部分功能由 outbound sidecar 起作用，上述配置特意调大了 outbound sidecar 的CPU ，设置其CPU limit为4000m, concurrency 对应调整为4 （性能最优），避免压测客户端成为瓶颈。
- 为了测试多阶段都能加速的效果，特意通过pod 亲和性将fortioclient 和 fortioserver 调度到同一个节点。
3）每一轮的压测结果可以通过fortioclient 的 8080 端口访问进行查看。
压测方法：
1) http 请求性能压测
kubectl exec deployment/fortioclient -c captured -- fortio load -c 64 -qps 14000 -t 30s -a -r 0.00005 -httpbufferkb=64 -labels http-after-install-acceleration-perf-test-1 http://fortioserver:8080/echo?size=1024
2) tcp 请求性能压测
kubectl exec deployment/fortioclient -c captured -- fortio load -c 64 -qps 0 -t 30s -a -r 0.00005 -labels tcp-after-install-acceleration-perf-test-1 tcp://fortioserver:8078
其中labels 是对应这一轮压测的名称，可用于区别多轮压测结果。
qps 需要根据实际压测场景进行调整。设置为0 表示无上限。设置为非零表示采用固定QPS 进行压测。
fortio 相关参数含义可以参考官方链接文档： https://github.com/fortio/fortio
性能测试
为了避免压测时相关干扰信息，可以将日志暂时关闭。在ASM 控制台的可观测配置下操作关闭即可。
首先进行一轮环境的QPS 上限测试。对比开启前后的QPS 是否有提升。
压测相关参数设置：
- 64 并发
- QPS 不设上限
- 持续压测30s
- http payload 1024 (1KB) size
kubectl exec deployment/fortioclient -c captured -- fortio load -c 64 -qps 0 -t 30s -a -r 0.00005 -httpbufferkb=64 -labels http-after-install-acceleration-perf-test-1 http://fortioserver:8080/echo?size=1024
压测结果：
也可以通过fortioclient 的loadbalancer ip 访问查看相关直方图，可以看到大部分请求的latency 分布情况。
测试开启 Sidecar Acceleration加速组件后效果：
在ACK 控制台的组件管理菜单下找到加速组件，点击安装；
安装提示成功后，再次使用同样的压测命令进行压测：
kubectl exec deployment/fortioclient -c captured -- fortio load -c 64 -qps 0 -t 30s -a -r 0.00005 -httpbufferkb=64 -labels http-after-install-acceleration-perf-test-1 http://fortioserver:8080/echo?size=1024
压测结果：
开启前后对比：
从QPS 角度来看，13521 / 11461.0 = 1.179739987784661， 18% 左右的QPS 提升。
Latency 角度来看: 4.732/5.583 = 0.8475729894322049, 平均 AVG latency 降低16% 左右。
我们可以通过fortio UI 提供的直方图可以直观地看出，加速组件开启后，延迟更低，大部分请求在低延时区域。 未开启加速组件之前的请求，对比有超出一部分请求在较高的延时区域。
笔者进行了多轮压测，排除了相关环境抖动因素。
调整并发进行多轮压测，QPS 基本提升都能保证在15% 左右。
然后，再次进行了一组TCP 的压测对比
压测相关参数配置：
- 64 并发
- 1024 payload
- 持续压测30s
开启前：
执行如下命令进行压测;
kubectl exec deployment/fortioclient -c captured -- fortio load -c 64 -qps 0 -t 30s -a -r 0.00005 --payload-size 1024 -labels tcp-not-install-acceleration-perf-test-1 tcp://fortioserver:8078
进行多轮压力测试，多轮压测差异不大，排除干扰信息。
开启后：
执行如下命令：
kubectl exec deployment/fortioclient -c captured -- fortio load -c 64 -qps 0 -t 30s -a -r 0.00005 --payload-size 1024 -labels tcp-after-install-acceleration-perf-test-1 服务器托管网tcp://fortioserver:8078
开启前后直方图对比：
QPS 前后对比：
85665/54564.9 = 1.5699653073679234 , 50%多的QPS 提升，这是因为对于TCP 来说，sidecar/envoy 仅做tcp 负载均衡纯转发，不用做HTTP报文解析。
因此，在这种场景下，报文通过TCP/IP 协议栈所占用的时间比重相对较高。我们通过Latency 对比也可以看出。
Latency 前后对比：
0.746 ms / 1.172.ms = 0.636 ，接近40% 的latency 降低。
总结
服务网格下的Sidecar 代理业务服务的收发请求，并提供业务层面的流量控制（路由）、负载均衡等功能，会引入一定的Latency 延迟。 通过eBPF 技术（部署sidecar 加速组件）将同节点下两个进程间的TCP 报文进行socket 短路可以提升一定的性能，HTTP 场景下QPS 可提升15% 左右, 有效地降低业务请求的Latency 。
实际业务场景下，对于Latency 敏感型的业务，我们可以通过pod 亲和性将上下游的依赖服务部署在同一个节点，采用Sidecar Acceleration Using eBPF 组件来保证服务更低的Latency 和 更高的QPS 。
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
相关推荐: 万字长文，GPU Render Engine 详细介绍
前言 GPU （Graphics Processing Unit）是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图形相关运算工作的微处理器。随着AI兴起，适合并行运算的 GPU 也被广泛应用于训练和推理， 大量的服务器开始搭载…
