Files

T

wangbo 95ddfb2a04 fix(deploy): 为 K3s 配置容器镜像端点

三节点 containerd 增加 Docker Hub、GHCR 与 Quay 的 DaoCloud 镜像端点，解决生产节点直连公共 Registry 超时导致 Pod sandbox 无法创建的问题。

新增逐节点滚动刷新脚本，每次等待节点重新 Ready 并实际拉取 pause 镜像后才继续，避免同时重启 etcd 成员。初始 K3s 安装也会预置同一 registries.yaml。

验证：三节点镜像端点均返回 Registry 认证响应，bash -n、ShellCheck。

2026-07-28 05:05:33 +08:00

5.6 KiB

Raw Blame History

EasyAI Gateway 三节点 K3s 高可用运行手册

范围与目标

本手册覆盖宁波、香港、洛杉矶三节点迁移。宁波和香港承载 API、Web、River Worker 与 CloudNativePG；洛杉矶只作为 K3s server/etcd 仲裁节点，并带 easyai.io/witness=true:NoSchedule 污点。

健康双库：同步复制，RPO=0。
单库降级：dataDurability: preferred 保持写入，archive_timeout=60s，灾难 RPO 目标不超过 5 分钟。
数据库故障 RTO：不超过 5 分钟。
应用发布：香港验收后再滚动宁波，计划内零停机。
公网入口：双 NGINX 加人工 AliDNS 切换。接入带健康检查的 GTM 前，不宣称公网入口自动高可用。

所有命令从仓库根目录执行。生产凭据仅从 0600 的 .env.local 和 .local-secrets/cluster/ 读取，不进入 Git、发布 manifest 或验收输出。

实施顺序

1. 源码与镜像门禁

cd apps/api && env -u AI_GATEWAY_TEST_DATABASE_URL go test ./... -count=1
cd apps/api && go vet ./...
pnpm install --frozen-lockfile
pnpm lint
pnpm test
pnpm build
shellcheck scripts/cluster/*.sh deploy/kubernetes/easyai-ai-gateway-cluster-release
kubectl kustomize deploy/kubernetes/production >/dev/null
./tests/ci/migrations-test.sh
node scripts/ci-validate-migrations.mjs <当前线上完整GitSHA>

代码提交并推送到 origin/main 后，发布 digest 固定镜像：

./scripts/publish-release-images.sh --components auto

2. WireGuard 与 K3s

./scripts/cluster/bootstrap-wireguard.sh
./scripts/cluster/bootstrap-k3s.sh backup
./scripts/cluster/harden-node-network.sh
./scripts/cluster/bootstrap-k3s.sh install
./scripts/cluster/verify-cluster.sh precutover

backup 会在卸载旧 K3s 前，将 SQLite、manifests 和 staging 资源归档并校验后上传 OSS easyai-ai-gateway/production/pre-ha/。install 固定 v1.36.2+k3s1，使用 embedded etcd、静态 Secret 加密、500ms heartbeat 和 5s election timeout。 K3s containerd 同时配置 Docker Hub、GHCR 与 Quay 的镜像端点；已有集群需要滚动刷新时执行：

./scripts/cluster/configure-k3s-registries.sh

3. 平台和入口预置

./scripts/cluster/bootstrap-platform.sh prepare dist/releases/<SHA>.json
./scripts/cluster/install-nginx-edges.sh prepare
./scripts/cluster/install-certificate-sync.sh
./scripts/cluster/install-legacy-cleaner.sh

prepare 将应用副本保持在 0，但启动 CNPG 双实例、WAL 归档和每日备份。SecretStore 的 4 个值从旧 volume 直接导入 Kubernetes Secret，脚本只校验数量与总字节数，不打印值。

4. 02:00–04:00 切换

先执行只读预检：

./scripts/cluster/migrate-production.sh preflight dist/releases/<SHA>.json

进入北京时间窗口后执行：

./scripts/cluster/migrate-production.sh cutover dist/releases/<SHA>.json

脚本依次启用维护页、停止旧 API、完整备份旧 PostgreSQL、上传 OSS、恢复 CNPG、比对数据库版本/扩展/catalog/表数/序列/关键行数/抽样 ID、运行 digest 固定 migrator、冻结 Worker 启动两地应用、做 NodePort 验收，再切换双 NGINX。公开流量提交后，先启用香港 Worker，再启用宁波 Worker。旧 Docker PostgreSQL 和数据卷停止但保留，不自动删除。

在公共流量提交前，任一步失败或耗时超过 10 分钟都会恢复旧 Docker 与旧 NGINX。公共流量提交后禁止自动切回旧数据库，避免双写分叉。

上线验收

./scripts/cluster/verify-cluster.sh postcutover
./scripts/cluster/run-cross-node-file-e2e.sh
./scripts/cluster/failure-drill.sh api --execute
./scripts/cluster/failure-drill.sh database --execute
./scripts/cluster/failure-drill.sh witness --execute
./scripts/cluster/restore-backup-drill.sh --execute
./scripts/cluster/verify-etcd-backup.sh

跨节点 E2E 通过宁波私有 NGINX 固定进入宁波 API，关闭宁波 River Worker，由香港 Worker 执行真实 multipart 图片编辑任务；校验输入和输出 URL 在两节点下载的长度与 SHA-256 一致，并检查 river_job.attempted_by、唯一成功 attempt、唯一结算/扣费及无重复回调。

数据库故障演练会强制删除当前主 Pod，确认 5 分钟内晋升；在副本恢复前写入一条专用 system_settings 探针，恢复同步后删除。备份恢复演练会从 OSS 创建一个独立 CNPG Cluster，验证数据库登录、schema、行数和抽样值后删除临时 Cluster 与 PVC。

发布与回滚

切换成功后，本地环境自动设置 AI_GATEWAY_DEPLOY_MODE=kubernetes。日常发布仍使用：

./scripts/deploy-production-release.sh dist/releases/<SHA>.json
./scripts/deploy-production-release.sh --status
./scripts/deploy-production-release.sh --rollback <历史完整SHA>

集群 helper 从 easyai-gateway-release ConfigMap 读取当前 release，数据库迁移前先等待一次 CNPG 备份，然后香港滚动、验收，再滚动宁波。--rollback 只恢复应用 digest，绝不逆向执行迁移。

旧文件与公网故障

宁波每小时执行一次清理，以当前时间减文件 mtime 严格大于 86,400 秒为删除条件。未过期文件由宁波只读 NGINX 提供，香港通过 WireGuard 回源。清理结果持续为 0 个存量文件后，删除两个 legacy static include 和宁波 18080 origin；历史过期 URL 返回 410。

公网入口故障时，先使用 curl --resolve 确认香港入口健康，再人工将 ai.51easyai.com AliDNS A 记录切到香港 IP。恢复后不自动回切；确认连接和任务稳定后再择时切回。

5.6 KiB Raw Blame History Unescape Escape