متصل کردن Cloud Spanner به GKE Autopilot

۱. مقدمه

Cloud Spanner یک سرویس پایگاه داده رابطه‌ای کاملاً مدیریت‌شده، مقیاس‌پذیر افقی، و توزیع‌شده جهانی است که تراکنش‌های ACID و معناشناسی SQL را بدون ازدست دادن عملکرد و دردسترس بودن بالا ارائه می‌دهد.

GKE Autopilot حالتی از عملکرد در GKE است که در آن Google پیکربندی خوشه شما را مدیریت می‌کند، ازجمله گره‌ها، مقیاس‌بندی، امنیت، و سایر تنظیمات ازپیش پیکربندی‌شده برای پیروی از روال‌های مطلوب. برای مثال، GKE Autopilot Workload Identity را برای مدیریت اجازه‌های سرویس فعال می‌کند.

هدف این آزمایشگاه راهنمایی شما در فرایند متصل کردن چندین سرویس پس‌بک درحال اجرا در GKE Autopilot به پایگاه داده Cloud Spanner است.

3d810aa9ec80a271.png

در این آزمایشی، ابتدا پروژه‌ای را راه‌اندازی می‌کنید و Cloud Shell را راه‌اندازی می‌کنید. سپس زیرساخت را بااستفاده از Terraform مستقر خواهید کرد.

وقتی این کار تمام شد، با Cloud Build و Cloud Deploy تعامل خواهید داشت تا انتقال طرح‌واره اولیه را برای پایگاه داده Games انجام دهید، سرویس‌های پس‌بخش را مستقر کنید، و سپس حجم‌های کاری را مستقر کنید.

سرویس‌های این codelab همان سرویس‌های codelab شروع به کار کردن با Cloud Spanner برای توسعه دادن بازی است. برای اجرای سرویس‌ها در GKE و متصل شدن به Spanner، لازم نیست آن codelab را انجام دهید. اما اگر به جزئیات بیشتری درباره ویژگی‌های خاص آن سرویس‌هایی که روی Spanner کار می‌کنند علاقه‌مندید، آن را بررسی کنید.

با اجرای حجم‌های کاری و سرویس‌های زیرینه، می‌توانید شروع به تولید بار کنید و مشاهده کنید که سرویس‌ها چگونه باهم کار می‌کنند.

درنهایت، منابعی را که در این آزمایشگاه ایجاد شده‌اند پاک‌سازی خواهید کرد.

آنچه خواهید ساخت

به‌عنوان بخشی از این آزمایشگاه، شما:

  • Provision the infrastructure using Terraform
  • ایجاد کردن طرح پایگاه داده بااستفاده از فرایند «انتقال طرح» در Cloud Build
  • مستقر کردن چهار سرویس زیرینه Golang که از Workload Identity برای متصل شدن به Cloud Spanner استفاده می‌کنند
  • چهار سرویس حجم کاری را که برای شبیه‌سازی بار برای سرویس‌های زیرینه استفاده می‌شوند مستقر کنید.

آنچه خواهید آموخت

  • نحوه تأمین خطوط لوله GKE Autopilot،‏ Cloud Spanner، و Cloud Deploy بااستفاده از Terraform
  • چگونه «هویت حجم کاری» به سرویس‌های GKE اجازه می‌دهد تا حساب‌های خدمات را جعل هویت کنند تا به اجازه‌های IAM برای کار با Cloud Spanner دسترسی پیدا کنند
  • نحوه تولید بار شبیه به تولید در GKE و Cloud Spanner بااستفاده از Locust.io

آنچه نیاز خواهید داشت

  • پروژه Google Cloud که به حساب صورت‌حساب متصل است.
  • مرورگر وب، مثل Chrome یا Firefox.

۲. راه‌اندازی و الزامات

ایجاد کردن پروژه

اگر ازقبل «حساب Google» (‏Gmail یا Google Apps) ندارید، باید حسابی ایجاد کنید. به سیستم کنسول Google Cloud Platform ( console.cloud.google.com) وارد شوید و پروژه جدیدی ایجاد کنید.

اگر ازقبل پروژه‌ای دارید، روی منو کرکره‌ای انتخاب پروژه در بالا سمت راست کنسول کلیک کنید:

6c9406d9b014760.png

و روی دکمه «پروژه جدید» در کادر گفتگوی حاصل کلیک کنید تا پروژه جدیدی ایجاد شود:

949d83c8a4ee17d9.png

اگر ازقبل پروژه‌ای ندارید، باید کادر گفتگویی مانند این را برای ایجاد اولین پروژه خود ببینید:

870a3cbd6541ee86.png

کادر گفتگوی ایجاد پروژه بعدی به شما امکان می‌دهد جزئیات پروژه جدیدتان را وارد کنید:

6a92c57d3250a4b3.png

شناسه پروژه را به‌خاطر بسپارید. این شناسه نامی یکتا در بین همه پروژه‌های Google Cloud است (نام بالا قبلاً استفاده شده است و برای شما کار نخواهد کرد، متأسفیم!). در ادامه این codelab، با نام PROJECT_ID به آن ارجاع داده می‌شود.

سپس، اگر قبلاً این کار را نکرده‌اید، باید صدور صورت‌حساب را در «کنسول توسعه‌دهندگان» فعال کنید تا بتوانید از منابع Google Cloud استفاده کنید و Cloud Spanner API را فعال کنید.

15d0ef27a8fbab27.png

اجرای این codelab نباید بیش‌از چند دلار برای شما هزینه داشته باشد، اما اگر تصمیم بگیرید از منابع بیشتری استفاده کنید یا آن‌ها را درحال اجرا رها کنید، ممکن است بیشتر باشد (به بخش «پاک‌سازی» در انتهای این سند مراجعه کنید). قیمت‌گذاری Google Cloud Spanner در اینجا و GKE Autopilot در اینجا مستند شده است.

کاربران جدید Google Cloud Platform واجدشرایط دوره آزمایشی رایگان ۳۰۰ دلاری هستند که این codelab را کاملاً رایگان می‌کند.

راه‌اندازی Cloud Shell

درحالی‌که Google Cloud و Spanner را می‌توان از راه دور از رایانه کیفی شما اجرا کرد، در این codelab از Google Cloud Shell استفاده خواهیم کرد که یک محیط خط فرمان است که در Cloud اجرا می‌شود.

این ماشین مجازی مبتنی بر Debian با همه ابزارهای توسعه‌ای که نیاز دارید بارگیری می‌شود. این ابزار یک دایرکتوری خانگی دائمی ۵ گیگابایتی ارائه می‌دهد و در Google Cloud اجرا می‌شود، که عملکرد شبکه و اصالت‌سنجی را به‌طور قابل‌توجهی بهبود می‌بخشد. این یعنی تنها چیزی که برای این codelab نیاز دارید یک مرورگر است (بله، در Chromebook کار می‌کند).

  1. برای فعال کردن Cloud Shell از Cloud Console، کافی است روی «فعال کردن Cloud Shell» gcLMt5IuEcJJNnMId-Bcz3sxCd0rZn7IzT_r95C8UZeqML68Y1efBG_B0VRp7hc7qiZTLAF-TXD7SsOadxn8uadgHhaLeASnVS3ZHK39eOlKJOgj9SJua_oeGhMxRrbOg3qigddS2A کلیک کنید (تأمین و اتصال به محیط فقط چند لحظه طول می‌کشد).

JjEuRXGg0AYYIY6QZ8d-66gx_Mtc-_jDE9ijmbXLJSAXFvJt-qUpNtsBsYjNpv2W6BQSrDc1D-ARINNQ-1EkwUhz-iUK-FUCZhJ-NtjvIEx9pIkE-246DomWuCfiGHK78DgoeWkHRwScreen Shot 2017-06-14 at 10.13.43 PM.png

پس‌از اتصال به Cloud Shell، باید ببینید که ازقبل اصالت‌سنجی شده‌اید و پروژه ازقبل روی PROJECT_ID شما تنظیم شده است.

gcloud auth list

خروجی فرمان

Credentialed accounts:
 - <myaccount>@<mydomain>.com (active)
gcloud config list project

خروجی فرمان

[core]
project = <PROJECT_ID>

اگر به هر دلیلی پروژه تنظیم نشده است، کافی است فرمان زیر را صادر کنید:

gcloud config set project <PROJECT_ID>

به‌دنبال PROJECT_ID خود هستید؟ ببینید از چه شناسه‌ای در مراحل راه‌اندازی استفاده کرده‌اید یا آن را در داشبورد «کنسول Cloud» جستجو کنید:

158fNPfwSxsFqz9YbtJVZes8viTS3d1bV4CVhij3XPxuzVFOtTObnwsphlm6lYGmgdMFwBJtc-FaLrZU7XHAg_ZYoCrgombMRR3h-eolLPcvO351c5iBv506B3ZwghZoiRg6cz23Qw

Cloud Shell همچنین برخی‌از متغیرهای محیطی را به‌طور پیش‌فرض تنظیم می‌کند که ممکن است هنگام اجرای فرمان‌های بعدی مفید باشند.

echo $GOOGLE_CLOUD_PROJECT

خروجی فرمان

<PROJECT_ID>

بارگیری کد

در Cloud Shell، می‌توانید کد این آزمایشگاه را بارگیری کنید:

git clone https://github.com/cloudspannerecosystem/spanner-gaming-sample.git

خروجی فرمان

Cloning into 'spanner-gaming-sample'...
*snip*

این codelab براساس نسخه v0.1.3 است، بنابراین آن برچسب را بررسی کنید:

cd spanner-gaming-sample
git fetch --all --tags

# Check out v0.1.3 release
git checkout tags/v0.1.3 -b v0.1.3-branch

خروجی فرمان

Switched to a new branch 'v0.1.3-branch'

اکنون، دایرکتوری کاری فعلی را به‌عنوان متغیر محیطی DEMO_HOME تنظیم کنید. این کار باعث می‌شود پیمایش در بخش‌های مختلف codelab آسان‌تر شود.

export DEMO_HOME=$(pwd)

خلاصه

در این مرحله، پروژه جدیدی راه‌اندازی کرده‌اید، پوسته ابری را فعال کرده‌اید، و کد این آزمایشگاه را بارگیری کرده‌اید.

بعدی

سپس، زیرساخت را بااستفاده از Terraform تأمین خواهید کرد.

۳. زیرساخت آماده‌سازی

نمای کلی

اکنون که پروژه‌تان آماده است، وقت آن است که زیرساخت را راه‌اندازی کنید. این شامل شبکه VPC،‏ Cloud Spanner،‏ GKE Autopilot،‏ Artifact Registry برای ذخیره کردن تصاویری که در GKE اجرا خواهند شد، خطوط لوله Cloud Deploy برای بارهای کاری و سرویس‌های پس‌رانه، و درنهایت حساب‌های سرویس و امتیازات IAM برای امکان استفاده از آن سرویس‌ها می‌شود.

خیلی زیاد است. اما خوشبختانه، Terraform می‌تواند راه‌اندازی این مورد را ساده کند. Terraform ابزاری از نوع «زیرساخت به‌عنوان کد» است که به ما امکان می‌دهد آنچه را برای این پروژه نیاز داریم در مجموعه‌ای از فایل‌های tf. مشخص کنیم. این کار تدارک زیرساخت را ساده می‌کند.

آشنایی با Terraform برای تکمیل این codelab الزامی نیست. اما اگر می‌خواهید ببینید چند مرحله بعدی چه کاری انجام می‌دهند، می‌توانید نگاهی به آنچه در این فایل‌ها واقع در دایرکتوری infrastructure ایجاد شده است بیندازید:

  • vpc.tf
  • backend_gke.tf
  • spanner.tf
  • artifact_registry.tf
  • pipelines.tf
  • iam.tf

پیکربندی Terraform

در Cloud Shell، به دایرکتوری infrastructure می‌روید و Terraform را مقداردهی اولیه می‌کنید:

cd $DEMO_HOME/infrastructure
terraform init

خروجی فرمان

Initializing the backend...

Initializing provider plugins...
*snip*
Terraform has been successfully initialized!

You may now begin working with Terraform. Try running "terraform plan" to see
any changes that are required for your infrastructure. All Terraform commands
should now work.

If you ever set or change modules or backend configuration for Terraform,
rerun this command to reinitialize your working directory. If you forget, other
commands will detect it and remind you to do so if necessary.

سپس، Terraform را با کپی کردن terraform.tfvars.sample و اصلاح مقدار پروژه پیکربندی کنید. متغیرهای دیگر را نیز می‌توان تغییر داد، اما پروژه تنها متغیری است که باید تغییر کند تا با محیط شما کار کند.

cp  terraform.tfvars.sample terraform.tfvars
# edit gcp_project using the project environment variable
sed -i "s/PROJECT/$GOOGLE_CLOUD_PROJECT/" terraform.tfvars

تأمین زیرساخت

اکنون زمان تأمین زیرساخت است!

terraform apply
# review the list of things to be created
# type 'yes' when asked

خروجی فرمان

Plan: 46 to add, 0 to change, 0 to destroy.

Do you want to perform these actions?
  Terraform will perform the actions described above.
  Only 'yes' will be accepted to approve.

  Enter a value: yes

google_project_service.project["container.googleapis.com"]: Creating...
*snip*
Apply complete! Resources: 46 added, 0 changed, 0 destroyed.

بررسی آنچه ساخته شده است

برای درستی‌سنجی آنچه ایجاد شده است، می‌خواهید محصولات را در «کنسول Cloud» بررسی کنید.

Cloud Spanner

ابتدا Cloud Spanner را با رفتن به منوِ همبرگری و کلیک کردن روی Spanner بررسی کنید. ممکن است لازم باشد روی «مشاهده محصولات بیشتر» کلیک کنید تا آن را در فهرست پیدا کنید.

با این کار به فهرست نمونه‌های Spanner هدایت می‌شوید. روی نمونه کلیک کنید تا پایگاه‌های داده را ببینید. باید چیزی شبیه به این باشد:

10b7fc0c4a86c59.png

GKE Autopilot

سپس، با پیمایش به منوِ همبرگری و کلیک کردن روی Kubernetes Engine => Clusters، GKE را بررسی کنید. در اینجا خوشه sample-games-gke را خواهید دید که در حالت «خلبان خودکار» اجرا می‌شود.

9cecb1a702e6b7ff.png

ثبت مصنوعات

اکنون می‌خواهید ببینید تصاویر کجا ذخیره می‌شوند. بنابراین روی منوِ همبرگری کلیک کنید و Artifact Registry=>Repositories را پیدا کنید. Artifact Registry در بخش CI/CD منو قرار دارد.

در اینجا، یک Docker registry با نام spanner-game-images خواهید دید. این بخش فعلاً خالی خواهد بود.

3f805eee312841b.png

Cloud Deploy

Cloud Deploy جایی است که خطوط لوله در آن ایجاد شده‌اند تا Cloud Build بتواند مراحل ساختن تصاویر و سپس مستقر کردن آن‌ها در خوشه GKE ما را ارائه دهد.

به منوِ همبرگری بروید و Cloud Deploy را پیدا کنید که در بخش CI/CD منو نیز قرار دارد.

در اینجا دو خط لوله را مشاهده خواهید کرد: یکی برای خدمات پس‌زمینه و دیگری برای حجم‌های کاری. هر دو تصاویر را در یک خوشه GKE مستقر می‌کنند، اما این کار امکان جدا کردن استقرارها را فراهم می‌کند.

d2e4a659145ddf5e.png

مدیریت هویت و دسترسی

درنهایت، صفحه IAM را در «کنسول Cloud» بررسی کنید تا حساب‌های سرویس ایجادشده را تأیید کنید. به منوِ همبرگری بروید و IAM and Admin=>Service accounts را پیدا کنید. باید چیزی شبیه به این باشد:

bed3d1af94974916.png

درمجموع شش حساب خدمات وجود دارد که توسط Terraform ایجاد شده است:

  • حساب سرویس رایانه پیش‌فرض. این مورد در این codelab استفاده نمی‌شود.
  • از حساب cloudbuild-cicd برای مراحل Cloud Build و Cloud Deploy استفاده می‌شود.
  • چهار حساب «برنامه» که توسط سرویس‌های پسین ما برای تعامل با Cloud Spanner استفاده می‌شود.

سپس باید kubectl را برای تعامل با خوشه GKE پیکربندی کنید.

پیکربندی kubectl

# Name of GKE cluster from terraform.tfvars file
export GKE_CLUSTER=sample-game-gke 

# get GKE credentials
gcloud container clusters get-credentials $GKE_CLUSTER --region us-central1

# Check that no errors occur
kubectl get serviceaccounts

خروجی فرمان

#export GKE_CLUSTER=sample-game-gke

# gcloud container clusters get-credentials $GKE_CLUSTER --region us-central1
Fetching cluster endpoint and auth data.
kubeconfig entry generated for sample-game-gke.

# kubectl get serviceaccounts
NAME              SECRETS   AGE
default           0         37m
item-app          0         35m
matchmaking-app   0         35m
profile-app       0         35m
tradepost-app     0         35m

خلاصه

عالی! توانستید یک نمونه Cloud Spanner و یک خوشه GKE Autopilot را، همگی در یک VPC برای شبکه‌سازی خصوصی، تدارک ببینید.

علاوه‌براین، دو خط لوله Cloud Deploy برای سرویس‌های پس‌زمینه و حجم‌های کاری، و همچنین یک مخزن Artifact Registry برای ذخیره تصاویر ساخته‌شده ایجاد شد.

و درنهایت، حساب‌های خدمات ایجاد و پیکربندی شدند تا با Workload Identity کار کنند تا سرویس‌های پس‌بک بتوانند از Cloud Spanner استفاده کنند.

همچنین kubectl را برای تعامل با خوشه GKE در Cloud Shell پس‌از مستقر کردن خدمات و حجم‌های کاری پس‌بست پیکربندی کرده‌اید.

بعدی

قبل‌از اینکه بتوانید از سرویس‌ها استفاده کنید، باید طرح پایگاه داده تعریف شود. در مرحله بعد آن را راه‌اندازی خواهید کرد.

۴. ساختن طرح پایگاه داده

نمای کلی

قبل‌از اینکه بتوانید سرویس‌های پس‌زمینه را اجرا کنید، باید مطمئن شوید که طرح پایگاه داده در جای خود قرار دارد.

اگر به فایل‌های موجود در فهرست راهنمای $DEMO_HOME/schema/migrations از مخزن نمایشی نگاه کنید، مجموعه‌ای از فایل‌های .sql را خواهید دید که طرح‌واره ما را تعریف می‌کنند. این کار از چرخه توسعه‌ای تقلید می‌کند که در آن تغییرات طرح‌واره در خود مخزن ردیابی می‌شود و می‌تواند به ویژگی‌های خاصی از برنامه‌ها مرتبط شود.

برای این محیط نمونه، wrench ابزاری است که انتقال‌های طرح‌واره ما را بااستفاده از Cloud Build اعمال می‌کند.

Cloud Build

فایل $DEMO_HOME/schema/cloudbuild.yaml توضیح می‌دهد که چه مراحلی قرار است انجام شود:

serviceAccount: projects/${PROJECT_ID}/serviceAccounts/cloudbuild-cicd@${PROJECT_ID}.iam.gserviceaccount.com
steps:
- name: gcr.io/cloud-builders/curl
 id: fetch-wrench
 args: ['-Lo', '/workspace/wrench.tar.gz', 'https://github.com/cloudspannerecosystem/wrench/releases/download/v1.4.1/wrench-1.4.1-linux-amd64.tar.gz' ]

- name: gcr.io/cloud-builders/gcloud
 id: migrate-spanner-schema
 entrypoint: sh
 args:
 - '-xe'
 - '-c'
 - |
   tar -xzvf wrench.tar.gz

   chmod +x /workspace/wrench

   # Assumes only a single spanner instance and database. Fine for this demo in a dedicated project
   export SPANNER_PROJECT_ID=${PROJECT_ID}
   export SPANNER_INSTANCE_ID=$(gcloud spanner instances list | tail -n1 | awk '{print $1}')
   export SPANNER_DATABASE_ID=$(gcloud spanner databases list --instance=$$SPANNER_INSTANCE_ID | tail -n1 | awk '{print $1}')

   if [ -d ./migrations ]; then
     /workspace/wrench migrate up --directory .
   else
     echo "[Error] Missing migrations directory"
   fi
timeout: 600s

اساساً دو مرحله وجود دارد:

  • بارگیری wrench در فضای کاری Cloud Build
  • اجرای انتقال wrench

متغیرهای محیطی پروژه، نمونه، و پایگاه داده Spanner برای اتصال wrench به نقطه پایانی نوشتن لازم است.

Cloud Build می‌تواند این تغییرات را اعمال کند زیرا به‌عنوان حساب سرویس cloudbuild-cicd@${PROJECT_ID}.iam.gserviceaccount.com درحال اجرا است:

serviceAccount: projects/${PROJECT_ID}/serviceAccounts/cloudbuild-cicd@${PROJECT_ID}.iam.gserviceaccount.com

و این حساب سرویس دارای نقش spanner.databaseUser است که توسط Terraform اضافه شده است، که به حساب سرویس اجازه می‌دهد DDL را به‌روز کند.

انتقال طرح‌واره

پنج مرحله انتقال وجود دارد که براساس فایل‌های موجود در دایرکتوری $DEMO_HOME/schema/migrations انجام می‌شود. در اینجا نمونه‌ای از فایل 000001.sql آورده شده است که جدول players و نمایه‌ها را ایجاد می‌کند:

CREATE TABLE players (
   playerUUID STRING(36) NOT NULL,
   player_name STRING(64) NOT NULL,
   email STRING(MAX) NOT NULL,
   password_hash BYTES(60) NOT NULL,
   created TIMESTAMP,
   updated TIMESTAMP,
   stats JSON,
   account_balance NUMERIC NOT NULL DEFAULT (0.00),
   is_logged_in BOOL,
   last_login TIMESTAMP,
   valid_email BOOL,
   current_game STRING(36)
) PRIMARY KEY (playerUUID);

CREATE UNIQUE INDEX PlayerAuthentication ON players(email) STORING(password_hash);
CREATE UNIQUE INDEX PlayerName ON players(player_name);
CREATE INDEX PlayerGame ON players(current_game);

ارسال کردن انتقال طرح‌واره

برای ارسال ساخت جهت انجام انتقال طرح‌واره، به دایرکتوری schema بروید و فرمان gcloud زیر را اجرا کنید:

cd $DEMO_HOME/schema
gcloud builds submit --config=cloudbuild.yaml

خروجی فرمان

Creating temporary tarball archive of 8 file(s) totalling 11.2 KiB before compression.
Uploading tarball of [.] to [gs://(project)_cloudbuild/source/(snip).tgz]
Created [https://cloudbuild.googleapis.com/v1/projects/(project)/locations/global/builds/7defe982-(snip)].
Logs are available at [ https://console.cloud.google.com/cloud-build/builds/7defe982-(snip)?project=(snip) ].

gcloud builds submit only displays logs from Cloud Storage. To view logs from Cloud Logging, run:
gcloud beta builds submit

ID: 7defe982-(snip)
CREATE_TIME: (created time)
DURATION: 3M11S
SOURCE: gs://(project)_cloudbuild/source/(snip).tgz
IMAGES: -
STATUS: SUCCESS

در خروجی بالا، پیوندی به فرایند ساخت ابری Created خواهید دید. اگر روی آن کلیک کنید، به ساخت در Cloud Console هدایت می‌شوید تا بتوانید پیشرفت ساخت را پایش کنید و ببینید چه کاری انجام می‌دهد.

11b1cf107876d797.png

خلاصه

در این مرحله، از Cloud Build برای ارسال انتقال طرح‌واره اولیه استفاده کردید که ۵ عملیات DDL مختلف را اعمال کرد. این عملیات نشان‌دهنده زمانی است که ویژگی‌هایی اضافه شده‌اند که به تغییرات طرح پایگاه داده نیاز داشته‌اند.

در سناریو توسعه عادی، برای جلوگیری از قطعی، باید تغییرات طرح‌واره را با برنامه فعلی سازگار با نسخه قدیمی کنید.

برای تغییراتی که با نسخه قدیمی سازگار نیستند، باید تغییرات را به‌صورت مرحله‌ای در برنامه و طرح‌واره اعمال کنید تا مطمئن شوید قطعی رخ نمی‌دهد.

بعدی

با وجود طرح‌واره، مرحله بعدی استقرار سرویس‌های پسین است!

۵. پیاده‌سازی کردن سرویس‌های زیرینه

نمای کلی

سرویس‌های پس‌زمینه برای این codelab میاناهای برنامه‌سازی کاربردی golang REST هستند که چهار سرویس مختلف را نشان می‌دهند:

  • نمایه: به بازیکنان امکان می‌دهد در «بازی» نمونه ما ثبت‌نام و اصالت‌سنجی کنند.
  • حریف‌یابی: تعامل با داده‌های بازیکن برای کمک به عملکرد حریف‌یابی، پیگیری اطلاعات مربوط به بازی‌های ایجادشده، و به‌روزرسانی آمار بازیکن هنگام بسته شدن بازی‌ها.
  • محصول: به بازیکنان امکان می‌دهد درطول بازی کردن، محصولات و پول بازی را به‌دست آورند.
  • Tradepost: به بازیکنان امکان می‌دهد محصولات را در tradepost بخرند و بفروشند

d36e958411d44b5d.png

در کارگاه کدنویسی شروع به کار کردن با Cloud Spanner برای توسعه دادن بازی می‌توانید اطلاعات بیشتری درباره این خدمات دریافت کنید. برای اهداف ما، می‌خواهیم این سرویس‌ها در خوشه GKE Autopilot ما اجرا شوند.

این سرویس‌ها باید بتوانند داده‌های Spanner را اصلاح کنند. برای انجام این کار، هر سرویس یک حساب سرویس ایجاد می‌کند که نقش «databaseUser» را به آن‌ها اعطا می‌کند.

Workload Identity به حساب سرویس kubernetes اجازه می‌دهد تا با انجام مراحل زیر در Terraform ما، حساب سرویس google cloud سرویس‌ها را جعل هویت کند:

  • ایجاد منبع حساب سرویس Google Cloud سرویس (GSA)
  • نقش databaseUser را به آن حساب سرویس اختصاص دهید
  • نقش workloadIdentityUser را به آن حساب سرویس اختصاص دهید
  • ایجاد حساب سرویس Kubernetes‏ (KSA) که به GSA ارجاع می‌دهد

نمودار تقریبی به این شکل است:

a8662d31d66b5910.png

Terraform حساب‌های سرویس و حساب‌های سرویس Kubernetes را برای شما ایجاد کرده است. و می‌توانید حساب‌های سرویس Kubernetes را بااستفاده از kubectl بررسی کنید:

# kubectl get serviceaccounts
NAME              SECRETS   AGE
default           0         37m
item-app          0         35m
matchmaking-app   0         35m
profile-app       0         35m
tradepost-app     0         35m

نحوه عملکرد ساخت به این صورت است:

serviceAccount: projects/${PROJECT_ID}/serviceAccounts/cloudbuild-cicd@${PROJECT_ID}.iam.gserviceaccount.com
steps:

#
# Building of images
#
 - name: gcr.io/cloud-builders/docker
   id: profile
   args: ["build", ".", "-t", "${_PROFILE_IMAGE}"]
   dir: profile
   waitFor: ['-']
 - name: gcr.io/cloud-builders/docker
   id: matchmaking
   args: ["build", ".", "-t", "${_MATCHMAKING_IMAGE}"]
   dir: matchmaking
   waitFor: ['-']
 - name: gcr.io/cloud-builders/docker
   id: item
   args: ["build", ".", "-t", "${_ITEM_IMAGE}"]
   dir: item
   waitFor: ['-']
 - name: gcr.io/cloud-builders/docker
   id: tradepost
   args: ["build", ".", "-t", "${_TRADEPOST_IMAGE}"]
   dir: tradepost
   waitFor: ['-']

#
# Deployment
#
 - name: gcr.io/google.com/cloudsdktool/cloud-sdk
   id: cloud-deploy-release
   entrypoint: gcloud
   args:
     [
       "deploy", "releases", "create", "${_REL_NAME}",
       "--delivery-pipeline", "sample-game-services",
       "--skaffold-file", "skaffold.yaml",
       "--skaffold-version", "1.39",
       "--images", "profile=${_PROFILE_IMAGE},matchmaking=${_MATCHMAKING_IMAGE},item=${_ITEM_IMAGE},tradepost=${_TRADEPOST_IMAGE}",
       "--region", "us-central1"
     ]

artifacts:
 images:
   - ${_REGISTRY}/profile
   - ${_REGISTRY}/matchmaking
   - ${_REGISTRY}/item
   - ${_REGISTRY}/tradepost

substitutions:
 _PROFILE_IMAGE: ${_REGISTRY}/profile:${BUILD_ID}
 _MATCHMAKING_IMAGE: ${_REGISTRY}/matchmaking:${BUILD_ID}
 _ITEM_IMAGE: ${_REGISTRY}/item:${BUILD_ID}
 _TRADEPOST_IMAGE: ${_REGISTRY}/tradepost:${BUILD_ID}
 _REGISTRY: us-docker.pkg.dev/${PROJECT_ID}/spanner-game-images
 _REL_NAME: rel-${BUILD_ID:0:8}
options:
 dynamic_substitutions: true
 machineType: E2_HIGHCPU_8
 logging: CLOUD_LOGGING_ONLY
  • فرمان Cloud Build این فایل را می‌خواند و مراحل فهرست‌شده را دنبال می‌کند. ابتدا، تصاویر سرویس را می‌سازد. سپس، فرمان gcloud deploy create را اجرا می‌کند. این فایل $DEMO_HOME/backend_services/skaffold.yaml را می‌خواند که محل قرارگیری هر فایل استقرار را تعریف می‌کند:
apiVersion: skaffold/v2beta29
kind: Config
deploy:
 kubectl:
   manifests:
     - spanner_config.yaml
     - profile/deployment.yaml
     - matchmaking/deployment.yaml
     - item/deployment.yaml
     - tradepost/deployment.yaml
  • Cloud Deploy از تعاریف فایل deployment.yaml هر سرویس پیروی خواهد کرد. فایل استقرار سرویس حاوی اطلاعاتی برای ایجاد سرویس است که در این مورد clusterIP است که روی درگاه ۸۰ اجرا می‌شود.

نوع «ClusterIP» از داشتن IP خارجی برای پادهای سرویس پس‌نما جلوگیری می‌کند، بنابراین فقط نهادهایی که می‌توانند به شبکه GKE داخلی متصل شوند می‌توانند به سرویس‌های پس‌نما دسترسی داشته باشند. این سرویس‌ها نباید مستقیماً برای بازیکنان قابل‌دسترسی باشند زیرا به داده‌های Spanner دسترسی دارند و آن‌ها را اصلاح می‌کنند.

apiVersion: v1
kind: Service
metadata:
 name: profile
spec:
 type: ClusterIP
 selector:
   app: profile
 ports:
 - port: 80
   targetPort: 80

‫Cloud Deploy علاوه‌بر ایجاد سرویس Kubernetes، استقرار Kubernetes را نیز ایجاد می‌کند. بیایید بخش استقرار سرویس profile را بررسی کنیم:

---
apiVersion: apps/v1
kind: Deployment
metadata:
 name: profile
spec:
 replicas: 2 # EDIT: Number of instances of deployment
 selector:
   matchLabels:
     app: profile
 template:
   metadata:
     labels:
       app: profile
   spec:
     serviceAccountName: profile-app
     containers:
     - name: profile-service
       image: profile
       ports:
         - containerPort: 80
       envFrom:
         - configMapRef:
             name: spanner-config
       env:
         - name: SERVICE_HOST
           value: "0.0.0.0"
         - name: SERVICE_PORT
           value: "80"
       resources:
         requests:
           cpu: "1"
           memory: "1Gi"
           ephemeral-storage: "100Mi"
         limits:
           cpu: "1"
           memory: "1Gi"
           ephemeral-storage: "100Mi"

بخش بالایی برخی‌از فراداده‌های مربوط به سرویس را ارائه می‌دهد. مهم‌ترین بخش این است که مشخص شود چند نسخه تکراری توسط این استقرار ایجاد خواهد شد.

replicas: 2 # EDIT: Number of instances of deployment

سپس می‌بینیم کدام حساب سرویس باید برنامه را اجرا کند و از کدام تصویر باید استفاده کند. این‌ها با حساب خدمات Kubernetes ایجادشده از Terraform و تصویر ایجادشده درطول مرحله Cloud Build مطابقت دارند.

spec:
  serviceAccountName: profile-app
  containers:
    - name: profile-service
      image: profile

پس‌از آن، اطلاعاتی درباره متغیرهای شبکه و محیط مشخص می‌کنیم.

‫spanner_config یک Kubernetes ConfigMap است که اطلاعات پروژه، نمونه، و پایگاه داده موردنیاز برای اتصال برنامه به Spanner را مشخص می‌کند.

apiVersion: v1
kind: ConfigMap
metadata:
  name: spanner-config
data:
  SPANNER_PROJECT_ID: ${project_id}
  SPANNER_INSTANCE_ID: ${instance_id}
  SPANNER_DATABASE_ID: ${database_id}
ports:
  - containerPort: 80
envFrom:
  - configMapRef:
    name: spanner-config
env:
  - name: SERVICE_HOST
    value: "0.0.0.0"
  - name: SERVICE_PORT
    value: "80"

SERVICE_HOST و SERVICE_PORT متغیرهای محیطی اضافی هستند که سرویس برای دانستن اینکه کجا باید متصل شود به آن‌ها نیاز دارد.

بخش نهایی به GKE می‌گوید که چه تعداد منبع برای هر نسخه در این استقرار مجاز است. این همان چیزی است که GKE Autopilot برای مقیاس‌بندی خوشه درصورت نیاز استفاده می‌کند.

resources:
  requests:
    cpu: "1"
    memory: "1Gi"
    ephemeral-storage: "100Mi"
  limits:
    cpu: "1"
    memory: "1Gi"
    ephemeral-storage: "100Mi"

با این اطلاعات، زمان استقرار سرویس‌های پس‌زمینه فرا رسیده است.

پیاده‌سازی کردن سرویس‌های زیرینه

همان‌طور که گفته شد، برای مستقر کردن سرویس‌های زیرینه از Cloud Build استفاده می‌شود. درست مانند انتقال طرح‌واره، می‌توانید درخواست ساخت را بااستفاده از خط فرمان gcloud ارسال کنید:

cd $DEMO_HOME/backend_services
gcloud builds submit --config=cloudbuild.yaml

خروجی فرمان

Creating temporary tarball archive of 66 file(s) totalling 864.6 KiB before compression.
Uploading tarball of [.] to [gs://(project)_cloudbuild/source/(snip).tgz]
Created [https://cloudbuild.googleapis.com/v1/projects/(project)/locations/global/builds/30207dd1-(snip)].
Logs are available at [ https://console.cloud.google.com/cloud-build/builds/30207dd1-(snip)?project=(snip) ].

gcloud builds submit only displays logs from Cloud Storage. To view logs from Cloud Logging, run:
gcloud beta builds submit

ID: 30207dd1-(snip)
CREATE_TIME: (created time)
DURATION: 3M17S
SOURCE: gs://(project)_cloudbuild/source/(snip).tgz
IMAGES: us-docker.pkg.dev/(project)/spanner-game-images/profile:30207dd1-(snip) (+3 more)
STATUS: SUCCESS

برخلاف خروجی مرحله schema migration، خروجی این ساخت نشان می‌دهد که چند تصویر ایجاد شده است. این موارد در مخزن Artifact Registry شما ذخیره خواهند شد.

خروجی مرحله gcloud build پیوندی به «کنسول Cloud» خواهد داشت. نگاهی به آن‌ها بیندازید.

وقتی اعلان موفقیت را از Cloud Build دریافت کردید، به Cloud Deploy و سپس به خط لوله sample-game-services بروید تا پیشرفت استقرار را پایش کنید.

df5c6124b9693986.png

پس‌از استقرار سرویس‌ها، می‌توانید kubectl را بررسی کنید تا وضعیت پادها را ببینید:

kubectl get pods

خروجی فرمان

NAME                           READY   STATUS    RESTARTS   AGE
item-6b9d5f678c-4tbk2          1/1     Running   0          83m
matchmaking-5bcf799b76-lg8zf   1/1     Running   0          80m
profile-565bbf4c65-kphdl       1/1     Running   0          83m
profile-565bbf4c65-xw74j       1/1     Running   0          83m
tradepost-68b87ccd44-gw55r     1/1     Running   0          79m

سپس، سرویس‌ها را بررسی کنید تا ClusterIP را در عمل ببینید:

kubectl get services

خروجی فرمان

NAME          TYPE        CLUSTER-IP      EXTERNAL-IP   PORT(S)   AGE
item          ClusterIP   10.172.XXX.XXX   <none>        80/TCP    84m
kubernetes    ClusterIP   10.172.XXX.XXX   <none>        443/TCP   137m
matchmaking   ClusterIP   10.172.XXX.XXX   <none>        80/TCP    84m
profile       ClusterIP   10.172.XXX.XXX   <none>        80/TCP    84m
tradepost     ClusterIP   10.172.XXX.XXX   <none>        80/TCP    84m

همچنین می‌توانید به میانای کاربری GKE در «کنسول Cloud» بروید تا Workloads، Services، و ConfigMaps را ببینید.

بارهای کاری

da98979ae49e5a30.png

خدمات

406ca2fe7ad4818b.png

ConfigMaps

a0ebd34ee735ee11.png3b9ef91c77a4e7f0.png

خلاصه

در این مرحله، چهار سرویس پسین را در GKE Autopilot مستقر کردید. توانستید مرحله Cloud Build را اجرا کنید و پیشرفت را در Cloud Deploy و در Kubernetes در «کنسول Cloud» بررسی کنید.

همچنین یاد گرفتید که این سرویس‌ها چگونه از Workload Identity برای جعل هویت حساب سرویسی استفاده می‌کنند که اجازه‌های لازم برای خواندن و نوشتن داده‌ها در پایگاه داده Spanner را دارد.

مراحل بعدی

در بخش بعدی، حجم‌های کاری را مستقر خواهید کرد.

‫۶. استقرار حجم‌های کاری

نمای کلی

اکنون که سرویس‌های پسین درحال اجرا در خوشه هستند، حجم‌های کاری را مستقر خواهید کرد.

dd900485e2eeb611.png

حجم‌های کاری از بیرون قابل‌دسترسی هستند و برای اهداف این codelab، برای هر سرویس پس‌بک یک حجم کاری وجود دارد.

این حجم‌های کاری، اسکریپت‌های تولید بار مبتنی بر Locust هستند که الگوهای دسترسی واقعی موردانتظار این سرویس‌های نمونه را تقلید می‌کنند.

فایل‌هایی برای فرایند Cloud Build وجود دارد:

  • $DEMO_HOME/workloads/cloudbuild.yaml (تولیدشده توسط Terraform)
  • $DEMO_HOME/workloads/skaffold.yaml
  • یک فایل deployment.yaml برای هر حجم کاری

فایل‌های حجم کاری deployment.yaml کمی با فایل‌های استقرار سرویس پس‌نهایی متفاوت است.

در اینجا مثالی از matchmaking-workload آورده شده است:

apiVersion: v1
kind: Service
metadata:
 name: matchmaking-workload
spec:
 type: LoadBalancer
 selector:
   app: matchmaking-workload
 ports:
 - port: 8089
   targetPort: 8089
---
apiVersion: apps/v1
kind: Deployment
metadata:
 name: matchmaking-workload
spec:
 replicas: 1 # EDIT: Number of instances of deployment
 selector:
   matchLabels:
     app: matchmaking-workload
 template:
   metadata:
     labels:
       app: matchmaking-workload
   spec:
     serviceAccountName: default
     containers:
     - name: matchmaking-workload
       image: matchmaking-workload
       ports:
         - containerPort: 8089
       resources:
         requests:
           cpu: "500m"
           memory: "512Mi"
           ephemeral-storage: "100Mi"
         limits:
           cpu: "500m"
           memory: "512Mi"
           ephemeral-storage: "100Mi"

بخش بالای فایل سرویس را تعریف می‌کند. در این مورد، LoadBalancer ایجاد می‌شود و حجم کاری روی درگاه 8089 اجرا می‌شود.

LoadBalancer یک IP خارجی ارائه می‌دهد که می‌توان از آن برای اتصال به حجم کاری استفاده کرد.

apiVersion: v1
kind: Service
metadata:
 name: matchmaking-workload
spec:
 type: LoadBalancer
 selector:
   app: matchmaking-workload
 ports:
 - port: 8089
   targetPort: 8089

بالای بخش استقرار، فراداده مربوط به حجم کاری است. در این مورد، فقط یک نسخه تکراری درحال استقرار است:

replicas: 1 

اما مشخصات محفظه متفاوت است. برای مثال، ما از حساب سرویس Kubernetes default استفاده می‌کنیم. این حساب هیچ امتیاز ویژه‌ای ندارد، زیرا حجم کاری نیازی به اتصال به هیچ منبع Google Cloud ندارد، به‌جز سرویس‌های پس‌زمینه که در خوشه GKE اجرا می‌شوند.

تفاوت دیگر این است که هیچ متغیر محیطی برای این حجم‌های کاری لازم نیست. نتیجه، مشخصات استقرار کوتاه‌تری است.

spec:
  serviceAccountName: default
  containers:
    - name: matchmaking-workload
      image: matchmaking-workload
  ports:
    - containerPort: 8089

تنظیمات منبع مشابه سرویس‌های زیرینه است. به‌یاد داشته باشید که GKE Autopilot از این طریق متوجه می‌شود که برای برآورده کردن درخواست‌های همه پادهای درحال اجرا در خوشه به چه تعداد منبع نیاز است.

می‌توانید حجم‌های کاری را مستقر کنید!

استقرار حجم‌های کاری

درست مثل قبل، می‌توانید درخواست ساخت را بااستفاده از خط فرمان gcloud ارسال کنید:

cd $DEMO_HOME/workloads
gcloud builds submit --config=cloudbuild.yaml

خروجی فرمان

Creating temporary tarball archive of 18 file(s) totalling 26.2 KiB before compression.
Some files were not included in the source upload.

Check the gcloud log [/tmp/tmp.4Z9EqdPo6d/logs/(snip).log] to see which files and the contents of the
default gcloudignore file used (see `$ gcloud topic gcloudignore` to learn
more).

Uploading tarball of [.] to [gs://(project)_cloudbuild/source/(snip).tgz]
Created [https://cloudbuild.googleapis.com/v1/projects/(project)/locations/global/builds/(snip)].
Logs are available at [ https://console.cloud.google.com/cloud-build/builds/0daf20f6-(snip)?project=(snip) ].

gcloud builds submit only displays logs from Cloud Storage. To view logs from Cloud Logging, run:
gcloud beta builds submit

ID: 0daf20f6-(snip)
CREATE_TIME: (created_time)
DURATION: 1M41S
SOURCE: gs://(project)_cloudbuild/source/(snip).tgz
IMAGES: us-docker.pkg.dev/(project)/spanner-game-images/profile-workload:0daf20f6-(snip) (+4 more)
STATUS: SUCCESS

حتماً گزارش‌های Cloud Build و خط لوله Cloud Deploy را در «کنسول Cloud» بررسی کنید تا از وضعیت مطلع شوید. برای حجم‌های کاری، خط لوله Cloud Deploy sample-game-workloads است:

پس‌از اتمام استقرار، وضعیت را با kubectl در Cloud Shell بررسی کنید:

kubectl get pods

خروجی فرمان

NAME                                    READY   STATUS    RESTARTS   AGE
game-workload-7ff44cb657-pxxq2          1/1     Running   0          12m
item-6b9d5f678c-cr29w                   1/1     Running   0          9m6s
item-generator-7bb4f57cf8-5r85b         1/1     Running   0          12m
matchmaking-5bcf799b76-lg8zf            1/1     Running   0          117m
matchmaking-workload-76df69dbdf-jds9z   1/1     Running   0          12m
profile-565bbf4c65-kphdl                1/1     Running   0          121m
profile-565bbf4c65-xw74j                1/1     Running   0          121m
profile-workload-76d6db675b-kzwng       1/1     Running   0          12m
tradepost-68b87ccd44-gw55r              1/1     Running   0          116m
tradepost-workload-56c55445b5-b5822     1/1     Running   0          12m

سپس، سرویس‌های حجم کاری را بررسی کنید تا LoadBalancer را در عمل ببینید:

kubectl get services 

خروجی فرمان

NAME                   TYPE          CLUSTER-IP  EXTERNAL-IP     PORT(S)        AGE
game-workload          LoadBalancer  *snip*      35.XX.XX.XX   8089:32483/TCP   12m
item                   ClusterIP     *snip*      <none>         80/TCP          121m
item-generator         LoadBalancer  *snip*      34.XX.XX.XX   8089:32581/TCP   12m
kubernetes             ClusterIP     *snip*      <none>          443/TCP        174m
matchmaking            ClusterIP     *snip*      <none>          80/TCP         121m
matchmaking-workload   LoadBalancer  *snip*      34.XX.XX.XX   8089:31735/TCP   12m
profile                ClusterIP     *snip*      <none>          80/TCP         121m
profile-workload       LoadBalancer  *snip*      34.XX.XX.XX   8089:32532/TCP   12m
tradepost              ClusterIP     *snip*      <none>          80/TCP         121m
tradepost-workload     LoadBalancer  *snip*      34.XX.XX.XX   8089:30002/TCP   12m

خلاصه

اکنون حجم‌های کاری را در خوشه GKE مستقر کرده‌اید. این حجم‌های کاری به اجازه‌های IAM اضافی نیاز ندارند و بااستفاده از سرویس LoadBalancer در درگاه ۸۰۸۹ به‌صورت خارجی دردسترس هستند.

مراحل بعدی

با اجرای خدمات و حجم‌های کاری پس‌زمینه، وقت آن است که بازی را «اجرا کنید»!

‫۷. شروع بازی

نمای کلی

اکنون سرویس‌های زیرینه برای «بازی» نمونه شما درحال اجرا است و همچنین ابزاری برای تولید «بازیکنان» دارید که بااستفاده از حجم‌های کاری با آن سرویس‌ها تعامل برقرار می‌کنند.

هر حجم کاری از Locust برای شبیه‌سازی بار واقعی در مقابل میاناهای برنامه‌سازی کاربردی سرویس ما استفاده می‌کند. در این مرحله، چندین حجم کاری را اجرا خواهید کرد تا بار روی خوشه GKE و Spanner ایجاد کنید و همچنین داده‌ها را در Spanner ذخیره کنید.

در اینجا شرحی از هر حجم کاری ارائه شده است:

  • بار کاری item-generator بار کاری سریعی برای تولید فهرستی از game_items است که بازیکنان می‌توانند درطول «بازی کردن» بازی به‌دست آورند.
  • profile-workload ثبت‌نام و ورود به سیستم بازیکنان را شبیه‌سازی می‌کند.
  • matchmaking-workload بازیکنانی را که برای اختصاص داده شدن به بازی‌ها صف کشیده‌اند شبیه‌سازی می‌کند.
  • game-workload بازیکنانی را شبیه‌سازی می‌کند که درطول بازی کردن، game_items و پول به‌دست می‌آورند.
  • tradepost-workload شبیه‌سازی می‌کند که بازیکنان می‌توانند در پست معاملاتی محصولات را بفروشند و بخرند.

این codelab به‌طور خاص اجرای item-generator و profile-workload را برجسته می‌کند.

اجرای تولیدکننده مورد

‫item-generator از نقطه پایانی سرویس پس‌بک item برای افزودن game_items به Spanner استفاده می‌کند. این موارد برای عملکرد صحیح game-workload و tradepost-workload لازم است.

اولین قدم دریافت IP خارجی سرویس item-generator است. در Cloud Shell، موارد زیر را اجرا کنید:

# The external IP is the 4th column of the output
kubectl get services | grep item-generator | awk '{print $4}'

خروجی فرمان

{ITEMGENERATOR_EXTERNAL_IP}

اکنون، زبانه مرورگر جدیدی باز کنید و آن را به http://{ITEMGENERATOR_EXTERNAL_IP}:8089 هدایت کنید. باید صفحه‌ای مثل این دریافت کنید:

817307157d66c661.png

users و spawn را روی مقدار پیش‌فرض ۱ باقی می‌گذارید. برای host، http://item را وارد کنید. روی گزینه‌های پیشرفته کلیک کنید و 10s را برای زمان اجرا وارد کنید.

پیکربندی باید به این شکل باشد:

f3143165c6285c21.png

روی «شروع انبوهش» کلیک کنید!

آمار برای درخواست‌هایی که در نقطه پایانی POST /items صادر می‌شوند نشان داده خواهد شد. پس‌از ۱۰ ثانیه، بارگیری متوقف خواهد شد.

روی Charts کلیک کنید تا چند نمودار درباره عملکرد این درخواست‌ها ببینید.

abad0a9f3c165345.png

اکنون می‌خواهید بررسی کنید که آیا داده‌ها در پایگاه داده Spanner وارد شده است یا نه.

برای انجام این کار، روی منوِ همبرگری کلیک کنید و به «Spanner» بروید. از این صفحه، به sample-instance و sample-database بروید. سپس روی «Query» کلیک کنید.

می‌خواهیم تعداد game_items را انتخاب کنیم:

SELECT COUNT(*) FROM game_items;

در پایین، نتیجه را دریافت خواهید کرد.

137ce291a2ff2706.png

به تعداد زیادی game_items برای کاشتن نیاز نداریم. اما اکنون برای بازیکنان دردسترس است تا آن‌ها را به‌دست آورند!

اجرای حجم کاری نمایه

با game_items شما، گام بعدی این است که بازیکنان را ثبت‌نام کنید تا بتوانند بازی کنند.

profile-workload از Locust برای شبیه‌سازی بازیکنانی که حساب ایجاد می‌کنند، به سیستم وارد می‌شوند، اطلاعات نمایه را بازیابی می‌کنند، و از سیستم خارج می‌شوند استفاده خواهد کرد. همه این موارد نقاط پایانی سرویس پسین profile را در یک حجم کاری معمول شبیه به تولید آزمایش می‌کنند.

برای اجرای این، نشانی IP خارجی profile-workload را دریافت کنید:

# The external IP is the 4th column of the output
kubectl get services | grep profile-workload | awk '{print $4}'

خروجی فرمان

{PROFILEWORKLOAD_EXTERNAL_IP}

اکنون، زبانه مرورگر جدیدی باز کنید و آن را به http://{PROFILEWORKLOAD_EXTERNAL_IP}:8089 هدایت کنید. باید صفحه Locust مشابه صفحه قبلی را دریافت کنید.

در این حالت، از http://profile برای میزبان استفاده خواهید کرد. و زمان اجرا را در گزینه‌های پیشرفته مشخص نخواهید کرد. همچنین، users را روی ۴ تنظیم کنید که ۴ درخواست کاربر را به‌طور هم‌زمان شبیه‌سازی می‌کند.

آزمون profile-workload باید به این شکل باشد:

f6e0f06efb0ad6e.png

روی «شروع انبوهش» کلیک کنید!

درست مثل قبل، آمار مربوط به نقاط پایانی مختلف profile REST شروع به نمایش می‌کند. روی نمودارها کلیک کنید تا نمایی از عملکرد خوب همه چیز را ببینید.

4c2146e1cb3de23e.png

خلاصه

در این مرحله، تعدادی game_items تولید کردید و سپس بااستفاده از «میانای کاربر پُرسمان Spanner» در «کنسول Cloud»، جدول game_items را پُرسمان کردید.

همچنین به بازیکنان اجازه دادید برای بازی‌تان ثبت‌نام کنند و دیدید که Locust چگونه می‌تواند بارهای کاری شبیه به تولید را در سرویس‌های پس‌بک شما ایجاد کند.

مراحل بعدی

پس‌از اجرای حجم‌های کاری، باید نحوه رفتار خوشه GKE و نمونه Spanner را بررسی کنید.

‫۸. بازبینی مصرف GKE و Spanner

با اجرای سرویس نمایه، وقت آن است که از این فرصت استفاده کنید و ببینید خوشه GKE Autopilot و Cloud Spanner شما چگونه رفتار می‌کنند.

بررسی کردن خوشه GKE

به خوشه Kubernetes پیمایش کنید. توجه داشته باشید که چون حجم‌های کاری و سرویس‌ها را مستقر کرده‌اید، اکنون جزئیاتی درباره کل vCPU و حافظه به خوشه اضافه شده است. این اطلاعات زمانی‌که هیچ حجم کاری‌ای در خوشه وجود نداشت دردسترس نبود.

61d2d766c1f10079.png

اکنون، روی خوشه sample-game-gke کلیک کنید و به برگه مشاهده‌پذیری بروید:

fa9acc7e26ea04a.png

جای نام kubernetes default باید از جای نام kube-system برای استفاده از CPU پیشی گرفته باشد زیرا حجم کاری و سرویس‌های پسای ما روی default اجرا می‌شوند. اگر این‌طور نیست، مطمئن شوید profile workload همچنان درحال اجرا است و چند دقیقه صبر کنید تا نمودارها به‌روز شوند.

برای دیدن اینکه کدام حجم‌های کاری بیشترین منابع را مصرف می‌کنند، به داشبورد Workloads بروید.

به‌جای اینکه به‌طور جداگانه به هر حجم کاری بروید، مستقیماً به برگه «مشاهده‌پذیری» داشبورد بروید. باید ببینید که CPU profile و profile-workload افزایش یافته است.

f194b618969cfa9e.png

اکنون، Cloud Spanner را بررسی کنید.

بررسی نمونه Cloud Spanner

برای بررسی عملکرد Cloud Spanner، به Spanner بروید و روی نمونه sample-instance و پایگاه داده sample-game کلیک کنید.

از آنجا، برگه اطلاعات آماری سیستم را در منوِ سمت راست خواهید دید:

216212182a57dfd1.png

نمودارهای زیادی در اینجا وجود دارد که به شما کمک می‌کند عملکرد کلی نمونه Spanner خود را درک کنید، ازجمله CPU utilization، transaction latency and locking، و query throughput.

علاوه‌بر «اطلاعات آماری سیستم»، می‌توانید با بررسی پیوندهای دیگر در بخش «مشاهده‌پذیری»، اطلاعات دقیق‌تری درباره حجم کاری پُرسمان دریافت کنید:

  • بینش‌های پرسمان به شناسایی پرسمان‌های topN که از منابع Spanner استفاده می‌کنند کمک می‌کند.
  • اطلاعات آماری تراکنش و قفل به شناسایی تراکنش‌های دارای تأخیر زیاد کمک می‌کند.
  • Key Visualizer به دیداری‌سازی الگوهای دسترسی کمک می‌کند و می‌تواند به ردیابی نقاط داغ در داده‌ها کمک کند.

خلاصه

در این مرحله، با نحوه بررسی برخی‌از سنجه‌های عملکرد پایه برای GKE Autopilot و Spanner آشنا شدید.

برای مثال، با اجرای حجم کاری نمایه‌تان، جدول بازیکنان را پُرسمان کنید تا اطلاعات بیشتری درباره داده‌های ذخیره‌شده در آنجا دریافت کنید.

مراحل بعدی

بعد، وقت تمیزکاری است!

‫۹. درحال پاک‌سازی

قبل‌از پاک‌سازی، می‌توانید حجم‌های کاری دیگری را که پوشش داده نشده‌اند کاوش کنید. به‌ویژه matchmaking-workload، game-workload و tradepost-workload.

وقتی «بازی کردن» تمام شد، می‌توانید زمین بازی را تمیز کنید. خوشبختانه این کار بسیار آسان است.

ابتدا، اگر profile-workload شما هنوز در مرورگر درحال اجرا است، به آن بروید و آن را متوقف کنید:

13ae755a11f3228.png

همین کار را برای هر حجم کاری که ممکن است آزمایش کرده باشید انجام دهید.

سپس در Cloud Shell، به پوشه زیرساخت بروید. بااستفاده از terraform، زیرساخت را destroy خواهید کرد:

cd $DEMO_HOME/infrastructure
terraform destroy
# type 'yes' when asked

خروجی فرمان

Plan: 0 to add, 0 to change, 46 to destroy.

Do you really want to destroy all resources?
  Terraform will destroy all your managed infrastructure, as shown above.
  There is no undo. Only 'yes' will be accepted to confirm.

  Enter a value: yes

*snip*

Destroy complete! Resources: 46 destroyed.

در Cloud Console، به Spanner، Kubernetes Cluster، Artifact Registry، Cloud Deploy، و IAM بروید تا مطمئن شوید همه منابع برداشته شده‌اند.

‫۱۰. تبریک!

تبریک می‌گوییم، شما با موفقیت برنامه‌های نمونه golang را در GKE Autopilot مستقر کردید و آن‌ها را بااستفاده از «هویت حجم کاری» به Cloud Spanner متصل کردید!

به‌عنوان پاداش، این زیرساخت به‌راحتی بااستفاده از Terraform به‌صورت تکرارپذیر راه‌اندازی و برداشته شد.

می‌توانید درباره سرویس‌های Google Cloud که در این codelab با آن‌ها تعامل داشتید بیشتر بخوانید:

حالا چه می‌شود؟

اکنون که درک اولیه‌ای از نحوه همکاری GKE Autopilot و Cloud Spanner دارید، چرا قدم بعدی را برنمی‌دارید و شروع به ساختن برنامه خودتان برای کار با این سرویس‌ها نمی‌کنید؟