如何看待云原生下的多活容灾

为什么业务容器化之后，多活容灾变得更具挑战？

1. 不像之前使用CVM或者物理机部署时，业务容器化之后，底层资源的可控程度更弱，应用实例生命周期更短、变化更快，这就给业务做容灾部署带来了更大的难度。
2. 除此之外，当前自研业务大部分都是面向Kubernetes集群进行编排的，业务需要感知Kubernetes集群和集群内的资源拓扑，然后再结合自己的容灾部署拓扑去选择合适的集群，配置合适的调度标签进行强有序的多活部署。当每个地域/可用区的集群数量很多时，这个动作也会变的较重。
3. 有的云管平台，每个集群底层的资源拓扑并不是一层不变的，有些集群包含了多个Zone的资源，有些集群只有单个Zone的资源。有人会问，为什么我们不固化一个标准来建设集群，比如每个集群就只配置单个Zone的资源，或者每个集群都覆盖某个地域的所有Zone的资源。因为这两种集群资源模式都存在各自致命的问题：

• 如果每个集群只配置单个Zone的资源，当每个Zone资源都是充足的情况下，这并不会有什么问题，但是当某个Zone出现资源不足时，业务紧急情况需要继续扩容，此时一定是允许一定比例的应用实例扩容到其他Zone，此时业务只能手动去找其他Zone的集群，对Workload进行扩容操作。如果业务在每个集群都配置了HPA，那么资源不足的那个Zone对应的集群的HPA将持续告警，无法自动扩容到其他Zone。
• 如果每个集群都覆盖多个Zone的资源，那么业务只需要在单个集群部署就能实现多Zone容灾的需求，这需要容器平台提供单集群内多Zone拓扑分布比例的调度能力，比如应用A需要在广三、广四部署1:1的拓扑。Kubernetes 1.27 支持的”Topology Spread Constraints“ 这一Beta特性还不足以满足我们的场景，除了它需要升级Kubernetes集群版和配置的复杂度、使用心智负担之外，还不支持自定义各个Zone分布比例等场景。另外，这种集群最后一定会演变为超大规模的单集群，它的故障爆炸半径也非常大。

业务需要底层多活容灾部署，到底是业务自己去根据复杂的底层集群和资源拓扑去精细化构建，还是说应该由容器平台来完全兜底，并作为一种不对用户感知的默认的产品能力？

不同的业务场景对容灾的需求存在差异，所以底层PaaS平台需要提供不同的业务容灾部署策略，客户根据自己的容灾需求配置部署策略。应用托管平台根据客户配置的部署策略声明，进行自动化的Reconcile，包括首次部署业务时，以及遇到底层集群、可用区甚至地域级别的异常时，始终能保证客户的部署策略能最大化的得到满足。

所以，业务的容灾，是需要业务和应用托管平台都关注的事情，业务评估自己的容灾场景，平台提供对应的容灾部署能力。