312 lines
13 KiB
Markdown
312 lines
13 KiB
Markdown
---
|
||
tags: [xinfra, architecture, infra]
|
||
create time: 2026-07-13 16:00
|
||
---
|
||
|
||
# XINFRA 架构文档
|
||
|
||
## 概述
|
||
|
||
本文档描述 XINFRA 平台的总体架构设计、技术选型、分层模型和系统集成关系。
|
||
|
||
## 核心概念
|
||
|
||
### 组内约定
|
||
|
||
| 概念 | 定义 |
|
||
|------|------|
|
||
| 主系统 | XINFRA 平台自身的统管层，负责子系统无法覆盖的能力：统一门户（SSO 跳转入口）、资源大盘、登录审计与运维操作审计、资源指标面板、运维终端 |
|
||
| 子系统 | XINFRA 纳管的专项平台（有独立 WebUI 和 API 服务），各司其职：**Wayne**（多集群容器管理）、**CloudDM / open-cdm**（数据库管理与 SQL 审核）、**CacheCloud**（Redis 缓存管理）、**Apollo**（配置中心）、**Nightingale**（统一告警引擎） |
|
||
| 工具层 | 纳管的 CLI / IaC 工具，无常驻 WebUI，由运维人员通过命令行或脚本触发：**Ansible Playbook**（自动化部署与基础设施即代码） |
|
||
| 业务线租户 | 基于 LDAP 组织信息自动生成的多租户隔离单元，每个业务线拥有独立的命名空间、节点池和资源配额 |
|
||
|
||
### 通用术语
|
||
|
||
| 概念 | 定义 |
|
||
|------|------|
|
||
| APIKey | Wayne 平台对外提供的 API 认证密钥，用于 CI/CD 流水线等自动化场景的身份认证，遵循最小权限原则 |
|
||
| RBAC | 基于角色的访问控制（Role-Based Access Control），通过角色分配权限，用户与角色关联实现权限隔离 |
|
||
| RKE2 | Rancher 发行的 Kubernetes 发行版，已通过 CIS Benchmark 安全加固，支持离线 air-gap 安装，默认启用加密和审计 |
|
||
| Calico BGP | Calico 采用纯路由模式（BGP），无隧道开销，每个集群配置独立 AS 号，构建跨机房扁平大二层网络 |
|
||
| Ceph RBD | 分布式块存储，供给 K8s PV 给 MySQL、Redis 等有状态服务 |
|
||
| Nightingale | 夜莺，统一告警聚合引擎，支持接入 Zabbix、VictoriaMetrics 等异构告警源，负责去重、收敛、分级，推送至 qpass |
|
||
| Apollo | 携程开源配置中心，支持多机房 Cluster 部署、配置灰度、版本回滚和操作审计 |
|
||
| Consul | 各机房已有的服务注册发现系统，xinfra 通过 Catalog API 做只读聚合展示 |
|
||
| CD | 持续部署（Continuous Deployment），自动化服务上线的流水线；CI（持续集成）由团队已有 CI 系统负责 |
|
||
| WAF | Web 应用防火墙（Web Application Firewall），防护 SQL 注入、XSS、CSRF 等常见 Web 攻击 |
|
||
| SLA | 服务等级协议（Service Level Agreement），定义服务可用性的承诺指标 |
|
||
| IaC | 基础设施即代码（Infrastructure as Code），通过 Ansible Playbook 等工具实现基础设施自动化管理 |
|
||
| SINA CMDB | 公司内部 CMDB 系统，物理机与虚机资产数据的基础来源 |
|
||
| open-cdm | SQL 审核与变更平台，数据库上线统一审核 |
|
||
| qpass | 统一告警与值班通知平台 |
|
||
| SSO | 单点登录（Single Sign-On），主系统通过 LDAP 统一认证后跳转至各子系统 |
|
||
|
||
---
|
||
|
||
## 平台分层架构
|
||
|
||
### 总体分层
|
||
|
||
```mermaid
|
||
graph TB
|
||
User["用户层<br/>LDAP SSO 统一认证"] --> Main["主系统层<br/>统一门户 + 功能模块"]
|
||
Main --> Sub["子系统层<br/>独立部署，各自授权"]
|
||
Main --> Infra["基础设施层<br/>计算 · 网络 · 存储 · 自动化"]
|
||
Sub --> Infra
|
||
|
||
style User fill:#f3e8fd,stroke:#9333ea
|
||
style Main fill:#e0f2fe,stroke:#0284c7
|
||
style Sub fill:#e8f0fe,stroke:#4285f4
|
||
style Infra fill:#ecfdf5,stroke:#059669
|
||
```
|
||
|
||
---
|
||
|
||
### 主系统功能架构
|
||
|
||
```mermaid
|
||
graph TB
|
||
Portal["统一门户<br/>LDAP SSO 跳转入口"]
|
||
|
||
subgraph 全局视图
|
||
DashBoard["资源大盘<br/>集群拓扑 · 节点方格图"]
|
||
MonitorView["资源状态看板<br/>物理机/虚机/服务三层告警"]
|
||
end
|
||
|
||
subgraph 运维能力
|
||
TaskCenter["任务中心<br/>Ansible/Wayne 实时日志"]
|
||
OpsTerminal["运维终端<br/>Ansible / SSH<br/>仅管理员"]
|
||
end
|
||
|
||
subgraph 治理能力
|
||
AuditDash["审计面板<br/>登录记录 · 运维操作日志"]
|
||
CMDB["资源台账<br/>CMDB 多云同步"]
|
||
SvcDir["服务目录<br/>Consul 只读聚合"]
|
||
end
|
||
|
||
Portal --> DashBoard & MonitorView & TaskCenter & AuditDash & CMDB & SvcDir
|
||
SRE["SRE"] --> OpsTerminal
|
||
```
|
||
|
||
> [!tip] 主系统不替代子系统，只自建子系统无法覆盖的能力：全局视图、运维兜底、登录与运维审计、资源台账。
|
||
|
||
---
|
||
|
||
### 子系统集成关系
|
||
|
||
```mermaid
|
||
graph LR
|
||
Portal["XINFRA 主系统"]
|
||
|
||
subgraph 子系统
|
||
Wayne["Wayne<br/>多集群容器管理"]
|
||
CloudDM["open-cdm<br/>SQL 审核"]
|
||
CacheCloud["CacheCloud<br/>Redis 管理"]
|
||
Apollo["Apollo<br/>配置中心"]
|
||
end
|
||
|
||
Portal -.->|SSO 跳转| Wayne & CloudDM & CacheCloud & Apollo
|
||
|
||
Wayne -->|Client-Go| RKE2["RKE2 集群"]
|
||
CloudDM -->|SQL 审核| MySQL[("MySQL")]
|
||
CacheCloud -->|Agent| Redis[("Redis")]
|
||
Apollo -->|ConfigService| RKE2
|
||
```
|
||
|
||
> [!tip] 子系统各自独立部署和授权，主系统只做 SSO 跳转入口，各子系统自行维护操作审计。
|
||
|
||
---
|
||
|
||
### 基础设施层
|
||
|
||
```mermaid
|
||
graph TB
|
||
subgraph 计算
|
||
RKE2["RKE2 集群 × 7 机房<br/>CIS 安全加固"]
|
||
end
|
||
|
||
subgraph 网络
|
||
Calico["Calico BGP<br/>每集群独立 AS 号<br/>跨机房扁平互通"]
|
||
end
|
||
|
||
subgraph 存储
|
||
Ceph["Ceph RBD<br/>MySQL/Redis 有状态服务 PV"]
|
||
end
|
||
|
||
subgraph 自动化
|
||
Ansible["Ansible Playbook<br/>节点初始化 · 服务部署<br/>WebSocket 实时日志"]
|
||
end
|
||
|
||
RKE2 --> Calico
|
||
RKE2 --> Ceph
|
||
Ansible -->|SSH| RKE2
|
||
```
|
||
|
||
> [!tip] RKE2 是计算底座，Calico BGP 构建跨机房扁平网络，Ceph RBD 提供有状态服务的持久化存储，Ansible 贯穿自动化运维。
|
||
|
||
---
|
||
|
||
## 监控告警数据流
|
||
|
||
```mermaid
|
||
graph LR
|
||
subgraph 采集源
|
||
RKE2["RKE2 集群"]
|
||
Zabbix["Zabbix<br/>硬件监控"]
|
||
end
|
||
|
||
subgraph 指标存储
|
||
VM[("VictoriaMetrics<br/>容器/业务指标")]
|
||
end
|
||
|
||
subgraph 可视化
|
||
Grafana["Grafana 仪表盘"]
|
||
end
|
||
|
||
subgraph 告警链路
|
||
Nightingale["夜莺<br/>去重 · 收敛 · 分级"]
|
||
QPass["qpass<br/>企业 IM 推送"]
|
||
end
|
||
|
||
RKE2 -.->|Metrics| VM
|
||
VM --> Grafana
|
||
VM --> Nightingale
|
||
Zabbix --> Nightingale
|
||
Nightingale --> QPass
|
||
```
|
||
|
||
> [!tip] VictoriaMetrics 承载容器和业务指标，Zabbix 覆盖物理机硬件监控，夜莺作为统一告警聚合层，最终推送至 qpass 通知。
|
||
|
||
---
|
||
|
||
## 技术选型与架构决策
|
||
|
||
| 层级 | 选型 | 说明 |
|
||
|------|------|------|
|
||
| **前端框架** | Vue 3 + Element Plus | 企业级 UI 方案，与七牛内部技术栈一致 |
|
||
| **后端框架** | Go + Gin | 高性能 HTTP 框架，与 Wayne/Open-CDM 生态一致 |
|
||
| **前后端通信** | 混合模式 | 前端 REST/JSON，服务间 gRPC；API 版本管理采用 URL 路径版本 `/api/v1/...` |
|
||
| **主系统数据库** | MySQL 8.0 | 存储任务记录、审计日志、资源台账、用户会话等 |
|
||
| **缓存** | Redis | 分布式缓存和会话存储 |
|
||
| **前端部署** | Nginx | 托管前端静态文件 + 反向代理后端 API |
|
||
| **主系统部署** | K8s 内部署 | 以 Deployment 方式运行在 RKE2 集群内 |
|
||
| **SSO 协议** | SAML | 企业统一认证，主系统做 SSO 跳转入口 |
|
||
| **告警数据源** | 仅 Nightingale API | 主系统不直接对接 Zabbix/VictoriaMetrics，统一通过夜莺获取告警数据 |
|
||
| **Ansible 调度** | AWX | 通过 AWX API 提交 Playbook 任务，由 AWX 管理执行和日志 |
|
||
| **实时推送** | 原生 WebSocket | 任务日志实时推送，基于 gorilla/websocket 库 |
|
||
| **接口文档** | Swagger/OpenAPI | 后端生成 Swagger 文档供前端开发 |
|
||
| **界面语言** | 纯中文 | 不需要国际化 |
|
||
| **测试策略** | 后端测试为主 | 单元测试 + 集成测试 |
|
||
|
||
---
|
||
|
||
## 基础服务交付流程
|
||
|
||
```mermaid
|
||
sequenceDiagram
|
||
actor User as 业务人员
|
||
participant Portal as XINFRA 服务目录
|
||
participant Ansible as Ansible Playbook
|
||
participant Infra as RKE2 / 主机
|
||
participant Sub as 子系统注册
|
||
|
||
User->>Portal: 选择服务卡片（MySQL/Redis/...）<br/>填写业务线、规格、架构模式
|
||
Portal->>Portal: 实时预览 playbook 参数（YAML）
|
||
User->>Portal: 确认部署
|
||
Portal->>Ansible: 提交 playbook 任务
|
||
Ansible->>Infra: 内核初始化 · containerd · 加入集群
|
||
Ansible-->>Portal: 任务状态 → WebSocket 实时日志
|
||
Portal->>Sub: 自动注册（open-cdm / CacheCloud）
|
||
Portal-->>User: 部署完成，跳转任务中心
|
||
```
|
||
|
||
> [!tip] 用户通过服务卡片填参 → 后台 Ansible 自动化部署 → 部署完成后自动注册到对应子系统，全程任务日志可在任务中心实时查看。
|
||
|
||
---
|
||
|
||
## 多租户隔离模型
|
||
|
||
```mermaid
|
||
graph TB
|
||
LDAP["企业 LDAP"] -->|部门 DN| BL["业务线租户<br/>（Kodo / LAS / 灵矽 / ...）"]
|
||
|
||
BL --> NS["Kubernetes Namespace<br/>+ ResourceQuota + LimitRange"]
|
||
BL --> NP["物理节点池<br/>node-label + taint"]
|
||
|
||
NS -.->|Pod 只能调度到<br/>本业务线节点| NP
|
||
|
||
style LDAP fill:#f3e8fd,stroke:#9333ea
|
||
style BL fill:#e0f2fe,stroke:#0284c7
|
||
style NS fill:#ecfdf5,stroke:#059669
|
||
style NP fill:#fef3c7,stroke:#d97706
|
||
```
|
||
|
||
> [!tip] 双重隔离：**节点层**通过 `business-line=xxx` 标签 + Taint 确保 Pod 只调度到本业务线节点；**命名空间层**通过 ResourceQuota / LimitRange 限制资源用量上限。
|
||
|
||
---
|
||
|
||
## 系统集成关系
|
||
|
||
**关键集成点**：
|
||
|
||
| 源 | 目标 | 接口方式 | 说明 |
|
||
|----|------|---------|------|
|
||
| 企业 LDAP | 各子系统 + 主系统 | LDAP Bind / SSO | 统一身份认证，主系统做 SSO 跳转入口 |
|
||
| SINA CMDB | 资源台账 | REST API | 物理机/虚机基础数据来源 |
|
||
| 阿里云 / AWS / 七牛 LAS | 资源台账 | OpenAPI | 云上虚机增量同步 |
|
||
| Consul × 7 DC | 服务目录 | Catalog API | 只读聚合，不改变原有链路 |
|
||
| Nightingale | 资源状态看板 | API | 统一告警数据源 |
|
||
| Zabbix | Nightingale | 告警接入 | 硬件监控告警 |
|
||
| VictoriaMetrics | Nightingale | 告警接入 | 容器/业务指标告警 |
|
||
| GitLab CI | Wayne | REST API（APIKey 认证） | 自动触发部署 |
|
||
| GitLab CI | Harbor | Docker Push | 镜像推送 |
|
||
| Wayne | RKE2 | Client-Go（K8s API） | 容器编排操作 |
|
||
| CloudDM / open-cdm | MySQL / PG 等 | Sidecar SQL 代理 | SQL 审核执行 |
|
||
| CacheCloud | Redis | Agent | 实例生命周期管理 |
|
||
| Apollo | 各业务线 | Config Service API | 配置下发与灰度发布 |
|
||
| Ansible | 各主机 | SSH | 基础设施初始化部署 |
|
||
| 企业 LDAP | 主系统 | LDAP Bind | 登录事件记录至审计面板 |
|
||
| 各子系统 + 基础设施 | VictoriaMetrics | HTTP / Exporter | Metrics 采集 |
|
||
| VictoriaMetrics | Grafana | PromQL | 监控指标可视化（直接复用） |
|
||
| Nightingale | qpass | 告警推送 | 统一告警通知 |
|
||
|
||
---
|
||
|
||
## 风险与约束
|
||
|
||
| 风险 | 影响 | 缓解措施 |
|
||
|------|------|---------|
|
||
| RKE2 版本升级可能引入不兼容变更 | 集群稳定性 | 先在测试环境验证，灰度发布 |
|
||
| Wayne 开源版本维护活跃度不确定 | 功能迭代受限 | 内部 Fork 并保持核心模块可维护 |
|
||
| 七机房网络链路故障 | 跨机房服务中断 | 网络冗余 + BGP 自动切换 + 告警监控 |
|
||
| SQL 审核规则误判 | 合法 SQL 被拦截 | 白名单机制 + 规则持续调优 |
|
||
| Redis 大 Key / 热 Key | 性能劣化 | CacheCloud 诊断工具 + 应用侧治理 |
|
||
| Apollo 多机房配置一致性 | 配置下发错误 | 本地缓存降级 + 灰度发布验证 |
|
||
| Consul 跨机房同步延迟 | 服务发现不一致 | 30 秒轮询 + 健康状态标注 |
|
||
| 云平台 API 限流/不可用 | 资源同步中断 | 增量同步 + 重试机制 + 状态告警 |
|
||
|
||
---
|
||
|
||
## 运维分层模型
|
||
|
||
> 故障按层级自愈，跨层操作需主系统管理员权限。
|
||
|
||
| 故障层级 | 处理方 | 工具链 | 权限要求 |
|
||
|---------|--------|--------|---------|
|
||
| 应用发布异常 | 子系统自愈 | Wayne 一键回滚 | 项目成员 |
|
||
| 中间件故障 | 子系统自恢复 | CacheCloud / CloudDM 内置运维能力 | 子系统运维角色 |
|
||
| 配置变更异常 | Apollo 回滚 | Apollo 版本回滚 + 灰度发布 | 配置管理员 |
|
||
| 基础设施故障 | 主系统管理员 | Ansible Playbook / SSH 终端 | 仅主系统管理员 |
|
||
| 机房级故障 | 主系统管理员 | Ansible + 大内网链路切换 | 仅主系统管理员 |
|
||
|
||
> [!warning] 安全约束
|
||
> Ansible / SSH 终端等基础设施级操作仅对主系统管理员角色可见，普通用户菜单中不包含此项。所有跨层操作全程审计留痕。
|
||
|
||
---
|
||
|
||
## 关联笔记
|
||
|
||
- [[requirements]]
|
||
- [[mvp-plan]]
|
||
- [[technical/xinfra-preview]]
|