K8s Deployment
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了K8s Deployment相关的知识，希望对你有一定的参考价值。
参考技术A Deployment是ReplicaSet的升级版，支持在恒定速度的之下从一个状态转移到另一个状态（滚动升级）。ReplicaSet 和Replication Controller 也支持rollout update，但是存在问题
存在的问题是rollout过程归client端控制而不是server。如果在rollout过程中kubectl和server失去联系，整个rollout会出现问题。
Deployment的rollout过程归server控制，不存在上述的问题。
Deployment的实现依赖ReplicaSet（仍会创建ReplicaSet），Deployment是ReplicaSet的封装。
以上配置：
输出表格有如下几列：
--record会记录deployment的历史revision。
相关的修改命令会记录在pod的kubernetes.io/change-cause annotation中。
Deployment自己创建的ReplicaSet以及pod的label会带有一段hash，即pod-template-hash。它的作用为确保归此deployment管理的ReplicaSet和pod不会和其他的发生冲突。
滚动升级当且仅当在pod template修改之后才会触发。
修改镜像版本
或者是编辑deployment描述文件
pod被update之后，deployment会创建新的replicaSet，并且逐步scale到配置的replica数。同时老的replicaSet会逐步scale到0。
如果在rollout过程中pod发生了更新，不会等到老的replicaSet scale到 desired state（达到指定的replica数量），会立刻开始scale到0的过程。
新的pod状态变为ready或available（至少需要等待MinReadySeconds）。
输入类似如下界面：
可以通过如下方式指定CHANGE-CAUSE：
在滚动升级的过程中，新老版本的pod同时在运行。如果在升级过程尚未完成之时调大replica数值，比如说增加5。由于百分比扩展特性的存在，这新增的5个replica不会都分配给新的ReplicaSet，而是按照比例同时分配给新老ReplicaSet，新的ReplicaSet占比多，老的ReplicaSet占比少。以新增5个replica为例，新的ReplicaSet会增加3，老的ReplicaSet会增加2。
pod至少多久之后才会被认为可用。
只有在时间超过minReadySeconds，并且readness probe检测状态正常的时候，pod才会被k8s认为是可用的，滚动升级才会进行。
增加deployment部署时间超时限制。
Deployment超时的时候k8s不会自动处理，只会返回状态值 Reason=ProgressDeadlineExceeded
Rollout时候暂停，k8s不会检查部署超时限制（progressDeadlineSeconds），因此不用担心rollout恢复操作的时候超时。
RollingUpdate参数解释（英文描述还是比较精确的，因此从官网摘抄下来）：
个人对应的理解为：
3.5 样本分布K-S检验 ——python实战
文章目录
import tensorflow as tf
print("TensorFlow version:", tf以上是关于K8s Deployment的主要内容，如果未能解决你的问题，请参考以下文章