Docker – VM modèle ou installation automatique

Je voulais initialement mettre au point une VM modèle que je pourrais cloner pour servir de base à une machine paramétrable avec Ansible. La mise au point de la VM passse par l’installation de l’OS et cette phase vait aussi pour une machine physique. Comme l’informatique est la science de ceux qui n’aiment pas se répéter, je me lance donc sur le sujet d’automatisation d’une installation.

Preseed

Le processus d’installation d’un système Debian peut peut-être automatisé par un fichier preseed.cfg qui contient les réponses aux questions de l’installateur. La mise au point de ce fichier merite l’utilisation de l’intégration continue qui consistera à :

  1. rappatrier une ISO de debian en version stable
  2. extraire l’ISO
  3. ajouter le preseed
  4. recréer l’ISO
  5. demarrer une VM sur l’ISO
  6. vérifier que le système installé répond à l’attente
  7. déployer l’ISO pour utilisation future.

Gitlab-runner et libvirt

Le principe est séduisant mais il faut que je trouve comment depuis un gitlab-runner lancer une VM. Cette VM devra être créée from scrach pour bien reproduire le cas d’utilisation de l’ISO custom. J’entrevois déjà des questions nouvelles dans la coneption de la solution: idealement le test devrait se faire dans un conteneur mais la mise sous docker sera impossible car le conteneur partage les librairies systèmes (noyau) de l’hôte. Donc le seul moyen d’isoler le test création/installation de VM serait de le faire sur un hôte dédié: une VM avec gitlab-runner et libvirt afin de créer des VM !

Affaire à suivre….

Docker – vers la scalabilité

Feuille de route du 26/05/2019

La migration a pour objectif de:

  • Réduire le nombre de VM (moins d’administration etc)
  • Réduire l’empreinte mémoire des services (blog divers, owncloud etc)
  • Répondre au besoin de sauvegarde comme à l’heure actuel
  • Répondre au besoin de monitoring comme à l’heure actuel
  • Ajouter la possibilité d’avoir une préproduction complète

En option:

  • Permettre la scalabilité des services
  • L’exécution des services dans le cloud

Objectifs atteints

Si j’ai atteints facilement les objectifs principaux, la mis à l’échelle et la capacité à mettre mes services dans le cloud c’est-à-dire de faire héberger ou bien mes conteneurs ou bien la VM hôte dans le cloud, sont encore à faire.

Scalabilité

J’ai commencé avec une VM de 4 Go pour progressivement monter à 7 Go. Cela se fait en modifiant la VM et ajouter du swap pour les raisons que j’évoquais dans le billet sur l’over-commit. L’objectif était de voir combien de RAM je pouvais économiser c’est-à-dire combien j’en avais gaspillé avec le modèle tout VM où un service c’est une VM.

Rappel de mon infra sur serveur mutalisé de VM à conteneur

Cette méthode nécessite de l’administration de la VM et atteindra sa limite de toute façon avec le nombre maximum de processus par OS et la résistance à la panne. Si la VM plante alors tous les services sont impactés. C’est le Single Point Of Failure (SPOF) à éviter.

Augmentation de l’enveloppe dal VM pour s’adapter au nombre de conteneur

Outils possibles

Le principe est d’avoir plusieurs dockers sur des machines différente (physique ou VM) afin de répartir les conteneurs. C’est ce que swarm semble promettre. Un autre outil serait le bazooka Kubernetes. Le choix de l’outil dépendra des bénéfices apportés par rapport au temps de mise en œuvre.

Solution cible

Quelle que soit la solution technique qui permettra de panacher les conteneurs sur différents docker, il faudra que je revoie le reverse proxy apache pour l’instant natif sur l’hôte. Je pense à le dockerisé ou à utiliser une solution comme traefik.

Automatisation de la création de l’hôte

Dans mon infra j’ai réussi à rendre transparent le déploiement des conteneurs via le processus d’intégration continue. Cela nécessite la création préalable de l’hôte du moteur docker et du gitlab-runner natif. Si docker s’exécute dans une VM comme dans mon cas il faut encore avoir créer la VM et donc installer un OS. Tout cela est encore manuel chez moi même si cela reste simple: une débian minimaliste, docker, docker-compose et gitlab-runner natif.

Clonage de VM

Afin d’avoir une préprod et une prod identique au niveau OS/Docker, j’ai procédé par clonage de VM. Une fois la VM de préprod prête, j’ai cloné celle-ci. Ce mécanisme permet d’ajouter autant de VM que voulu à partir d’une image creuse prête à l’emploi ne contenant que l’OS, le moteur docker et le gitlab-runner natif. Cependant comment ajouter une machine physique à mon infra ? Il faut être capable de créer et configurer une machine physique également:

  • Aussi bien pour accueillir un moteur docker directement
  • Que pour accueillir des VM à conteneurs

Outils de configuration

La création de machine physique prête à rentrer dans mon cluster de moteur docker peut se faire avec un outils de configuration comme Ansible. Le principe est d’appliquer une configuration (installation, paramétrage) sur une machine disposant d’un accès SSH. Dès lors il me suffit d’être capable d’installer rapidement une machine physique avec les caractéristiques suivantes:

  • Débian minimale
  • Accès SSH pour Ansible

Dans le cas d’un machine virtuelle, il me suffira d’avoir une VM modèle avec ces mêmes caractéristiques minimales afin de pouvoir utiliser Ansible pour la configurer plus en avant. Cette configuration consistera à:

  • mettre à jours le système
  • installer le moteur docker
  • installer docker compose
  • installer le gitlab-runner natif ?

Gitlab-runner

J’utilise jusque là l’intégration continue pour faire les déploiements via gitlab-runner. Cette façon de faire m’évite d’avoir à mettre à jours une copie locale des fichiers de configuration des application par un git pull, le runner faisant tout ça automatiquement. Dans le cadre des conteneurs en cluster gérés par swarm ou kubernetes, le gitlab-runnner sera peut-être remis en cause.

La prochaine étape sera la création d’une VM modèle. La suite au prochain billet !

Docker – conteneuriser c’est mutualiser efficacement

Le chantier de passage de mes VM en conteneur docker commencé en mai touche à sa fin. Il ne me reste qu’une seule VM à migrer. Pour rappel, je me contrains à réellement migrer en conteneur et je n’utilise pas d’outils de conversion VM vers conteneur afin d’avoir réellement des images minimales offrant uniquement le service attendu. Le résultat obtenu début juillet était déjà probant. Dans ce billet j’enfonce le clou graphique munin à l’appui.

Réduction de l’enveloppe mémoire de VM et de la mémoire alloué sur l’hôte

La ligne bleu montre l’enveloppe mémoire des VM de ma machine hôye

Les 15 VM occupaient initialement 18-19 Go de RAM avant que ne me lance dans la migration avec uniquement un production. Au début de la migration en conteneur docker, l’enveloppe mémoire avait fait un bon puisque j’ajoutais 2 VM : une production et un pré-production puis au fil des migrations l’enveloppe mémoire sur l’hôte s’était mise à chuter rapidement. Actuellement j’ai doublé le nombre de services (une prod et une pré-prod) et réduit l’enveloppe mémoire à 15 Go. 30 Services pour 15 Go là où la virtualisation prenait 18-19 Go pour 15 services !

La ligne verte montre la mémoire commitée

Mutualisation efficace par over-commit

Du point de vu de l’hôte la mémoire alloué à sensiblement diminuée passant de 45 Go à 33 Go. Tout cela doit être vu avec la perspective du doublement du nombre de service. Cela est rendu possible par la mutualisation au sein d’une même VM (un seul OS) de tous les services. L’OS a alors le choix d’allouer intelligemment les ressources limitées par l’enveloppe de la VM. Dans mon cas ma VM de prod occupe 7 Go de RAM. Idem pour la pré-pod. Pour ce faire le noyaux linux à recours à la surréservation (over-commit). Ici la machine de production:

La ligne verte montre la réservation mémoire : on est bien en over-commit

La machine de pré-production certes moins sollicitée est également en over-commit:

Bien que la sur-réservation mémoire est normale car par empirisme les applications allouent la mémoire sans vraiment en avoir besoin tout le temps ce qui a conduit Linux à prendre en comportement par défaut l’over-commit. Cependant si jamais toutes les applications veulent accéder en même temps à la mémoire qui leur avait été promise, le système va planter sauf si on met suffisamment de fichier d’échange pour amortir le choc. Dans mon cas je me fixe comme limite de commit la quantité de mémoire virtuelle disponible (RAM 7 Go + SWAP 7 Go = 14 Go). Quand l’over-commit s’approche de cette limite, une alerte munin est rémontée !

Je ne triche pas avec le Swap

On pourrait croire que le swap est un moyen de tricher. Et non, il n’est là que pour amortir le cas improbable où tous les services voudraient leur mémoire promise. D’ailleurs on voit bien sur les graphiques que les VM ne « swappent » pas.

Overcommit sans swap = jusque là tout va bien

Et l’usage disque supplémentaire pour le swap ? C’était déjà la cas avec chacune des 15 VM du départ. Chacune ayant entre 1 Go et 4 Go de swap. Avec docker j’ai 15 services qui tiennent avec 7 Go de swap.

Docker (ou une solution de conteneurisation) est vraiment une avancée dans l’usage raisonné des ressources. Il offre en plus l’avantage de garantie d’une exécution dans des environnements à l’identique en terme de dépendance. Ces 2 points me permettent d’avoir une pré-prod représentative de ma prod aussi bien en terme d’installation (dépendances) et de taille (sans que cela ne coûte trop cher)

kvm – ajouter de l’espace disque swap à chaud avec LVM

L’ajout d’espace d’une VM peut être augmenté à chaud pourvu que l’on utilise LVM. Cela permet de se sortir de situation où on voit la saturation du disque mettre en péril la continuité de service. L’article précédent traite de ce sujet: https://blog.bressure.net/2019/07/05/kvm-ajouter-de-lespace-disque-a-chaud/

Cas du swap

Quand on doit augmenter la taille du swap, on procède de la même manière en ajoutant un disque à la VM puis ajoutant le disque au groupe de volume utilisé par le volume logique du swap et enfin en étendant la volume logique correspondant au swap à la totalité de l’espace disponible dans le groupe de volume précédemment agrandi avec le nouveau disque.

# vgextend staging-vg /dev/vdc
# lvm lvextend -l +100%FREE /dev/staging-vg/swap_1

A ce moment l’espace du volume logique a bien augmenté. Pour cela lancer la commande fdisk -l

En revanche le swap disponible au niveau de l’OS n’a pas encore bougé. Lancer la commande free -h pour se convaincre.

La prise en compte de la nouvelle capacité de l’espace de swap, il faut désactiver le swap puis formater le volume logique et enfin réactiver le swap en utilisant bien l’argument -v. Utiliser la commande fdisk -l pour avoir le chemin du volume logique du disque swap

# swapoff -va
# mkswap /dev/mapper/staging--vg-swap_1
# swapon -va

Cas où le swap est utilisé

Si jamais le système utilise déjà de l’espace swap et que la quantité de RAM ne peut pas prendre en charge ce qui est alloué dans le swap, alors il faudra créer un autre volume logique puis créer le swap avec mkswap et enfin activer le swap.

kvm – ajouter de l’espace disque à chaud

En train d’importer un blog avec 36000 entrées à partir d’un fichier de WRX de 54 Mo, je voyais l’espace disque se remplir à vue d’oeil ! à 92% munin commençait à m’envoyer des mails d’alerte.

Pas de panique, comme j’utilise kvm et lvm, l’ajout d’espace disque peut se faire à chaud. La difficulté était que je devais tout faire en shell distant.

J’ai ainsi réussi à sauver mon processus d’import en ajoutant un disque et augmenter le volume logique mais le disque virtuelle était au mauvais format: 20 Go virtuel et 20 Go sur l’hôte même si il était vide.

Finalement voici la méthode pour ajouter à chaud de l’espace que une VM en train de staurer.

Créer un nouveau disque

Se mettre sur l’hôte et en tant que root en remplaçant staging-2.qcow par c3 qu2 vous voulez:

qemu-img create -f qcow2 /var/lib/libvirt/images/staging-2.qcow2 20G

Ne pas utiliser les option de preallocation

Attacher le disque à la VM

C’est là que réside la subtilité pour que la VM croire avoir à faire à un disque de 20G même si le fichier ne fait que quelques centaines de kilos. La commande qemu-img info permet de voir les propriétés du disque virtuel.

/var/lib/libvirt/images# qemu-img info staging-2.qcow2
image: test.qcow2
file format: qcow2
virtual size: 20G (21474836480 bytes)
disk size: 196K
cluster_size: 65536
Format specific information:
compat: 1.1
lazy refcounts: false
refcount bits: 16
corrupt: false



On va attacher le disque à la VM en précisant bien le driver qcow2

# virsh attach-disk staging /var/lib/libvirt/images/staging-2.qcow2 vdb --driver qemu --subdriver qcow2 --targetbus virtio --persistent --config --live

Remplacer vdb par un identifiant de device disponible dans la VM qui s’appelle ici staging.

En tant que root sur le VM, vérifier la présence du disque et qu’il a la bonne taille

# fdisk -l

Disque /dev/vdb : 20 GiB, 21474836480 octets, 41943040 secteurs
Unités : secteur de 1 × 512 = 512 octets
Taille de secteur (logique / physique) : 512 octets / 512 octets
taille d'E/S (minimale / optimale) : 512 octets / 512 octets

Ajouter le disque /dev/vdb dans le volume group à étendre., ici staging-vg

# vgextend staging-vg /dev/vdb

Ajouter tout l’espace au volume logique, ici /dev/staging-vg/root

# lvm lvextend -l +100%FREE /dev/staging-vg/root

Redimensionner le système de fichier qui se trouve ici dans /dev/mapper/staging--vg-root

resize2fs -p /dev/mapper/staging--vg-root

Docker – résultat de migration VM vers conteneurs

Les premiers resultats se confirment: le passage aux conteneurs docker me permet de faire de economies drastiques de ressources !

Avec 15 VM (soit 15 applications) qui occupaient 17 Go de RAM mon systeme hôte montrait des signes de saturation. J’ai déjà migré 7 applications et cela se traduit par un du nombre de service (conteneur docker) consequent car une application est constituée par exemple d’un service wordpress et d’un service de base de données. Actuellement pour 7 applications j’ai 17 conteneurs mais qui tiennent dans 4 Go de RAM.

Ceci me permet d’avoir une prod et une preprod. J’ai 14 applications dans 2 VM pour 8 Go de RAM totale.

Réduction du nombre de VM

Si au démarrage du projet j’ai ajouté 2 VM pour accueillir la production et la préproduction. La transformation progressive des anciennes VM de prod en conteneur à porté ses fruits.

La capture suivante montre bien l’empreinte mémoire des VM diminuer au fur et à mesure de leur disparition. Actuellement les VM occupent 14 Go contre 17 Go avant. Le gain semble faible en réalité il est très important…. car j’ai aujourd’hui le double d’application: une prod et une preprod. Je suis donc virtuellement passé de 34 Go à 14 Go !

Multiplication des conteneurs

Quand on observe le contenu de la VM de production, on voit que la transformation de 7 application qui tenaient dans 8 VM à cause d’une VM dédié à Elasricsearch pour un dzq blog, a donné naissance à 16 conteneurs. Il faut ajouter le gitlab-runner pour effectuer les déploiements.

On remarque que les conteneurs consomment à peine 300 Mo chacun sauf celui d’Elasticsearch. On comprend alors la gabegie d’avoir une VM dédiée par application.

Charge mémoire de l’hôte

La gestion de la mémoire des VM est telle que une VM ne rend jamais à l’hôte la mémoire allouée. On peut par une action manuelle diminuer la taille de la mémoire mais cela ne rend pas la mémoire au système. Donc ce qui est alloué au bénéfice de l’overcommit finira par générer du swap. L’extinction des VM au fur et à mesure montre bien la diminution de la charge mémoire.

Charge mémoire de la VM docker

La VM de prod avec 4 Go exécute sans broncher tous les conteneurs au prix d’un overcommit important. Toutefois puisque les services ne sont pas utilisés en même temps, le swap n’a pas encore eu lieu mais le système est à sa limite. Je ne vais pas pouvoir décemment rester avec 4 Go de RAM par VM.

Docker – premier résultats de migration VM vers conteneurs

Le 23 mai dernier je me lançais dans la transformation de mes VM en conteneurs docker. Cette migration est un changement de paradigme et j’ai voulu de plus mettre en oeuvre de l’integration et du deploiement continu comme fondations de ma nouvelle infrastructure.

Ces prérequis ont un peu retardé les resultats visibles que cette transformation avait comme promesse:

  1. moins de VM
  2. moins d’empreinte mémoire

Souvenez-vous je partais de 15 VM qui offraient differents services (blog….) consommant 17Go de RAM en total et un système hôte qui était en overcommit avec du swap.

Nombre de VM

J’ai ajouté 2 VM: une production et une production. A ce jour j’ai dockerisé 5 VM donc le nombre total de VM est en baisse: -3. Mais il faut bien voir que je gagne également en terme de « robustesse » car j’ai une preprod qui n’existait pss avant. Dès la 2e VM dockerisée j’étais à l’équilibre.

Pour comparer réellement c’était comme si j’avais 15×2 VM (prod et prepod) et que maintenant j’ai ajouté 2 VM et retiré 5×2 VM. Donc au final j’ai virtuellement fait -8 en nombre de VM. Avec une préprod avant j’aurais été à l’équilibre dès la 1er VM dockerisée.

Empreinte memoire

Les 2 VM de prod et preprod consomment chacune 4 Go de RAM tandis que les 5 VM supprimées utilisaient au total 8 Go. Donc je suis à l’équilibre.

Je dispose, avec la même quantité de mémoire, d’une préprod pour mes 5 services conteneurisés.

On remarque que l’overcommit du système hôte a baissé dès que les 8Go de VM ont été enlevés. En revanche dans la VM de production qui héberge les 5 applications (ex-VM) sous forme de services dockers, les 4 Go sont bien remplis et semblent être juste

On voit de overcommit mais pas vraiment de swap. Ce résultat est encourageant et montre bien que la conteneurisation permet de mieux partager les ressources sans le gaspillage lié à la multiplication des OS dans le paradigme du tout virtualisé.

Je vais donc poursuivre l’expérience de mise sous docker et voir quand la VM de prod va craquer.

Docker – ma premiere VM dockerisée

Ce billet est le premier de mon blog édité dans sa version dockerisé. Enfin ! Depuis plus d’un mois je me lançai dans la migration de mes VM en conteneur docker. Je suis passé par l’étape préliminaire de la mise en place d’un outillage d’intégration continue et déploiement continue. La solution que j’ai trouvée est basée sur Gitlab et me permet d’avoir une grade grande agilité dans cette phase de migration.

Ce matin mon blog professionnel est passé de la version VM turnkey linux à une version docker. J’ai fais l’impasse sur la création d’une images personnalisée afin d’avoir rapidement un résultat qui fonctionne.

Je vais maintenant migrer rapidement toutes mes VM wordpress en conteneur docker et voir le gain obtenu en terme de ressources utilisées sur mon systeme hôtes.

Docker – Mise a jour du gitlab-runner dockerisé

Dans mon infra j’utilise gitlab-runner dockerisé pour déployer. Comme j’entrevois de devoir modifier souvent la configuration du service gitlab-runner, il me faut la mettre sous intégration continue au moins et voire en déploiement continue dans un second temps.

Un runner qui s’arrête lui-même

En intégrant le fichier de configuration standard de mon projet blog, le déploiement en environnement staging commence par arrêter le service et là:

docker-compose version 1.24.0, build 0aa59064
docker-py version: 3.7.2
CPython version: 3.6.8
OpenSSL version: OpenSSL 1.1.0j 20 Nov 2018
$ echo "deploy to staging"
deploy to staging
$ docker-compose down
Stopping runner_docker_1 ...
ERROR: Job failed (system failure): aborted: terminated

En effet le job s’execute dans un runner géré par le démon (service) gitlab-runner. En arrêtant le service, on arrête le runner et donc le job.

Un gitlab-runner bootstrap

Le gitlab-runner dockerisé sert à déployer les services. Si lui-même est un service déployable comme un autre, il faut donc un gitlab-runner de démarrage dédié. Ce dernier n’a pas intérêt à être dockerisé car on ne pourrait pas le mettre à jour comme les autres services.

Il faut donc avoir un gitlab-runner dit de bootstrap qui sera une installation système native. Ce dernier enregistera un runner marqué bootstrap qui communiquera avec le docker engine via le lancement d’un conteneur docker-compose.

Mise à jour du service gitlab conteneurisé

La mise à jour du service gitlab promettait de poser le même problème. Si un runner l’arrête, la constructions va s’arrêter. Voilà que je risquaitns d’atteindre la limite de mon infra à base de gitlab pour déployer !

Il en est rien ! Le runner peut stoper le service gitlab via docker-compose. A ce moment gitlab ne répond plus mais le runner continue de s’exécuter et redémarre le service gitlab. Gitlab est de nouveau disponible et reçoit le résultat du job.

Donc je peux mettre a jour mon service Gitlab via gitlab-runner. Pour cela j’utilise le gitlab-runner conteneurisé mais avec un runner docker utilisant la socket de l’hôte. Dans le schéma plus haut on voit que le gitlab-runner dockerisé gère 2 runner:

  1. l’un utilisant Dind pour l’intégration continue
  2. l’autre par socket binding pour le déploiement automatique du service gitlab conteneurisé

Tag de job

J’utilise les tag pour sectionnelle le bon runner en fonction du stage du job. Chaque runner est caractérisé par une combinaisons de tag qui le définit de manière unique.

Voici le fichier docker-compose.yml du service GitLab:

image:     
    name: docker/compose:1.24.0
    entrypoint: [""]
  
before_script:
    - docker info
    - docker-compose version

stages:
    - build
    - test
    - staging
    - production

run_gitlab:
    stage: test
    tags:
        - dind
        - infra
        - regular
        
    variables:
        # For non-Kubernetes executors, we use tcp://docker:2375/
        DOCKER_HOST: tcp://docker:2375/
        # When using dind, it's wise to use the overlayfs driver for
        # improved performance.
        DOCKER_DRIVER: overlay2
    services:
        - docker:dind
    script:
        - echo "run blog for testing"
        - docker-compose up -d
        - docker-compose ps

deploy_to_staging:
    stage: staging
    tags:
        - staging
        - docker
        - regular
    script:
        - echo "deploy to staging"
        - docker-compose down
        - docker-compose up -d
    only:
        - master


deploy_to_infra:
    stage: production
    tags: 
        - infra
        - docker
        - regular
    script: 
        - echo "deploy to dev infra"
        - docker-compose down
        - docker-compose up -d   
    only:
        - master
    when: manual

Dans le cas où le service est le gitlab-runner conteneurisé lui-même, il faut que le job utilise le gitlab-runner natif (que je qualifie de bootstrap). Voici le fichier docker-compose.yml du service gitlab-runner:

image:     
    name: docker/compose:1.24.0
    entrypoint: [""]
  
before_script:
    - docker info
    - docker-compose version

stages:
    - build
    - test
    - staging
    - production

run_runner:
    stage: test
    tags:
        - dind
        - infra
        - regular
        
    variables:
        # For non-Kubernetes executors, we use tcp://docker:2375/
        DOCKER_HOST: tcp://docker:2375/
        # When using dind, it's wise to use the overlayfs driver for
        # improved performance.
        DOCKER_DRIVER: overlay2
    services:
        - docker:dind
    script:
        - echo "run blog for testing"
        - docker-compose up -d
        - docker-compose ps

deploy_to_staging:
    stage: staging
    tags:
        - staging
        - docker
        - bootstrap
    script:
        - echo "deploy to staging"
        - docker-compose down
        - docker-compose up -d
    only:
        - master

deploy_to_production:
    stage: production
    tags: 
        - production
        - docker
        - bootstrap
    script: 
        - echo "deploy to production"
        - docker-compose down
        - docker-compose up -d   
    only:
        - master
    when: manual

deploy_to_infra:
    stage: production
    tags: 
        - infra
        - docker
        - bootstrap
    script: 
        - echo "deploy to dev infra"
        - docker-compose down
        - docker-compose up -d   
    only:
        - master
    when: manual

Docker – deploiement avec gitlab-runner

On a réussi à mettre en place des constructions conteneurisées avec docker in docker dans l’article précédent. Le fait d’utiliser docker in docker permet de rendre la construction repétable puisque même l’outil de construction (ici docker) est sous forme se conteneur. On ne depend pas d’une installation préalable sur le système qui exécute la construction. Nous définissons dans le mécanisme de construction le systeme de construction lui-même.

L’autre avantage est d’isoler chaque construction. Ainsi on peut avoir plusieurs constructions d’un même projet en parallèle sans avoir a ce soucier d’un même port exposé sur l’hôte. Pas besoin d’avoit un port par construction: si cela reste possible par branche, 2 commit successifs sur une même branche vont utiliser le même port donc il faut séquencer les construction etc. Dind permet d’avoir l’esprit tranquille.

Déploiement continu

Dans mon environnement d’exécution, une application disons le blog de cerf-volant est distanciée une seule fois. Je pourrais être tenté de n’avoir qu’une application instanciée autant de fois qu’il y a de blog par exemple. Mais chaque blog wordpress est légèrement différents avec des plugins différents et cette personnalisation est souvent longue donc il est plus judicieux d’avoir un service déjà personnalisé avec des images déjà personnalisées. Finalement je préfère avoir autant d’application (docker-compose.yml) qu’autrefois j’avais de VM.

La conséquence est que le déploiement est plus simple. Un application ne se deploie qu’une fois donc son port exposé sur l’hôte (la VM de production) lui est dédié. Dans ce cas docker in docker ne sert plus à rien. On gagne à passer par le démon docker de l’hôte pour lancer les services.

C’est pourquoi selon l’étape (stage) de la construction j’utilise dind ou pas. J’identifie 4 étapes essentielles:

  1. build
  2. test
  3. staging
  4. production

Les 2 premiers doivent se faire en environnent isolé c’est-à-dire avec docker in docker tandis que le 3e consiste en un déploiement automatisé en environnement de preprod et le dernier est un déploiement manuel en production.

Outils de déploiement

Le deploiement consite à lancer un service docker sur la VM de prepod ou de prod. Est-ce que les outils déjà rencontré jusque jusque-là peuvent répondre à ce besoin ? docker CLI, docker-compose et gitlab-runner sont-ils suffisants ?

Le lancement du service consiste en:

  1. rapatrier la définition du service sur le serveur de prod ou de preprod
  2. lancer le service avec docker-compose

L’étape 1 revient à rapatrier une copie des sources et a seconde étape revient utiliser docker-compose sur le demon docker de la VM de prod ou preprod.

Or ces fonctions sont remplies par gitlab-runner. Il suffit simplement de l’utiliser avec un job (construction) qui n’utilise pas dind mais le démon docker de l’hôte. On va utiliser la même configuration qu’en Integration: un executor de type docker. Il suffit pour cela de configurer le runner pour passer par le partage de socket (monter la socket de l’hôte comme socket docker du conteneur de construction (docker-compose).

Finalement la VM de prod ou de preprod n’aura comme prérequis que l’installation d’un docker engine et gitlab-runner dockerisé dans lequel on va créer le runner de déploiement.

Les aspects de sécurités devront être investigués: authentification du serveur gitlab voire du client gitlab-runner

Installation du serveur de préprOD

Il faut créer une VM avec un partitionnement LVM2 afi de pouvoir étendre l’espace disque de la VM si besoin. Ma configuration de départ est une VM à 4 Go de RAM et 20 Go de disque avec comme OS une débian 9.9.0.

  1. Installer docker selon la documentation officielle
  2. Installer docker-compose pour pouvoir installer le gitlab-runner de déploiement (même si on pourrait s’en passer et utiliser une version conteneurisé de docker-compose !)
  3. Télécharger la configuration du service du gitlab-runner sur la machine de préprod. Dans mon cas comme elle se trouve sur mon dépot git, je fais un clone….
version: "3.7"
services:
    docker:
        image: 'gitlab/gitlab-runner:alpine'
        restart: always
        volumes:
            - '/srv/gitlab-runner/config:/etc/gitlab-runner'
            - '/var/run/docker.sock:/var/run/docker.sock'

Configuration du runner de déploiement

Lancer le service gitlab-runner par la commande suivante dans le répertoire où se trouve le fichier docker-compose.yml, disons que ce répertoire s’appelle runner

docker-compose up -d

Voilà le serveur de préprod est presque prêt. Il ne reste qu’a instancier le runner dédié au déploiement dans cet environnement de préprod. Le conteneir gitlab-runner est un service qui prend en charge la création des runner.

Si le répertoire du fichier docker-compose.yml s’appelle runner alors le conteneur s’appelle runner_docker_1. On va s’y connecter par

docker exec -it runner_docker_1 bash

Puis entrer la commande:

gitlab-runner register

Les différents paramètres ont été vus dans le billet précédent et ne changent pas. En revanche le tag devra être renseigné à une valeur qui permettra de spécifier que le runner que l’on est en train de créer est dédié à la preprod. Utilisons par exemple le tag staging.

Quitter le shell bash pour revenir sur le shell initial de notre VM de préprod. Comme on persiste la configuration du gitlab-runner sur l’hôte, on va pouvoir aller la modifier pour relier la socket de docker du conteneur créé par le runner à la socket l’hôte. C’est par ce biais que le docker CLI (de l’image docker ou docker-compose) va communiquer avec le docker engine de l’hôte.

nano /srv/gitlab-runner/config/config.toml

Dans la section volumes apporter la modification suivante:

volumes = ["/var/run/docker.sock:/var/run/docker.sock","/cache"]

INSTLLATION DU SERVEUR DE PRODUCTION

Les actions sont identiques à l’exception qu’il faut utiliser un autre tag disons production à la place de staging.

Configuration du build

Le fichier .gitlab-ci.yml de mon projet blog prend finalement alors la forme ci-après. J’ai utilisé une combinaison de tag plus précise afin de spécifier les runner adaptés à chaque étape. Les tag peuvent être modifiés dans l’interface administrateur de gitlab.

 image:
    name: docker/compose:1.24.0
    entrypoint: [""]



 before_script:
   - docker info
   - docker-compose version

 stages:
   - build
   - test
   - staging
   - production
   
 

 run_blog:
   stage: test
   tags:
     - docker
     - dind
   variables:
    # For non-Kubernetes executors, we use tcp://docker:2375/
    DOCKER_HOST: tcp://docker:2375/
    # When using dind, it's wise to use the overlayfs driver for
    # improved performance.
    DOCKER_DRIVER: overlay2

   services:
     - docker:dind     
   script:
     - echo "run blog for testing"
     - docker-compose up -d
     - docker-compose ps

 #verify_running:
 #  stage: test
 #  tags: 
 #  image: golang # because I know it has curl installed
 #  script:
 #     - sleep 120
 #     - curl -v http://docker:8180
                         
    
 deploy_to_staging:
    stage: staging
    tags:
        - staging
        - docker
    script:
        - echo "deploy to staging"
        - docker-compose down
        - docker-compose up -d
    only:
    - master        
 
 deploy_to_production:
    stage: production
    tags:
        - production
        - docker
    script:
        - echo "deploy to production"
        - docker-compose down
        - docker-compose up -d
    only:
    - master
    when: manual

La prochaine étape sera de mettre sous déploiement continue le conteneur initial gitlab-runner qui a dû être installé manuellement. Ensuite je m’attacherai à la personnalisation de l’image wordpress et ce sera l’occasion de creuser les mise en place du proxy de registry et de relier les dockers engines (de ma machine hôte et ceux des VM de préprod et de prod) à mon propre registry.