Kubernetes教程FG073-Kubernetes边缘计算与Kubernetes实战
内容简介
本篇文章主要介绍边缘计算与Kubernetes的结合使用方法。风哥教程参考Kubernetes官方文档边缘计算相关内容，结合生产环境实际操作场景，详细讲解边缘计算的概念、Kubernetes在边缘计算中的应用以及最佳实践。
目录大纲
Part01-基础概念与理论知识
1.1 边缘计算概述
边缘计算是一种将计算能力和数据存储放在靠近数据源的网络边缘的计算模式，它可以：
- 降低延迟：将计算放在边缘，减少数据传输时间
- 减少带宽使用：只传输必要的数据，减少网络带宽使用
- 提高安全性：敏感数据在边缘处理，减少数据传输风险
- 支持离线操作：在网络中断时，边缘设备仍能正常工作
- 扩展计算能力：将计算任务分布到边缘设备，提高整体计算能力
1.2 Kubernetes在边缘计算中的应用
Kubernetes在边缘计算中的应用包括：
- 边缘集群管理：管理分布在不同位置的边缘集群
- 边缘应用部署：在边缘设备上部署和管理应用
- 边缘与云协同：实现边缘与云的协同工作
- 边缘资源管理：管理边缘设备的资源使用
- 边缘服务发现：在边缘环境中发现和访问服务
Part02-生产环境规划与建议
2.1 边缘计算架构设计
- 边缘计算架构层次：
- 设备层：传感器、摄像头等边缘设备
- 边缘层：边缘服务器、网关等
- 云层：云服务器、数据中心
- 边缘集群类型：
- 小型边缘集群：部署在边缘服务器上
- 微型边缘集群：部署在网关或小型设备上
- 混合边缘集群：结合边缘和云的计算能力
- 网络架构：
- 局域网：边缘设备之间的通信
- 广域网：边缘与云之间的通信
- 5G/4G：移动边缘计算场景
2.2 Kubernetes边缘集群配置
- 资源配置：
- CPU：根据边缘设备的CPU能力配置
- 内存：根据边缘设备的内存大小配置
- 存储：使用本地存储或分布式存储
- 网络配置：
- CNI插件：选择轻量级的CNI插件
- 网络策略：根据边缘网络环境配置
- 安全配置：
- TLS认证：确保通信安全
- RBAC：控制访问权限
- 网络隔离：隔离边缘网络
，风哥提示：。
Part03-生产环境项目实施方案
3.1 边缘集群部署
部署边缘Kubernetes集群，风哥提示：。
使用k3s部署边缘集群
# 安装k3s服务器
[root@fgedu-edge-server ~]# curl -sfL https://get.k3s.io | sh –
[root@fgedu-edge-server ~]# curl -sfL https://get.k3s.io | sh –
[INFO] Finding release for channel stable
[INFO] Using v1.26.0+k3s1 as release
[INFO] Downloading hash https://github.com/k3s-io/k3s/releases/download/v1.26.0+k3s1/sha256sum-amd64.txt
[INFO] Downloading binary https://github.com/k3s-io/k3s/releases/download/v1.26.0+k3s1/k3s
[INFO] Verifying binary download
[INFO] Installing k3s to /usr/local/bin/k3s
[INFO] Creating /usr/local/bin/kubectl symlink to k3s
[INFO] Creating /usr/local/bin/crictl symlink to k3s
[INFO] Creating /usr/local/bin/ctr symlink to k3s
[INFO] Creating killall script /usr/local/bin/k3s-killall.sh
[INFO] Creating uninstall script /usr/local/bin/k3s-uninstall.sh
[INFO] env: Creating environment file /etc/systemd/system/k3s.service.env
[INFO] systemd: Creating service file /etc/systemd/system/k3s.service
[INFO] systemd: Enabling k3s unit
Created symlink /etc/systemd/system/multi-user.target.wants/k3s.service → /etc/systemd/system/k3s.service.
[INFO] systemd: Starting k3s
[INFO] Using v1.26.0+k3s1 as release
[INFO] Downloading hash https://github.com/k3s-io/k3s/releases/download/v1.26.0+k3s1/sha256sum-amd64.txt
[INFO] Downloading binary https://github.com/k3s-io/k3s/releases/download/v1.26.0+k3s1/k3s
[INFO] Verifying binary download
[INFO] Installing k3s to /usr/local/bin/k3s
[INFO] Creating /usr/local/bin/kubectl symlink to k3s
[INFO] Creating /usr/local/bin/crictl symlink to k3s
[INFO] Creating /usr/local/bin/ctr symlink to k3s
[INFO] Creating killall script /usr/local/bin/k3s-killall.sh
[INFO] Creating uninstall script /usr/local/bin/k3s-uninstall.sh
[INFO] env: Creating environment file /etc/systemd/system/k3s.service.env
[INFO] systemd: Creating service file /etc/systemd/system/k3s.service
[INFO] systemd: Enabling k3s unit
Created symlink /etc/systemd/system/multi-user.target.wants/k3s.service → /etc/systemd/system/k3s.service.
[INFO] systemd: Starting k3s
添加边缘节点
# 获取节点加入令牌
[root@fgedu-edge-server ~]# cat /var/lib/rancher/k3s/server/node-token
[root@fgedu-edge-server ~]# cat /var/lib/rancher/k3s/server/node-token
K10123456789abcdef0123456789abcdef0123456789abcdef0123456789abcdef::server:1234567890abcdef1234567890abcdef
# 在边缘节点上加入集群
[root@fgedu-edge-node ~]# curl -sfL https://get.k3s.io | K3S_URL=https://fgedu-edge-server:6443 K3S_TOKEN=K10123456789abcdef0123456789abcdef0123456789abcdef0123456789abcdef::server:1234567890abcdef1234567890abcdef sh –
[root@fgedu-edge-node ~]# curl -sfL https://get.k3s.io | K3S_URL=https://fgedu-edge-server:6443 K3S_TOKEN=K10123456789abcdef0123456789abcdef0123456789abcdef0123456789abcdef::server:1234567890abcdef1234567890abcdef sh –
查看集群状态
# 查看集群节点
[root@fgedu-edge-server ~]# kubectl get nodes
[root@fgedu-edge-server ~]# kubectl get nodes
NAME STATUS ROLES AGE VERSION
fgedu-edge-server Ready control-plane,master 10m v1.26.0+k3s1
fgedu-edge-node Ready 5m v1.26.0+k3s1
fgedu-edge-server Ready control-plane,master 10m v1.26.0+k3s1
fgedu-edge-node Ready
3.2 边缘应用部署
在边缘集群中部署应用。
部署边缘应用
# 创建边缘应用配置
[root@fgedu-edge-server ~]# cat > edge-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: edge-app namespace: default spec: replicas: 2 selector: matchLabels: app: edge-app template: metadata: labels: app: edge-app spec: containers:，学习交流加群风哥微信: itpux-com。 - name: edge-app image: nginx:latest ports: - containerPort: 80resources: requests: cpu: 100m memory: 128Mi limits: cpu: 200m memory: 256Mi EOF
[root@fgedu-edge-server ~]# cat > edge-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: edge-app namespace: default spec: replicas: 2 selector: matchLabels: app: edge-app template: metadata: labels: app: edge-app spec: containers:，学习交流加群风哥微信: itpux-com。 - name: edge-app image: nginx:latest ports: - containerPort: 80resources: requests: cpu: 100m memory: 128Mi limits: cpu: 200m memory: 256Mi EOF
# 应用应用配置
[root@fgedu-edge-server ~]# kubectl apply -f edge-app.yaml
[root@fgedu-edge-server ~]# kubectl apply -f edge-app.yaml
创建边缘服务
# 创建边缘服务配置
[root@fgedu-edge-server ~]# cat > edge-service.yaml << EOF apiVersion: v1 kind: Service metadata: name: edge-service namespace: default spec: selector: app: edge-app ports: - port: 80 targetPort: 80 type: NodePort EOF
[root@fgedu-edge-server ~]# cat > edge-service.yaml << EOF apiVersion: v1 kind: Service metadata: name: edge-service namespace: default spec: selector: app: edge-app ports: - port: 80 targetPort: 80 type: NodePort EOF
# 应用服务配置
[root@fgedu-edge-server ~]# kubectl apply -f edge-service.yaml
[root@fgedu-edge-server ~]# kubectl apply -f edge-service.yaml
3.3 边缘与云协同
配置边缘与云协同：
使用Kubernetes联邦实现边缘与云协同
# 安装federation-operator
[root@fgedu-cloud-master ~]# kubectl apply -f https://github.com/kubernetes-sigs/kubefed/releases/download/v0.9.0/federation-operator.yaml
[root@fgedu-cloud-master ~]# kubectl apply -f https://github.com/kubernetes-sigs/kubefed/releases/download/v0.9.0/federation-operator.yaml
# 初始化联邦控制平面
[root@fgedu-cloud-master ~]# kubefed2 init fed1 –host-cluster-context=cloud-context –addon-repos=https://github.com/kubernetes-sigs/kubefed/tree/master/charts
[root@fgedu-cloud-master ~]# kubefed2 init fed1 –host-cluster-context=cloud-context –addon-repos=https://github.com/kubernetes-sigs/kubefed/tree/master/charts
# 加入边缘集群到联邦
[root@fgedu-cloud-master ~]# kubefed2 join edge-cluster –cluster-context=edge-context –host-cluster-context=cloud-context
[root@fgedu-cloud-master ~]# kubefed2 join edge-cluster –cluster-context=edge-context –host-cluster-context=cloud-context
# 创建联邦服务
[root@fgedu-cloud-master ~]# cat > federated-service.yaml << EOF apiVersion: types.federation.k8s.io/v1beta1 kind: FederatedService metadata: name: fgedu-service namespace: default spec: template: spec: selector: app: fgedu-app ports: - port: 80 targetPort: 8080 placement: clusters: - name: cloud-cluster - name: edge-cluster EOF
[root@fgedu-cloud-master ~]# cat > federated-service.yaml << EOF apiVersion: types.federation.k8s.io/v1beta1 kind: FederatedService metadata: name: fgedu-service namespace: default spec: template: spec: selector: app: fgedu-app ports: - port: 80 targetPort: 8080 placement: clusters: - name: cloud-cluster - name: edge-cluster EOF
# 应用联邦服务配置，学习交流加群风哥QQ113257174。
[root@fgedu-cloud-master ~]# kubectl apply -f federated-service.yaml
[root@fgedu-cloud-master ~]# kubectl apply -f federated-service.yaml
Part04-生产案例与实战讲解
4.1 智能工厂边缘计算
某工厂需要部署边缘计算系统，用于实时监控和控制生产设备。
案例背景
- 工厂规模：10000平方米，500台生产设备
- 边缘设备：
- 10个边缘服务器
- 500个传感器
- 100个摄像头
- 应用需求：
- 实时监控设备状态
- 实时分析生产数据
- 实时控制生产设备
- 数据上传到云平台
- 网络条件：工厂内部局域网，带宽1Gbps
部署方案
# 1. 部署边缘集群
# 在10个边缘服务器上部署k3s集群
for i in {1..10}; do
ssh edge-server-$i “curl -sfL https://get.k3s.io | sh -”
done
# 2. 配置集群网络
# 使用Calico作为CNI插件
kubectl apply -f https://docs.projectcalico.org/manifests/calico.yaml
# 3. 部署监控应用
# 创建监控应用配置
cat > monitoring-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: monitoring-app namespace: default spec: replicas: 10 selector: matchLabels: app: monitoring-app template: metadata: labels: app: monitoring-app spec: containers: - name: monitoring-app image: fgedu/monitoring-app:v1.0 ports: - containerPort: 8080 resources: requests: cpu: 200m memory: 256Mi limits: cpu: 500m memory: 512Mi EOF # 应用监控应用配置 kubectl apply -f monitoring-app.yaml # 4. 部署数据处理应用 # 创建数据处理应用配置 cat > data-processing-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: data-processing-app namespace: default spec: replicas: 5 selector: matchLabels: app: data-processing-app，更多视频教程www.fgedu.net.cn。 template: metadata: labels: app: data-processing-app spec: containers: - name: data-processing-app image: fgedu/data-processing-app:v1.0 ports: - containerPort: 8080 resources: requests: cpu: 500m memory: 1Gi limits: cpu: 1 memory: 2Gi EOF # 应用数据处理应用配置 kubectl apply -f data-processing-app.yaml # 5. 部署云协同应用 # 创建云协同应用配置 cat > cloud-sync-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: cloud-sync-app namespace: default spec: replicas: 2 selector: matchLabels: app: cloud-sync-app template: metadata: labels: app: cloud-sync-app spec: containers: - name: cloud-sync-app image: fgedu/cloud-sync-app:v1.0 ports: - containerPort: 8080 env: - name: CLOUD_ENDPOINT value: "https://cloud.fgedu.net.cn/api" resources: requests: cpu: 200m memory: 256Mi limits: cpu: 500m memory: 512Mi EOF # 应用云协同应用配置 kubectl apply -f cloud-sync-app.yaml # 6. 验证部署结果 kubectl get pods kubectl get services
# 在10个边缘服务器上部署k3s集群
for i in {1..10}; do
ssh edge-server-$i “curl -sfL https://get.k3s.io | sh -”
done
# 2. 配置集群网络
# 使用Calico作为CNI插件
kubectl apply -f https://docs.projectcalico.org/manifests/calico.yaml
# 3. 部署监控应用
# 创建监控应用配置
cat > monitoring-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: monitoring-app namespace: default spec: replicas: 10 selector: matchLabels: app: monitoring-app template: metadata: labels: app: monitoring-app spec: containers: - name: monitoring-app image: fgedu/monitoring-app:v1.0 ports: - containerPort: 8080 resources: requests: cpu: 200m memory: 256Mi limits: cpu: 500m memory: 512Mi EOF # 应用监控应用配置 kubectl apply -f monitoring-app.yaml # 4. 部署数据处理应用 # 创建数据处理应用配置 cat > data-processing-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: data-processing-app namespace: default spec: replicas: 5 selector: matchLabels: app: data-processing-app，更多视频教程www.fgedu.net.cn。 template: metadata: labels: app: data-processing-app spec: containers: - name: data-processing-app image: fgedu/data-processing-app:v1.0 ports: - containerPort: 8080 resources: requests: cpu: 500m memory: 1Gi limits: cpu: 1 memory: 2Gi EOF # 应用数据处理应用配置 kubectl apply -f data-processing-app.yaml # 5. 部署云协同应用 # 创建云协同应用配置 cat > cloud-sync-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: cloud-sync-app namespace: default spec: replicas: 2 selector: matchLabels: app: cloud-sync-app template: metadata: labels: app: cloud-sync-app spec: containers: - name: cloud-sync-app image: fgedu/cloud-sync-app:v1.0 ports: - containerPort: 8080 env: - name: CLOUD_ENDPOINT value: "https://cloud.fgedu.net.cn/api" resources: requests: cpu: 200m memory: 256Mi limits: cpu: 500m memory: 512Mi EOF # 应用云协同应用配置 kubectl apply -f cloud-sync-app.yaml # 6. 验证部署结果 kubectl get pods kubectl get services
4.2 车联网边缘计算实战
某车联网公司需要部署边缘计算系统，用于实时处理车辆数据。。。
案例背景
- 车辆数量：1000辆智能汽车
- 边缘设备：
- 50个边缘网关
- 每个车辆配备传感器和摄像头
- 应用需求：
- 实时处理车辆传感器数据
- 实时分析交通状况
- 实时推送导航信息
- 数据上传到云平台
- 网络条件：4G/5G网络，带宽不稳定
部署方案
# 1. 部署边缘集群# 在50个边缘网关上部署k3s集群，更多学习教程公众号风哥教程itpux_com。
for i in {1..50}; do
ssh edge-gateway-$i “curl -sfL https://get.k3s.io | sh -”
done
for i in {1..50}; do
ssh edge-gateway-$i “curl -sfL https://get.k3s.io | sh -”
done
# 2. 部署车辆数据处理应用
[root@fgedu-edge-gateway-1 ~]# cat > vehicle-data-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: vehicle-data-app namespace: default spec: replicas: 50 selector: matchLabels: app: vehicle-data-app template: metadata: labels: app: vehicle-data-app spec: containers: - name: vehicle-data-app image: fgedu/vehicle-data-app:v1.0 ports: - containerPort: 8080 resources: requests: cpu: 300m memory: 512Mi limits: cpu: 1 memory: 1Gi EOF
[root@fgedu-edge-gateway-1 ~]# cat > vehicle-data-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: vehicle-data-app namespace: default spec: replicas: 50 selector: matchLabels: app: vehicle-data-app template: metadata: labels: app: vehicle-data-app spec: containers: - name: vehicle-data-app image: fgedu/vehicle-data-app:v1.0 ports: - containerPort: 8080 resources: requests: cpu: 300m memory: 512Mi limits: cpu: 1 memory: 1Gi EOF
# 应用车辆数据处理应用配置
[root@fgedu-edge-gateway-1 ~]# kubectl apply -f vehicle-data-app.yaml
[root@fgedu-edge-gateway-1 ~]# kubectl apply -f vehicle-data-app.yaml
# 3. 部署交通分析应用
[root@fgedu-edge-gateway-1 ~]# cat > traffic-analysis-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: traffic-analysis-app namespace: default spec: replicas: 25 selector: matchLabels: app: traffic-analysis-app template: metadata: labels: app: traffic-analysis-app spec: containers: - name: traffic-analysis-app image: fgedu/traffic-analysis-app:v1.0 ports: - containerPort: 8080 resources: requests: cpu: 500m memory: 1Gi limits: cpu: 2 memory: 2Gi EOF
[root@fgedu-edge-gateway-1 ~]# cat > traffic-analysis-app.yaml << EOF apiVersion: apps/v1 kind: Deployment metadata: name: traffic-analysis-app namespace: default spec: replicas: 25 selector: matchLabels: app: traffic-analysis-app template: metadata: labels: app: traffic-analysis-app spec: containers: - name: traffic-analysis-app image: fgedu/traffic-analysis-app:v1.0 ports: - containerPort: 8080 resources: requests: cpu: 500m memory: 1Gi limits: cpu: 2 memory: 2Gi EOF
# 应用交通分析应用配置
[root@fgedu-edge-gateway-1 ~]# kubectl apply -f traffic-analysis-app.yaml
[root@fgedu-edge-gateway-1 ~]# kubectl apply -f traffic-analysis-app.yaml
# 4. 部署云协同应用
[root@fgedu-edge-gateway-1 ~]# cat > cloud-sync-app.yaml << EOF apiVersion: apps/v1。 kind: Deployment，from K8S+DB视频:www.itpux.com。 metadata: name: cloud-sync-app namespace: default spec: replicas: 10 selector: matchLabels: app: cloud-sync-app template: metadata: labels: app: cloud-sync-app spec: containers: - name: cloud-sync-app image: fgedu/cloud-sync-app:v1.0 ports: - containerPort: 8080 env: - name: CLOUD_ENDPOINT value: "https://cloud.fgedu.net.cn/api" - name: NETWORK_TIMEOUT value: "30" resources: requests: cpu: 200m memory: 256Mi limits: cpu: 500m memory: 512Mi EOF
[root@fgedu-edge-gateway-1 ~]# cat > cloud-sync-app.yaml << EOF apiVersion: apps/v1。 kind: Deployment，from K8S+DB视频:www.itpux.com。 metadata: name: cloud-sync-app namespace: default spec: replicas: 10 selector: matchLabels: app: cloud-sync-app template: metadata: labels: app: cloud-sync-app spec: containers: - name: cloud-sync-app image: fgedu/cloud-sync-app:v1.0 ports: - containerPort: 8080 env: - name: CLOUD_ENDPOINT value: "https://cloud.fgedu.net.cn/api" - name: NETWORK_TIMEOUT value: "30" resources: requests: cpu: 200m memory: 256Mi limits: cpu: 500m memory: 512Mi EOF
# 应用云协同应用配置
[root@fgedu-edge-gateway-1 ~]# kubectl apply -f cloud-sync-app.yaml
[root@fgedu-edge-gateway-1 ~]# kubectl apply -f cloud-sync-app.yaml
Part05-风哥经验总结与分享
5.1 边缘计算最佳实践
- 选择合适的边缘计算平台：根据边缘设备的资源情况选择合适的平台，如k3s、MicroK8s等
- 优化应用资源配置：根据边缘设备的资源限制，优化应用的资源配置
- 使用轻量级容器镜像：使用轻量化的容器镜像，减少资源使用
- 实现离线操作：确保边缘应用在网络中断时仍能正常工作
- 优化数据传输：只传输必要的数据，减少网络带宽使用
- 实现边缘与云协同：合理分配边缘和云的计算任务
- 监控边缘设备：监控边缘设备的状态和性能
- 确保安全：加强边缘设备的安全配置，防止安全漏洞
- 自动化部署：使用CI/CD工具自动化边缘应用的部署
- 测试边缘场景：在实际边缘场景中测试应用的性能和可靠性
5.2 常见问题与解决方案
问题 原因 解决方案
边缘设备资源不足 应用资源配置过高 优化应用资源配置，使用轻量级应用
网络连接不稳定 网络条件差 实现离线操作，优化数据传输
边缘设备多样性 设备硬件差异大 选择兼容性好的边缘计算平台
安全风险 边缘设备安全配置不足 加强边缘设备的安全配置
管理复杂 边缘设备数量多 使用统一的管理工具
数据同步延迟 网络带宽不足 优化数据同步策略，使用增量同步
应用部署困难 边缘设备环境复杂 使用容器化技术，简化部署
监控困难 边缘设备分布广 部署边缘监控系统
边缘设备资源不足 应用资源配置过高 优化应用资源配置，使用轻量级应用
网络连接不稳定 网络条件差 实现离线操作，优化数据传输
边缘设备多样性 设备硬件差异大 选择兼容性好的边缘计算平台
安全风险 边缘设备安全配置不足 加强边缘设备的安全配置
管理复杂 边缘设备数量多 使用统一的管理工具
数据同步延迟 网络带宽不足 优化数据同步策略，使用增量同步
应用部署困难 边缘设备环境复杂 使用容器化技术，简化部署
监控困难 边缘设备分布广 部署边缘监控系统
本文由风哥教程整理发布,仅用于学习测试使用,转载注明出处:http://www.fgedu.net.cn/10327.html
联系我们
在线咨询：
微信号：itpux-com
工作日：9:30-18:30，节假日休息