GKE에 Elasticsearch 벡터 데이터베이스 배포

환경 설정

Cloud Shell로 환경을 설정하려면 다음 단계를 따르세요.

1. 프로젝트, 리전, Kubernetes 클러스터 리소스 프리픽스의 환경 변수를 설정합니다.

   export PROJECT_ID=PROJECT_ID
   export KUBERNETES_CLUSTER_PREFIX=elasticsearch
   export REGION=us-central1
   

   • PROJECT_ID를 Google Cloud 프로젝트 ID로 바꿉니다.

   이 튜토리얼에서는 us-central1 리전을 사용하여 배포 리소스를 만듭니다.

2. Helm의 버전을 확인합니다.

   helm version
   

   3.13 이전인 경우 버전을 업데이트합니다.

   curl https://raw.githubusercontent.com/helm/helm/main/scripts/get-helm-3 | bash
   

3. GitHub에서 샘플 코드 저장소를 클론합니다.

   git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples
   

4. elasticsearch 디렉터리로 이동하여 배포 리소스 만들기를 시작합니다.

   cd kubernetes-engine-samples/databases/elasticsearch
   

클러스터 인프라 만들기

이 섹션에서는 Terraform 스크립트를 실행하여 가용성이 높은 비공개 리전 GKE 클러스터를 만들어 Elasticsearch 데이터베이스를 배포합니다.

Standard 또는 Autopilot 클러스터를 사용하여 Elasticsearch를 배포할 수 있습니다. 각 유형은 고유한 장점이 있으며 서로 다른 가격 책정 모델을 제공합니다.

export GOOGLE_OAUTH_ACCESS_TOKEN=$(gcloud auth print-access-token)
terraform -chdir=terraform/gke-autopilot init
terraform -chdir=terraform/gke-autopilot apply \
-var project_id=${PROJECT_ID} \
-var region=${REGION} \
-var cluster_prefix=${KUBERNETES_CLUSTER_PREFIX}

...
Apply complete! Resources: 9 added, 0 changed, 0 destroyed.

Outputs:

kubectl_connection_command = "gcloud container clusters get-credentials elasticsearch-cluster --region us-central1"

export GOOGLE_OAUTH_ACCESS_TOKEN=$(gcloud auth print-access-token)
terraform -chdir=terraform/gke-standard init
terraform -chdir=terraform/gke-standard apply \
-var project_id=${PROJECT_ID} \
-var region=${REGION} \
-var cluster_prefix=${KUBERNETES_CLUSTER_PREFIX}

...
Apply complete! Resources: 10 added, 0 changed, 0 destroyed.

Outputs:

kubectl_connection_command = "gcloud container clusters get-credentials elasticsearch-cluster --region us-central1"

클러스터에 연결

사용자 인증 정보를 가져오고 새 GKE 클러스터와 통신하도록 kubectl을 구성합니다.

gcloud container clusters get-credentials \
    ${KUBERNETES_CLUSTER_PREFIX}-cluster --region ${REGION}

Elasticsearch 데이터베이스 및 StatefulHA 연산자 배포

이 섹션에서는 ECK 연산자 Helm 차트를 사용하여 GKE 클러스터에 Elasticsearch 데이터베이스(클러스터 모드) 및 StatefulHA 연산자를 배포합니다.

배포는 다음 구성을 사용하여 GKE 클러스터를 만듭니다.

• Elasticsearch 노드의 복제본 3개
• 최적의 Elasticsearch 성능을 위해 가상 메모리 설정을 변경하는 DaemonSet
• 노드 풀 사용을 최적화하고 여러 영역에서 가용성을 극대화하며 Kubernetes 노드 간 적절한 배포를 보장하기 위한 NodeAffinity 및 PodAntiAffinity의 구성
• 장애 조치 프로세스를 관리하고 고가용성을 보장하는 스테이트풀(Stateful) HA 오퍼레이터
• 인증을 위해 데이터베이스는 사용자 인증 정보, 비밀번호, 인증서를 사용하여 Kubernetes 보안 비밀 생성

Helm 차트를 사용하여 Elasticsearch 데이터베이스를 배포하려면 다음 단계를 수행합니다.

1. StatefulHA 부가기능 사용 설정

   Autopilot

   GKE는 클러스터를 만들 때 StatefulHA 부가기능을 자동으로 사용 설정합니다.

   표준

   다음 명령어를 실행합니다.

   gcloud container clusters update ${KUBERNETES_CLUSTER_PREFIX}-cluster \
       --project=${PROJECT_ID} \
       --region=${REGION} \
       --update-addons=StatefulHA=ENABLED
   

   이 명령어가 완료되고 클러스터에 준비 상태가 표시되는 데 15분이 걸릴 수 있습니다.

2. Elastic Cloud on Kubernetes(ECK) 커스텀 리소스 정의(CRD)를 만듭니다.

   kubectl apply -f https://download.elastic.co/downloads/eck/2.11.1/crds.yaml
   

3. ECK 연산자를 배포합니다.

   kubectl apply -f https://download.elastic.co/downloads/eck/2.11.1/operator.yaml
   

4. 데이터베이스의 네임스페이스 elastic을 만듭니다.

   kubectl create ns elastic
   

5. Elasticsearch의 장애 조치 규칙을 정의하는 HighAvailabilityApplication(HAA) 리소스를 설치합니다.

   kubectl apply -n elastic -f manifests/01-regional-pd/ha-app.yaml
   

   ha-app.yaml 매니페스트는 HighAvailabilityApplication 리소스를 설명합니다.

   kind: HighAvailabilityApplication
   apiVersion: ha.gke.io/v1
   metadata:
     name: elasticsearch-ha-es-main
     namespace: elastic
   spec:
     resourceSelection:
       resourceKind: StatefulSet
     policy:
       storageSettings:
         requireRegionalStorage: false
       failoverSettings:
         forceDeleteStrategy: AfterNodeUnreachable
         afterNodeUnreachable:
           afterNodeUnreachableSeconds: 20 # 60 seconds total

6. 매니페스트를 적용하여 리전 영구 SSD 디스크 StorageClass를 만듭니다.

   kubectl apply -n elastic -f manifests/01-regional-pd/regional-pd.yaml
   

   regional-pd.yaml 매니페스트는 영구 SSD 디스크 StorageClass를 설명합니다.

   apiVersion: storage.k8s.io/v1
   kind: StorageClass
   allowVolumeExpansion: true
   metadata:
     name: ha-regional
   parameters:
     replication-type: regional-pd
     type: pd-ssd
     availability-class: regional-hard-failover
   provisioner: pd.csi.storage.gke.io
   reclaimPolicy: Retain
   volumeBindingMode: WaitForFirstConsumer

7. DaemonSet 리소스를 배포하여 각 노드에서 가상 메모리를 설정합니다.

   kubectl apply -n elastic -f manifests/02-elasticsearch/mmap-count.yaml
   

   mmap-count.yaml 매니페스트는 DaemonSet를 설명합니다.

   apiVersion: apps/v1
   kind: DaemonSet
   metadata:
     name: max-map-count-setter
     labels:
       k8s-app: max-map-count-setter
   spec:
     selector:
       matchLabels:
         name: max-map-count-setter
     template:
       metadata:
         labels:
           name: max-map-count-setter
       spec:
         initContainers:
           - name: max-map-count-setter
             image: docker.io/bash:5.2.21
             resources:
               limits:
                 cpu: 100m
                 memory: 32Mi
             securityContext:
               privileged: true
               runAsUser: 0
             command: ['/usr/local/bin/bash', '-e', '-c', 'echo 262144 > /proc/sys/vm/max_map_count']
         containers:
           - name: sleep
             image: docker.io/bash:5.2.21
             command: ['sleep', 'infinity']

8. 매니페스트를 적용하여 Elasticsearch 클러스터를 배포합니다.

   kubectl apply -n elastic -f manifests/02-elasticsearch/elasticsearch.yaml
   

   elasticsearch.yaml 매니페스트는 배포를 설명합니다.

   apiVersion: elasticsearch.k8s.elastic.co/v1
   kind: Elasticsearch
   metadata:
     name: elasticsearch-ha
   spec:
     version: 8.11.4
     nodeSets:
     - name: main
       count: 3
       volumeClaimTemplates:
       - metadata:
           name: elasticsearch-data 
         spec:
           accessModes:
           - ReadWriteOnce
           resources:
             requests:
               storage: 10Gi
           storageClassName: ha-regional
       config:
       podTemplate:
         metadata:
           labels:
             app.stateful/component: elasticsearch
         spec:
           initContainers:
           - name: max-map-count-check
             command: ['sh', '-c', "while true; do mmc=$(cat /proc/sys/vm/max_map_count); if [ ${mmc} -eq 262144 ]; then exit 0; fi; sleep 1; done"]
           containers:
           - name: metrics
             image: quay.io/prometheuscommunity/elasticsearch-exporter:v1.7.0
             command:
               - /bin/elasticsearch_exporter
               - --es.ssl-skip-verify
               - --es.uri=https://$(ES_USER):$(ES_PASSWORD)@localhost:9200
             securityContext:
               runAsNonRoot: true
               runAsGroup: 10000
               runAsUser: 10000
             resources:
               requests:
                 memory: "128Mi"
                 cpu: "25m"
               limits:
                 memory: "128Mi"
                 cpu: "100m"
             ports:
             - containerPort: 9114
             env:
             - name: ES_USER
               value: "elastic"
             - name: ES_PASSWORD
               valueFrom:
                 secretKeyRef:
                   name: elasticsearch-ha-es-elastic-user
                   key: elastic
           - name: elasticsearch
             resources:
               limits:
                 memory: 4Gi
                 cpu: 1
           affinity:
             nodeAffinity:
               preferredDuringSchedulingIgnoredDuringExecution:
                 - weight: 1
                   preference:
                     matchExpressions:
                     - key: app.stateful/component
                       operator: In
                       values:
                       - elasticsearch
             podAntiAffinity:
               preferredDuringSchedulingIgnoredDuringExecution:
               - weight: 1
                 podAffinityTerm:
                   labelSelector:
                     matchLabels:
                       app.stateful/component: elasticsearch
                   topologyKey: topology.kubernetes.io/zone

   Elasticsearch 클러스터가 완전히 시작될 때까지 몇 분 정도 기다립니다.

9. 배포 상태를 확인합니다.

   kubectl get elasticsearch -n elastic --watch
   

   elasticsearch 데이터베이스가 성공적으로 배포되면 출력은 다음과 비슷합니다.

   NAME               HEALTH   NODES   VERSION   PHASE   AGE
   elasticsearch-ha   green    3       8.11.4    Ready   2m30s
   

   HEALTH가 green으로 표시될 때까지 기다립니다. 필요한 경우 Ctrl+C를 눌러 명령어를 종료합니다.

10. 내부 부하 분산기를 배포하여 GKE 클러스터와 동일한 VPC에서 실행 중인 Elasticsearch 데이터베이스에 액세스합니다.

    kubectl apply -n elastic -f manifests/02-elasticsearch/ilb.yaml
    

    ilb.yaml 매니페스트는 LoadBalancer 서비스를 설명합니다.

    apiVersion: v1
    kind: Service
    metadata:
      annotations:
        #cloud.google.com/neg: '{"ingress": true}'
        networking.gke.io/load-balancer-type: "Internal"
      labels:
        app.kubernetes.io/name: elasticsearch
      name: elastic-ilb
    spec:
      ports:
      - name: https
        port: 9200
        protocol: TCP
        targetPort: 9200
      selector:
        common.k8s.elastic.co/type: elasticsearch
        elasticsearch.k8s.elastic.co/cluster-name: elasticsearch-ha
      type: LoadBalancer

11. 장애 조치 규칙이 적용되었는지 확인하려면 리소스를 설명하고 Status: Message: Application is protected를 확인합니다.

    kubectl describe highavailabilityapplication elasticsearch-ha-es-main -n elastic
    

    출력은 다음과 비슷합니다.

    Status:
      Conditions:
        Last Transition Time:  2024-02-01T13:27:50Z
        Message:               Application is protected
        Observed Generation:   1
        Reason:                ApplicationProtected
        Status:                True
        Type:                  Protected
    Events:                    <none>
    

12. GKE가 워크로드를 시작하면 GKE가 Elasticsearch 워크로드를 생성했는지 확인합니다.

    kubectl get pod,svc,statefulset,pdb,secret,daemonset -n elastic
    

    출력은 다음과 비슷합니다.

    NAME                             READY   STATUS    RESTARTS   AGE
    pod/elasticsearch-ha-es-main-0   2/2     Running   0          7m16s
    pod/elasticsearch-ha-es-main-1   2/2     Running   0          7m16s
    pod/elasticsearch-ha-es-main-2   2/2     Running   0          7m16s
    pod/max-map-count-setter-28wt9   1/1     Running   0          7m27s
    pod/max-map-count-setter-cflsw   1/1     Running   0          7m27s
    pod/max-map-count-setter-gzq9k   1/1     Running   0          7m27s
    
    NAME                                        TYPE        CLUSTER-IP    EXTERNAL-IP   PORT(S)    AGE
    service/elasticsearch-ha-es-http            ClusterIP   10.52.8.28   <none>        9200/TCP   7m18s
    service/elasticsearch-ha-es-internal-http   ClusterIP   10.52.3.48   <none>        9200/TCP   7m18s
    service/elasticsearch-ha-es-main            ClusterIP   None         <none>        9200/TCP   7m16s
    service/elasticsearch-ha-es-transport       ClusterIP   None         <none>        9300/TCP   7m18s
    
    NAME                                        READY   AGE
    statefulset.apps/elasticsearch-ha-es-main   3/3     7m16s
    
    NAME                                                     MIN AVAILABLE   MAX UNAVAILABLE   ALLOWED DISRUPTIONS   AGE
    poddisruptionbudget.policy/elasticsearch-ha-es-default   2               N/A               1                     7m16s
    
    NAME                                                 TYPE     DATA   AGE
    secret/elasticsearch-ha-es-elastic-user              Opaque   1      7m18s
    secret/elasticsearch-ha-es-file-settings             Opaque   1      7m16s
    secret/elasticsearch-ha-es-http-ca-internal          Opaque   2      7m17s
    secret/elasticsearch-ha-es-http-certs-internal       Opaque   3      7m17s
    secret/elasticsearch-ha-es-http-certs-public         Opaque   2      7m17s
    secret/elasticsearch-ha-es-internal-users            Opaque   4      7m18s
    secret/elasticsearch-ha-es-main-es-config            Opaque   1      7m16s
    secret/elasticsearch-ha-es-main-es-transport-certs   Opaque   7      7m16s
    secret/elasticsearch-ha-es-remote-ca                 Opaque   1      7m16s
    secret/elasticsearch-ha-es-transport-ca-internal     Opaque   2      7m16s
    secret/elasticsearch-ha-es-transport-certs-public    Opaque   1      7m16s
    secret/elasticsearch-ha-es-xpack-file-realm          Opaque   4      7m18s
    
    NAME                                  DESIRED   CURRENT   READY   UP-TO-DATE   AVAILABLE   NODE SELECTOR   AGE
    daemonset.apps/max-map-count-setter   6         6         6       6            6           <none>          13m
    

다음 GKE 리소스는 Elasticsearch 클러스터에 대해 생성됩니다.

• 3개의 포드 복제본을 제어하는 Elasticsearch StatefulSet
• 가상 메모리 설정을 구성하는 DaemonSet
• Elasticsearch에 연결하는 서비스
• 수퍼유저 사용자 인증 정보 및 서비스 관련 인증서가 포함된 보안 비밀
• Elasticsearch 애플리케이션을 적극적으로 모니터링하는 스테이트풀(Stateful) HA 연산자 포드 및 HighlyAvailableApplication 리소스

Jupyter 노트북으로 데모 데이터 세트 업로드 및 검색어 실행

이 섹션에서는 Elasticsearch 문서에 벡터를 업로드하고 공식 Elasticsearch Python 클라이언트를 사용하여 시맨틱 검색어를 수행합니다. Elasticsearch의 문서는 각각 해당 값과 쌍을 이루는 다양한 필드로 구성됩니다. Elasticsearch를 효과적으로 활용하려면 데이터를 이 문서로 구조화한 다음, 검색 목적으로 색인을 생성하는 것이 좋습니다.

이 예시에서는 다양한 장르의 도서 목록이 포함된 CSV 파일의 데이터 세트를 사용합니다. Elasticsearch는 검색엔진 역할을 하며 생성된 포드는 Elasticsearch 데이터베이스를 쿼리하는 클라이언트 역할을 합니다.

1. books-dataset 및 notebook ConfigMap을 만들고 Jupyter 포드를 실행하여 Elasticsearch 클러스터와 상호작용합니다.

   kubectl create -n elastic configmap books-dataset --from-file=manifests/03-notebook/dataset.csv
   kubectl create -n elastic configmap notebook --from-file=manifests/03-notebook/vector-database.ipynb
   kubectl apply -n elastic -f manifests/03-notebook/jupyter.yaml
   

   • 앞에서 만든 elasticsearch-ha-es-elastic-user라는 보안 비밀은 클라이언트 포드에 PW라는 환경 변수로 마운트됩니다.
   • books-dataset ConfigMap에는 Elasticsearch 색인의 도서 데이터가 있는 csv 파일이 포함되어 있습니다.
   • notebook ConfigMap에는 books-dataset에서 Elasticsearch 색인을 만드는 Jupyter 노트북이 포함됩니다.

   jupyter.yaml 매니페스트는 notebook 배포 및 해당 서비스를 설명합니다.

   ---
   apiVersion: v1
   kind: Service
   metadata:
     labels: &labels
       app: jupyter-notebook
     name: notebook
   spec:
     ports:
     - port: 8888
     selector: *labels
     type: LoadBalancer
     # type: ClusterIP
   ---
   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: notebook
     labels: &labels
       app: jupyter-notebook
   spec:
     selector:
       matchLabels: *labels
     template:
       metadata: 
         labels: *labels
       spec:
         containers:
         - name: jupyter
           image: tensorflow/tensorflow:2.15.0-jupyter
           resources:
             requests:
               memory: "4500Mi"
               cpu: "1"
             limits:
               memory: "4500Mi"
               cpu: "1"
           ports:
           - containerPort: 8888
           env:
           - name: PW
             valueFrom:
               secretKeyRef:
                 name: elasticsearch-ha-es-elastic-user
                 key: elastic
           volumeMounts:
           - name: books-dataset
             mountPath: /usr/local/dataset
           - name: notebook
             mountPath: /tf
           - name: elastic-cert
             mountPath: /usr/local/cert
         volumes:
         - name: books-dataset
           configMap:
             name: books-dataset
         - name: notebook
           configMap:
             name: notebook
         - name: elastic-cert
           secret:
             secretName: elasticsearch-ha-es-http-certs-public

2. GKE가 Jupyter 포드를 시작할 때까지 기다립니다.

   kubectl wait pods -l app=jupyter-notebook --for condition=Ready --timeout=300s -n elastic
   

3. 액세스 토큰이 있는 URL을 가져와 Jupyter에 연결합니다.

   export EXTERNAL_IP=$(kubectl -n elastic get svc notebook --output jsonpath='{.status.loadBalancer.ingress[0].ip}')
   kubectl logs deploy/notebook -n elastic| grep '^ .*http://127'|sed "s|127.0.0.1|${EXTERNAL_IP}|"
   

4. 이 URL을 열고 vector-database.ipynb 파일을 클릭합니다.

5. 실행 > 모든 셀 실행을 클릭합니다. Jupyter가 코드를 실행하고 drama about people and unhappy love 텍스트에 대한 검색어를 수행합니다.

   이 쿼리는 Elasticsearch의 books 색인에 대해 시맨틱 검색을 수행하여 쿼리와 관련된 일치 점수가 가장 높은 결과를 최대 2개까지 검색합니다.

   출력은 다음과 비슷합니다.

   Title: Romeo and Juliet, Author: William Shakespeare, Paul Werstine (Editor),
   Barbara A. Mowat (Editor), Paavo Emil Cajander (Translator), score: 1.8473973
   In Romeo and Juliet, Shakespeare creates a violent world, in which two young people
   fall in love. It is not simply that their families disapprove; the Montagues and
   the Capulets are engaged in a blood feud.In this death-filled setting, the movement
   from love at first sight to the lovers' final union in death seems almost inevitable.
   And yet, this play set in an extraordinary world has become the quintessential
   story of young love. In part because of its exquisite language, it is easy to
   respond as if it were about all young lovers.
   ---------
   Title: A Midsummer Night's Dream, Author: William Shakespeare, Paul Werstine
   (Editor), Barbara A. Mowat (Editor), Catherine Belsey (Contributor), score: 1.8415744
   Shakespeare's intertwined love polygons begin to get complicated from the
   start--Demetrius and Lysander both want Hermia but she only has eyes for Lysander.
   Bad news is, Hermia's father wants Demetrius for a son-in-law. On the outside
   is Helena, whose unreturned love burns hot for Demetrius. Hermia and Lysander
   plan to flee from the city under cover of darkness but are pursued by an enraged
   Demetrius (who is himself pursued by an enraptured Helena). In the forest, unbeknownst
   to the mortals, Oberon and Titania (King and Queen of the faeries) are having a
   spat over a servant boy. The plot twists up when Oberon's head mischief-maker,
   Puck, runs loose with a flower which causes people to fall in love with the first
   thing they see upon waking. Throw in a group of labourers preparing a play for
   the Duke's wedding (one of whom is given a donkey's head and Titania for a lover
   by Puck) and the complications become fantastically funny.
   ---------
   

클러스터의 Prometheus 측정항목 보기

GKE 클러스터는 Prometheus 형식으로 측정항목을 수집할 수 있는 Google Cloud Managed Service for Prometheus로 구성됩니다. 이 서비스는 모니터링 및 알림을 위한 완전 관리형 솔루션을 제공하여 클러스터 및 해당 애플리케이션에서 측정항목을 수집, 저장, 분석할 수 있습니다.

다음 다이어그램은 Prometheus가 클러스터에 대해 측정항목을 수집하는 방법을 보여줍니다.

다이어그램의 GKE 비공개 클러스터에는 다음 구성요소가 포함됩니다.

• 경로 / 및 포트 9114에서 측정항목을 노출하는 Elasticsearch 포드. 이러한 측정항목은 elasticsearch_exporter를 포함하는 metrics라는 사이드카 컨테이너에서 제공됩니다.
• Elasticsearch 포드의 측정항목을 처리하는 Prometheus 기반 수집기
• Cloud Monitoring으로 측정항목을 전송하는 PodMonitoring 리소스

클러스터 구성은 Prometheus 형식의 측정항목 내보내기 도구를 사용하는 사이드카 컨테이너를 정의합니다.

apiVersion: elasticsearch.k8s.elastic.co/v1
kind: Elasticsearch
metadata:
  name: elasticsearch-ha
spec:
  ...
  nodeSets:
  - name: main
    ...
    podTemplate:
      spec:
        containers:
        ...
        - name: metrics
          image: quay.io/prometheuscommunity/elasticsearch-exporter:v1.7.0
          command:
          - /bin/elasticsearch_exporter
          - --es.ssl-skip-verify
          - --es.uri=https://$(ES_USER):$(ES_PASSWORD)@localhost:9200
          ...
          env:
          - name: ES_USER
            value: "elastic"
          - name: ES_PASSWORD
            valueFrom:
            secretKeyRef:
              name: elasticsearch-ha-es-elastic-user
              key: elastic

측정항목을 내보내고 보려면 다음 단계를 따르세요.

1. labelSelector로 측정항목을 스크래핑하도록 PodMonitoring 리소스를 만듭니다.

   kubectl apply -n elastic -f manifests/04-prometheus-metrics/pod-monitoring.yaml
   

   pod-monitoring.yaml 매니페스트는 PodMonitoring 리소스를 설명합니다.

   apiVersion: monitoring.googleapis.com/v1
   kind: PodMonitoring
   metadata:
     name: elasticsearch
   spec:
     selector:
       matchLabels:
         app.stateful/component: elasticsearch
         elasticsearch.k8s.elastic.co/cluster-name: elasticsearch-ha
     endpoints:
     - port: 9114
       interval: 30s
       path: /metrics

   몇 분 후 기본 제공 대시보드 'Elasticsearch Prometheus 개요'가 표시됩니다.

2. 더 많은 데이터 관련 그래프를 보려면 dashboard.json에 정의된 구성으로 커스텀 Cloud Monitoring 대시보드를 가져옵니다.

   gcloud --project "${PROJECT_ID}" monitoring dashboards create --config-from-file monitoring/dashboard.json
   

3. 명령어가 성공적으로 실행되면 Cloud Monitoring 대시보드로 이동합니다.

   대시보드 개요로 이동

4. 대시보드 목록에서 ElasticSearch Overview 대시보드를 엽니다. 측정항목을 수집하고 표시하는 데 1~2분 정도 걸릴 수 있습니다.

   대시보드에는 주요 측정항목 수가 표시됩니다.

   • 색인
   • 문서 및 샤드
   • 대기 중인 작업
   • 상태가 있는 노드 실행

클러스터 구성 백업

Backup for GKE 기능을 사용하면 배포된 워크로드 및 해당 데이터를 포함하여 전체 GKE 클러스터 구성의 정기 백업을 예약할 수 있습니다.

이 튜토리얼에서는 매일 오전 3시에 보안 비밀과 볼륨을 포함한 모든 워크로드의 백업을 수행하도록 GKE 클러스터의 백업 계획을 구성합니다. 효율적인 스토리지 관리를 위해 3일이 지난 백업은 자동으로 삭제됩니다.

1. 클러스터에 대해 Backup for GKE 기능을 사용 설정합니다.

   gcloud container clusters update ${KUBERNETES_CLUSTER_PREFIX}-cluster \
       --project=${PROJECT_ID} \
       --region=${REGION} \
       --update-addons=BackupRestore=ENABLED
   

2. 클러스터 내의 모든 네임스페이스에 대한 일일 일정을 사용하여 백업 계획을 만듭니다.

   gcloud beta container backup-restore backup-plans create ${KUBERNETES_CLUSTER_PREFIX}-cluster-backup \
       --project=${PROJECT_ID} \
       --location=${REGION} \
       --cluster="projects/${PROJECT_ID}/locations/${REGION}/clusters/${KUBERNETES_CLUSTER_PREFIX}-cluster" \
       --all-namespaces \
       --include-secrets \
       --include-volume-data \
       --cron-schedule="0 3 * * *" \
       --backup-retain-days=3
   

   이 명령어는 런타임에 관련 환경 변수를 사용합니다.

   클러스터 이름의 형식은 다음과 같이 프로젝트 및 리전을 기준으로 합니다.

   projects/PROJECT_ID/locations/REGION/clusters/CLUSTER_NAME
   

   메시지가 표시되면 y.을 입력합니다. 출력은 다음과 비슷합니다.

   Create request issued for: [elasticsearch-cluster-backup]
   Waiting for operation [projects/PROJECT_ID/locations/us-central1/operations/operation-1706528750815-610142ffdc9ac-71be4a05-f61c99fc] to complete...⠹
   

   이 작업을 완료하려면 몇 분 정도 걸릴 수 있습니다. 실행이 완료되면 출력은 다음과 비슷합니다.

   Created backup plan [elasticsearch-cluster-backup].
   

3. Backup for GKE 콘솔에 나열된 새로 만든 백업 계획 elasticsearch-cluster-backup을 볼 수 있습니다.

   Backup for GKE로 이동

저장된 백업 구성을 복원하려면 백업 복원을 참조하세요.