# 集群运维

本节对 Alluxio 集群的管理进行了高级概述，涵盖了从日常管理和监控到安全和故障排除的关键领域。

## 1. 管理集群

集群管理拆分到多个聚焦的页面。可根据下表中的"任务/问题"找到对应页面。

| 问题 / 任务                                    | 页面                                                                                                                                  |
| ------------------------------------------ | ----------------------------------------------------------------------------------------------------------------------------------- |
| 将基础安装加固为生产部署（节点固定、HA、资源调优）                 | [集群管理 — 生产部署配置](https://documentation.alluxio.io/ee-ai-cn/managing-alluxio#id-1.-sheng-chan-bu-shu-pei-zhi)                         |
| 扩容或缩容集群                                    | [集群管理 — 扩展集群](https://documentation.alluxio.io/ee-ai-cn/managing-alluxio#kuo-zhan-ji-qun)                                           |
| 升级 Alluxio 到新版本                            | [集群管理 — 升级](https://documentation.alluxio.io/ee-ai-cn/managing-alluxio#sheng-ji-alluxio)                                            |
| 在运行中的集群修改属性                                | [集群管理 — 动态更新配置](https://documentation.alluxio.io/ee-ai-cn/managing-alluxio#dong-tai-geng-xin-pei-zhi)                               |
| 调优一致性哈希环（模式、虚拟节点、capacity）                 | [哈希环与 Worker 生命周期 — 配置](https://documentation.alluxio.io/ee-ai-cn/managing-ring#id-2.-ha-xi-huan-pei-zhi)                           |
| 诊断过期 `OFFLINE` Worker / 哈希环膨胀              | [哈希环 — 诊断哈希环膨胀](https://documentation.alluxio.io/ee-ai-cn/managing-ring#zhen-duan-offline-tiao-mu-dao-zhi-de-ha-xi-huan-peng-zhang) |
| 添加、移除、重启 Worker 或持久化身份                     | [哈希环 — Worker 在环上的生命周期](https://documentation.alluxio.io/ee-ai-cn/managing-ring#id-3.-worker-zai-huan-shang-de-sheng-ming-zhou-qi)  |
| 配置 Worker page store（hostPath / PVC、容量、多盘） | [Worker 配置 — Worker 存储](https://documentation.alluxio.io/ee-ai-cn/managing-worker#id-1.-worker-cun-chu)                             |
| 配置异构 Worker                                | [Worker 配置 — 异构 Worker](https://documentation.alluxio.io/ee-ai-cn/managing-worker#yi-gou-worker)                                    |
| Worker 资源 / JVM 调优、OOM 诊断                  | [Worker 配置 — 资源与 JVM 调优](https://documentation.alluxio.io/ee-ai-cn/managing-worker#id-2.-zi-yuan-yu-jvm-diao-you)                   |
| 将 Worker 绑定到指定网卡                           | [Worker 配置 — 网络](https://documentation.alluxio.io/ee-ai-cn/managing-worker#id-3.-worker-wang-luo-pei-zhi)                           |
| Coordinator 架构、HA、作业调度、恢复                  | [Coordinator 管理](https://documentation.alluxio.io/ee-ai-cn/administration/managing-coordinators)                                    |
| 多租户隔离与集群联邦                                 | [集群管理 — 多租户](https://documentation.alluxio.io/ee-ai-cn/managing-alluxio#id-3.-duo-zu-hu-he-lian-bang)                               |

## 2. 监控和可观察性

Alluxio 以 Prometheus 格式公开了广泛的指标，从而可以深入了解集群的健康状况和性能。

* **默认监控堆栈**：Alluxio Operator 可以自动部署一个完整的监控堆栈，包括用于指标收集的 Prometheus 和用于可视化的 Grafana，并带有预配置的仪表板。
* **与现有系统集成**：您可以轻松地将 Alluxio 与您现有的监控基础设施集成，无论是中央 Prometheus、Grafana 还是像 Datadog 这样的第三方服务。

了解更多关于[监控 Alluxio](https://documentation.alluxio.io/ee-ai-cn/administration/monitoring-alluxio) 的信息...

## 3. 安全

Alluxio 提供多层安全模型来保护您的数据和基础设施。

* **身份验证**：通过与符合 OIDC 的身份提供商（如 Okta）集成，使用 JSON Web 令牌 (JWT) 对用户和服务进行身份验证，从而保护您的集群。
* **授权**：实施细粒度的访问控制。使用 **Apache Ranger** 进行数据访问策略（S3、HDFS），使用 **Open Policy Agent (OPA)** 进行管理 API 策略（网关）。
* **加密**：通过启用 TLS 来加密 Alluxio 组件之间以及客户端和集群之间的通信，从而保护传输中的数据。
* **审计日志**：保留所有管理和数据访问操作的详细、结构化的记录，以进行安全分析和合规性。

了解更多关于[安全](https://documentation.alluxio.io/ee-ai-cn/administration/security)的信息...

## 4. 故障排除

当出现问题时，Alluxio 提供了工具和程序来帮助您快速诊断和解决问题。

* **健康检查**：首先检查 Alluxio 组件（Coordinator、Worker、FUSE）的状态并验证与 UFS 的连接性。
* **诊断**：检查来自 Alluxio 进程和 Kubernetes CSI 驱动程序的日志。对于复杂问题，生成一个全面的诊断快照，该快照捆绑了日志、配置和指标以供离线分析。
* **恢复**：遵循指导性程序从常见故障中恢复，例如Coordinator、worker 故障或 etcd 集群损坏。

了解更多关于[故障排除 Alluxio](https://documentation.alluxio.io/ee-ai-cn/administration/troubleshooting-alluxio) 的信息...