EN
Uncategorized

GitHub Actions 多云计算:可靠性不是多放几个 Runner

GitHub 在 10 月 28 日宣布 Actions 增加多云计算能力。对 Kubernetes 和 CI 团队来说,难点是容量、身份、缓存和失败后的解释。

Jacky Wang 3 分钟阅读 385 阅读

我在维护 CI 时经常遇到一个误区:把 Runner 数量当成可靠性。工作流失败可能因为区域容量不足、镜像拉取慢、缓存失效、权限不同步,或者测试依赖了不稳定的外部服务。把 Runner 从一台增加到三台,只解决了其中一小部分。

GitHub 在 10 月 28 日公布 Actions 增加多云计算,以改善可靠性。这个消息对跨云部署、GPU 任务和自托管 Runner 很实用,但多云不是在 YAML 里多写几个标签就结束。基础设施差异会直接进入工作流。

先定义成功

同一个 job 在不同云上运行,结果可能不同。镜像、CPU 架构、网络出口、时区、文件系统性能和预装工具都可能变化。我会在工作流开始时记录环境:

uname -a
node --version
docker version --format '{{.Server.Version}}'
df -h

如果目标是测试通过,运行时间只是次要指标;如果是 nightly build,缓存命中率和排队时间可能更重要。团队要先定义失败率、排队上限和重试次数,才知道调度有没有改善问题。

身份比机器数量更重要

在 Kubernetes 项目里,我先检查云身份。不同 Runner 可能绑定不同的 OIDC trust policy、网络出口和密钥范围。能访问测试集群的 Runner,不应该因为被调度到另一个云就获得生产凭证。

我会按环境分权限,让工作流显式声明目标。生产部署仍需批准,并使用短时令牌,而不是长期云密钥。多云可以把故障从一个供应商移到另一个供应商,也可能把错误身份复制到多个地方。

网络也不是透明层。DNS、出口 IP、镜像仓库白名单和对象存储延迟都可能改变结果。我会记录这些依赖,并为关键下载准备校验值,区分 Runner 没拿到容量和 Runner 启动后无法访问内部服务。故障恢复后还要测试回切,确认调度器不会永远把任务留在备用云,缓存和 Artifact 也仍然有效。

实际排查时,我会把一次运行拆成排队、启动、拉取镜像、恢复缓存、执行测试和上传 Artifact 几段分别计时。这样看到总耗时增加时,才能判断是云端没有空闲 Runner,还是工作流启动后卡在网络或存储。若同一 commit 在两个云上给出不同结果,我会先比较镜像摘要、环境变量名称和权限声明,再决定是否重试;只有确认是容量或区域故障,才把备用云当作恢复路径。

缓存和 Artifact 需要自己的设计

跨云运行时,缓存未必在本地。悉尼写出的缓存,下一次可能由美国 Runner 读取。如果键只包含依赖文件,不包含系统、架构和工具链版本,就可能恢复出一个“存在但不可用”的缓存:

cache-key = os + arch + node-version + lockfile-hash

Artifact 也不应只在临时磁盘上。测试报告、镜像摘要和部署清单要在失败后可下载,并带有 commit SHA、workflow run ID 和构建时间。否则多云只是让“无法复现”拥有更多地点。

GitHub 说多云计算的目标是提升可靠性,我会把它当成可验证的假设。先选一个不写生产的工作流,收集排队时间、失败类型、缓存命中和重试结果,再扩大范围。对我来说,最好的多云架构不是永远切换,而是在供应商异常时,系统能解释为什么换、换到了哪里,以及怎样换回来。

发表评论