Dagger
: la pièce manquante de l'expérience développeur?
Sommaire
Dagger est un projet open source qui promet de révolutionner la façon de définir les pipelines d'intégration continue (CI). Il a été créé par les fondateurs de Docker qui se sont basés sur une étude des difficultés courantes dans les entreprises. Il ont alors identifié un manque d'outillage efficaces le long du cycle de développement jusqu'au passage en production.
Il y a notamment un manque d'homogénéité entre les environnements d'exécution, vous avez probablement déjà entendu votre voisin(e) se plaindre avec un truc du genre: "Erf, ça marchait bien sur ma machine! C'est quoi cette erreur sur la CI?" 😆
Offrant une méthode commune et centralisée, Dagger serait LA réponse à cette problématique et permettrait, par ailleurs, d'améliorer l'expérience développeur locale, la collaboration et ainsi d'accélerer le cycle de développement.
![](dagger-overview.png)
Beaucoup d'entre nous ont déjà utilisé des scripts bash, des Makefiles et d'autres méthodes traditionnelles pour automatiser certaines actions. Cependant, ces solutions peuvent vite devenir complexes et difficiles à maintenir. Dagger propose une alternative moderne et simplifiée, permettant de standardiser et d'uniformiser nos pipelines, peu importe l'environnement.
Mais alors, quelles sont les principales fonctionnalités de Dagger, et comment l'utiliser efficacement?
🎯 Notre objectif
Voici les points que nous allons aborder dans cet article :
Tout d'abord, nous allons comprendre le fonctionnement de
Dagger
et faire nos premiers pas.Ensuite, nous prendrons des cas concrets pour sa mise en œuvre. Nous verrons comment transformer un projet existant, et je vous présenterai également un module que j'utilise désormais quotidiennement.
Enfin, nous décrirons une solution de mise en cache efficace, qui nous permettra de nous projeter dans la mise à l'échelle avec Dagger.
🔎 La découverte
En gros, Dagger
est un outil qui nous permet de définir des tâches dans notre langage préféré et de rendre ce code portable. Autrement dit, ce que j'exécute sur ma machine sera exécuté de la même manière sur la CI ou sur l'ordinateur de mon/ma collègue.
Il y a 2 composants principaux qui entrent en jeu
- La CLI Dagger: Notre point d'accès principal pour interagir avec les différentes fonctions et modules, les télécharger et afficher le résultat de leur exécution.
- Le moteur Dagger: Toutes les opérations effectuées avec la CLI passent par une API
GraphQL
exposée par un moteur Dagger. Chaque client initie sa propre session avec l'API Core qui dispose des fonctionnalités de base. Elles peuvent ensuite être étendues grâce à des modules.
![](dagger-api.png)
Commençons par installer la CLI. Si vous avez parcouru mes précédents articles, vous savez que j'affectionne particulièrement asdf
1asdf plugin-add dagger
2
3asdf install dagger 0.12.1
4Downloading dagger from https://github.com/dagger/dagger/releases/download/v0.12.1/dagger_v0.12.1_linux_amd64.tar.gz
5
6asdf global dagger 0.12.1
7dagger version
8dagger v0.12.1 (registry.dagger.io/engine) linux/amd64
Entrons dans le vif du sujet, nous pouvons tout de suite exécuter un module fournie par la communauté. Supposons que l'on veuille scanner un repo git et une image Docker avec trivy.
Le Daggerverse est une plateforme permettant a quiconque de partager des modules. Lorsque vous avez un besoin, il est conseillé de regarder ce qui est déjà proposé par d'autres.Faites le test en recherchant par example golangci
, black
, gptscript
, wolfi
...
![](daggerverse.png)
Nous pouvons consulter les fonctions disponibles dans le module en utilisant l'argument functions
1TRIVY_MODULE="github.com/purpleclay/daggerverse/trivy@c3f44e0c8a396b2adf024bb862714037ae4cc8e7"
2
3dagger functions -m ${TRIVY_MODULE}
4Name Description
5filesystem Scan a filesystem for any vulnerabilities
6image Scan a published (or remote) image for any vulnerabilities
7image-local Scan a locally exported image for any vulnerabilities
Les functions peuvent aussi prendre divers paramètres
1dagger call -m ${TRIVY_MODULE} filesystem --help
2...
3ARGUMENTS
4 --dir Directory the path to directory to scan [required]
5 --exit-code int the returned exit code when vulnerabilities are detected (0)
6 --format string the type of format to use when generating the compliance report (table)
7 --ignore-unfixed filter out any vulnerabilities without a known fix
8 --scanners string the types of scanner to execute (vuln,secret)
9 --severity string the severity of security issues to detect (UNKNOWN,LOW,MEDIUM,HIGH,CRITICAL)
10 --template string a custom go template to use when generating the compliance report
11 --vuln-type string the types of vulnerabilities to scan for (os,library)
Analysons donc le niveau de sécurité de mon repository local 🕵️
1dagger call -m ${TRIVY_MODULE} filesystem --dir "."
2
3scan/go.mod (gomod)
4===================
5Total: 1 (UNKNOWN: 0, LOW: 0, MEDIUM: 1, HIGH: 0, CRITICAL: 0)
6
7┌────────────────────────────────┬────────────────┬──────────┬────────┬───────────────────┬───────────────┬───────────────────────────────────────────────────┐
8│ Library │ Vulnerability │ Severity │ Status │ Installed Version │ Fixed Version │ Title │
9├────────────────────────────────┼────────────────┼──────────┼────────┼───────────────────┼───────────────┼───────────────────────────────────────────────────┤
10│ github.com/vektah/gqlparser/v2 │ CVE-2023-49559 │ MEDIUM │ fixed │ 2.5.11 │ 2.5.14 │ gqlparser denial of service vulnerability via the │
11│ │ │ │ │ │ │ parserDirectives function │
12│ │ │ │ │ │ │ https://avd.aquasec.com/nvd/cve-2023-49559 │
13└────────────────────────────────┴────────────────┴──────────┴────────┴───────────────────┴───────────────┴───────────────────────────────────────────────────┘
Oups! il semble qu'il y ait une vulnérabilité critique dans mon image 😨.
1dagger call -m ${TRIVY_MODULE} image --ref smana/dagger-cli:v0.12.1 --severity CRITICAL
2
3smana/dagger-cli:v0.12.1 (ubuntu 23.04)
4=======================================
5Total: 0 (CRITICAL: 0)
6
7
8usr/local/bin/dagger (gobinary)
9===============================
10Total: 1 (CRITICAL: 1)
11
12┌─────────┬────────────────┬──────────┬────────┬───────────────────┬─────────────────┬────────────────────────────────────────────────────────────┐
13│ Library │ Vulnerability │ Severity │ Status │ Installed Version │ Fixed Version │ Title │
14├─────────┼────────────────┼──────────┼────────┼───────────────────┼─────────────────┼────────────────────────────────────────────────────────────┤
15│ stdlib │ CVE-2024-24790 │ CRITICAL │ fixed │ 1.22.3 │ 1.21.11, 1.22.4 │ golang: net/netip: Unexpected behavior from Is methods for │
16│ │ │ │ │ │ │ IPv4-mapped IPv6 addresses │
17│ │ │ │ │ │ │ https://avd.aquasec.com/nvd/cve-2024-24790 │
18└─────────┴────────────────┴──────────┴────────┴───────────────────┴─────────────────┴────────────────────────────────────────────────────────────┘
C'est déjà super cool de pouvoir bénéficier de nombreuses sources 🤩 ! Ces modules peuvent donc être utilisés directement ou devenir une source d'inspiration précieuse pour nos futurs pipelines.
Un module
est une collection de fonctions qui prend des paramètres en entrée et nous renvoie une réponse sous différentes formes : du texte en sortie, l'exécution d'un terminal, le lancement d'un service, etc. Notons aussi que toutes les fonctions sont exécutées dans des conteneurs.
Après cette courte intro, passons à des cas d'usage réels en commençant par ajouter des tâches/fonctions à un projet existant.
🦋 Daggeriser une application existante
![]() | Prenons un projet de démonstration existant, un simple serveur web avec une fonction de stockage de mots dans une base de données. Nous allons progressivement transformer ce projet en y injectant du Dagger 💉.Cette approche itérative, étape par étape, peut également être appliquée à des projets plus importants pour les Daggeriser progressivement. |
Première fonction 👶
Notre priorité va être de tester le code en utilisant la commande go test
.
Commençons donc par initialiser le repo git afin de générer l'arborescence requise pour l'exécution des fonctions Dagger.
1git clone https://github.com/Smana/golang-helloworld.git
2cd golang-helloworld
3dagger init --sdk=go
1ls -l dagger*
2.rw-r--r-- 101 smana 28 Jun 21:54 dagger.json
3
4dagger:
5.rw------- 25k smana 28 Jun 21:54 dagger.gen.go
6drwxr-xr-x - smana 28 Jun 21:54 internal
7.rw------- 1.4k smana 28 Jun 21:54 main.go
La commande d'initialisation génère donc un fichier main.go
qui contient des fonctions d'exemple que nous allons totalement remplacer par le code suivant:
1package main
2
3import (
4 "context"n mont
5)
6
7type GolangHelloworld struct{}
8
9// Test runs the tests for the GolangHelloworld project
10func (m *GolangHelloworld) Test(ctx context.Context, source *Directory) (string, error) {
11 ctr := dag.Container().From("golang:1.22")
12 return ctr.
13 WithWorkdir("/src").
14 WithMountedDirectory("/src", source).
15 WithExec([]string{"go", "test", "./..."}).
16 Stdout(ctx)
17}
Il s'agit là d'une fonction très simple:
- Cette fonction, appelée
Test
, prend en paramètre un répertoiresource
. - Nous utilisons une image
golang:1.22
. - Le code du répertoire donné en paramètre est monté dans le dossier
/src
du conteneur. - Ensuite, nous exécutons la commande
go test ./...
sur le répertoire source. - Enfin, nous récupérons le résultat des tests (stdout).
Il est régulièrement nécessaire de lancer la commande suivante afin de mettre à jour les fichiers Dagger (dépendances etc...)
1dagger develop
C'est parti, testons notre code!
1dagger call test --source "."
2? helloworld/cmd/helloworld [no test files]
3? helloworld/dagger [no test files]
4? helloworld/dagger/internal/dagger [no test files]
5? helloworld/dagger/internal/querybuilder [no test files]
6? helloworld/dagger/internal/telemetry [no test files]
7ok helloworld/internal/server 0.004s
ℹ️ La première exécution prend du temps car elle construit télécharge l'image et installe les dépendances Go, mais les exécutions suivantes sont beaucoup plus rapides. Nous aborderons le sujet de la mise en cache plus tard dans cet article.
Et mon docker-compose alors? 🐳
Le projet initial permet de lancer un environnement de test local en utilisant Docker Compose
La commande docker-compose up --build
effectue plusieurs actions :elle construit l'image Docker de l'application en se basant sur le Dockerfile local, puis lance deux conteneurs : un pour l'application et un pour la base de données. Elle permet également la communication entre ces deux conteneurs.
1docker ps
2CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES
3a1673d56f9c8 golang-helloworld-app "/app/main" 3 seconds ago Up 3 seconds 0.0.0.0:8080->8080/tcp, :::8080->8080/tcp golang-helloworld-app-1
4bb3dee1305dc postgres:16 "docker-entrypoint.s…" 3 seconds ago Up 3 seconds 0.0.0.0:5432->5432/tcp, :::5432->5432/tcp golang-helloworld-database-1
Il est ensuite possible d'accéder à l'application et de stocker des mots dans la base de données.
1curl -X POST -d '{"word":"foobar"}' -H "Content-Type: application/json" http://localhost:8080/store
2
3curl http://localhost:8080/list
4["foobar"]
Comment réaliser la même chose avec Dagger?
Tout d'abord nous allons construire l'image:
1// Build the Docker container
2func (m *GolangHelloworld) Build(ctx context.Context, source *Directory) *Container {
3 // build the binary
4 builder := dag.Container().
5 From(golangImage).
6 WithDirectory("/src", source).
7 WithWorkdir("/src").
8 WithEnvVariable("CGO_ENABLED", "0").
9 WithExec([]string{"go", "build", "-o", "helloworld", "cmd/helloworld/main.go"})
10
11 // Create the target image with the binary
12 targetImage := dag.Container().
13 From(alpineImage).
14 WithFile("/bin/helloworld", builder.File("/src/helloworld"), ContainerWithFileOpts{Permissions: 0700, Owner: "nobody"}).
15 WithUser("nobody:nobody").
16 WithEntrypoint([]string{"/bin/helloworld"})
17
18 return targetImage
19}
Ce code démontre l'utilisation du "multi-stage build" pour optimiser la sécurité et la taille de l'image. Cette méthode permet de n'inclure que ce qui est nécessaire dans l'image finale, réduisant ainsi la surface d'attaque et la taille de l'image.
Ensuite nous avons besoin d'une instance PostgreSQL
. Ça tombe bien il y a un module pour ça ®!
Nous allons donc installer cette dépendance pour pouvoir utiliser ses fonctions directement dans notre code.
1dagger install github.com/quartz-technology/daggerverse/postgres@v0.0.3
La fonction Database()
permet de lancer un conteneur Postgres.
1...
2 opts := PostgresOpts{
3 DbName: dbName,
4 Cache: cache,
5 Version: "13",
6 ConfigFile: nil,
7 InitScript: initScriptDir,
8 }
9
10...
11 pgCtr := dag.Postgres(pgUser, pgPass, pgPortInt, opts).Database()
Ensuite, nous devons créer un lien entre les deux conteneurs. Ci-dessous, nous récupérons les informations du service exposé par le conteneur Postgres pour les utiliser dans notre application.
1...
2 pgSvc := pgCtr.AsService()
3
4 pgHostname, err := pgSvc.Hostname(ctx)
5 if err != nil {
6 return nil, fmt.Errorf("could not get postgres hostname: %w", err)
7 }
8
9 return ctr.
10 WithSecretVariable("PGPASSWORD", pgPass).
11 WithSecretVariable("PGUSER", pgUser).
12 WithEnvVariable("PGHOST", pgHostname).
13 WithEnvVariable("PGDATABASE", opts.DbName).
14 WithEnvVariable("PGPORT", pgPort).
15 WithServiceBinding("database", pgSvc).
16 WithExposedPort(8080), nil
17...
Les informations sensibles peuvent être passées lors de l'appel aux fonctions Dagger de plusieurs façon: Des variables d'environnement, lecture du contenu de fichiers ou la sortie d'une ligne de commande.
Dans cet article nous avons privilégié les variables d'environnement mais nous aurions très bien pu utiliser une commande vault
. (Article précédent sur Vault)
up
permet de transférer les appels locaux aux services exposés par le conteneur.
1export PGUSER="user"
2export PGPASS="password"
3dagger call serve --pg-user=env:PGUSER --pg-pass=env:PGPASS --source "." as-service up
4
5...
6 ● start /bin/helloworld 30.7s
7 ┃ 2024/06/30 08:27:50 Starting server on :8080
8 ┃ 2024/06/30 08:27:50 Starting server on :8080
Et voilà! nous pouvons désormais tester notre application en local.
J'ai volontairement tronqué ces derniers extraits, mais je vous invite à consulter la configuration complète ici. Vous y trouverez notamment la possibilité de publier l'image dans un registry.
De plus, je vous conseille de parcourir le Cookbook dans la documentation Dagger, où vous trouverez de nombreux exemples.
🧩 Le module Kubeconform
Je suis parti d'un réel cas d'usage: J'utilise depuis quelques années un script bash pour valider les manifests Kubernetes/Kustomize ainsi que la configuration Flux. L'idée est donc de répondre à ce même besoin mais aussi d'aller un peu plus loin...
L'initialisation d'un module se fait de la façon suivante:
1dagger init --name=kubeconform --sdk=go kubeconform
Il faut ensuite décider des paramètres d'entrée. Par exemple je souhaite pouvoir choisir la version du binaire Kubeconform.
1...
2 // Kubeconform version to use for validation.
3 // +optional
4 // +default="v0.6.6"
5 version string,
6...
Les commentaires ci-dessus sont importants: La description sera affichée à l'utilisateur et nous pouvons faire en sorte que ce paramètre ne soit pas requis avec une version par défault.
1dagger call -m github.com/Smana/daggerverse/kubeconform@v0.1.0 validate --help
2Validate the Kubernetes manifests in the provided directory and optional source CRDs directories
3...
4 --version string Kubeconform version to use for validation. (default "v0.6.6")
L'objectif est de pouvoir partager ce module, donc tous les éléments de contexte doivent être clairs et compréhensibles.
En développant ce module, j'ai suis passé par plusieurs itérations et j'ai obtenu des infos très utiles sur le Discord de Dagger. C'est un super moyen d'échanger avec la communauté.
Analysons par exemple ceci:
1kubeconformBin := dag.Arc().
2 Unarchive(dag.HTTP(fmt.Sprintf("https://github.com/yannh/kubeconform/releases/download/%s/kubeconform-linux-amd64.tar.gz", kubeconform_version)).
3 WithName("kubeconform-linux-amd64.tar.gz")).File("kubeconform-linux-amd64/kubeconform")
J'utilise le module Arc pour décompresser un fichier récupéré avec la fonction HTTP
et je ne prends que le binaire inclus dans cette archive. Plutôt efficace !
Dans cet autre exemple j'utilise le module Apko pour construire l'image initial, y installer des packages...
1ctr := dag.Apko().Wolfi([]string{"bash", "curl", "kustomize", "git", "python3", "py3-pip", "yq"}).
2 WithExec([]string{"pip", "install", "pyyaml"})
Au moment où j'écris cet article, le module Kubeconform inclut aussi un bout de script bash, essentiellement pour parcourir l'arborescence efficacement et exécuter kubeconform
1 scriptContent := `#!/bin/bash
2...
3`
4
5 // Add the manifests and the script to the container
6 ctr = ctr.
7 WithMountedDirectory("/work", manifests).
8 WithNewFile("/work/run_kubeconform.sh", ContainerWithNewFileOpts{
9 Permissions: 0750,
10 Contents: scriptContent,
11 })
12
13 // Execute the script
14 kubeconform_command := []string{"bash", "/work/run_kubeconform.sh"}
15...
Pour tester et corriger le module nous pouvons l'exécuter localement sur un repo qui contient des manifests Kubernetes.
1dagger call validate --manifests ~/Sources/demo-cloud-native-ref/clusters --catalog
2...
3Summary: 1 resource found in 1 file - Valid: 1, Invalid: 0, Errors: 0, Skipped: 0
4Validation successful for ./mycluster-0/crds.yaml
5Processing file: ./mycluster-0/flux-config.yaml
6Summary: 1 resource found in 1 file - Valid: 1, Invalid: 0, Errors: 0, Skipped: 0
7Validation successful for ./mycluster-0/flux-config.yaml
Nous pouvons aussi augmenter le niveau de verbosité. Le niveau le plus élevé étant -vvv --debug
1dagger call validate --manifests ~/Sources/demo-cloud-native-ref/clusters --catalog -vvv --debug
2...
309:32:07 DBG new end old="2024-07-06 09:32:07.436103097 +0200 CEST" new="2024-07-06 09:32:07.436103273 +0200 CEST"
409:32:07 DBG recording span span=telemetry.LogsSource/Subscribe id=b3fc48ec7900f581
509:32:07 DBG recording span child span=telemetry.LogsSource/Subscribe parent=ae535768bb2be9d7 child=b3fc48ec7900f581
609:32:07 DBG new end old="2024-07-06 09:32:07.436103273 +0200 CEST" new="2024-07-06 09:32:07.438699251 +0200 CEST"
709:32:07 DBG recording span span="/home/smana/.asdf/installs/dagger/0.12.1/bin/dagger call -m github.com/Smana/daggerverse/kubeconform@v0.1.0 validate --manifests /home/smana/Sources/demo-cloud-native-ref/clusters --catalog -vvv --debug" id=ae535768bb2be9d7
809:32:07 DBG frontend exporting logs logs=4
909:32:07 DBG exporting log span=0xf62760 body=""
1009:32:07 DBG got EOF
1109:32:07 DBG run finished err=<nil>
12
13✔ 609fcdee60c94c07 connect 0.6s
14 ✔ c873c2d69d2b7ce7 starting engine 0.5s
15 ✔ 5f48c41bd0a948ca create 0.5s
16 ✔ dbd62c92c3db105f exec docker start dagger-engine-ceb38152f96f1298 0.0s
17 ┃ dagger-engine-ceb38152f96f1298
18 ✔ 4db8303f1d7ec940 connecting to engine 0.1s
19 ┃ 09:32:03 DBG connecting runner=docker-image://registry.dagger.io/engine:v0.12.1 client=5fa0kn1nc4qlku1erer3868nj
20 ┃ 09:32:03 DBG subscribing to telemetry remote=docker-image://registry.dagger.io/engine:v0.12.1
21 ┃ 09:32:03 DBG subscribed to telemetry elapsed=19.095µs
À partir de la version v0.12.x, Dagger propose un mode interactif. En utilisant le paramètre -i
ou --interactive
, il est possible de lancer automatiquement un terminal lorsque le code rencontre une erreur. Cela permet de réaliser des vérifications et des opérations directement dans le conteneur.
De plus, il est possible d'ajouter l'exécution de Terminal()
à n'importe quel endroit dans la définition du conteneur pour entrer en mode interactif à ce moment précis.
1...
2 stdout, err := ctr.WithExec(kubeconform_command).
3 Terminal().
4 Stdout(ctx)
5...
Avec ce module j'ai pu ajouter aussi des fonctionnalités manquantes qui sont fort utiles:
- Convertir toutes les CRDs en JSONSchemas afin de valider 100% des manifests Kubernetes
- Le rendre compatible avec les substitutions de variables de Flux.
Enfin, j'ai pu le partager dans le Daggerverse et mettre à jour mes workflows de CI sur Github Actions.
![](github-actions-output.png)
🚀 Itération rapide et collaboration grâce à un cache partagé
Utiliser un cache permet de ne pas réexécuter les étapes dont le code n'a pas changé. Lors de la première exécution, toutes les étapes seront exécutées, mais les suivantes ne reprendront que les étapes modifiées, ce qui permet de gagner un temps considérable.
Dagger permet de mettre en cache, à chaque exécution, les opérations de manipulation des fichiers, la construction des conteneurs, l'exécution des tests, la compilation du code, ainsi que les volumes qui doivent être explicitement définis dans le code.
Par défaut, le moteur Dagger est disponible en local, et utilise du cache local.
1docker ps
2CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES
33cec5bf51843 registry.dagger.io/engine:v0.12.1 "dagger-entrypoint.s…" 8 days ago Up 2 hours dagger-engine-ceb38152f96f1298
La proposition suivante vise à définir un cache partagé et distant, accessible à tous les collaborateurs ainsi que depuis la CI. L'objectif est d'accélérer les exécutions ultérieures, peu importe où Dagger est exécuté.
Nous allons voir comment mettre cela en pratique avec:
- Des Github Runners exécutés en privé, sur notre plateforme (Self-Hosted)
- Un moteur Dagger centralisé
![]() | Cette solution de CI sur EKS est déployée en utilisant le repository Cloud Native Ref.Je vous encourage vivement à le consulter, car j'y aborde de nombreux sujets relatifs aux technlogies Cloud Native. L'idée initial de ce projet est de pouvoir démarrer rapidement une plateforme qui applique les bonnes pratiques en terme d'automatisation, de supervision, de sécurité etc. Les commentaires et contributions sont les bienvenues 🙏 |
Voici comment les composants de CI interagissent, avec Dagger jouant un rôle central grâce au cache partagé.
![](dagger-cache-kubernetes.png)
Maintenant que nous avons une vue d'ensemble de Dagger et de son utilisation, nous allons explorer comment optimiser son utilisation en entreprise en utilisant un cache partagé.
🤖 Github Self Hosted Runners: Accès au cache
Dagger s'intègre bien avec la plupart des solutions de CI. Il suffit en effet de lancer une commande dagger
. Dans cet article nous faisons usage de l'Action pour Github Actions.
1 kubernetes-validation:
2 name: Kubernetes validation ☸
3 runs-on: ubuntu-latest
4 steps:
5 - name: Checkout
6 uses: actions/checkout@v4
7
8 - name: Validate Flux clusters manifests
9 uses: dagger/dagger-for-github@v6
10 with:
11 version: "latest"
12 verb: call
13 module: github.com/Smana/daggerverse/kubeconform@kubeconform/v0.1.0
14 args: validate --manifests "./clusters" --catalog
Ce job télécharge le code source du repo git et exécute le module kubeconform
. Bien que cela fonctionne très bien, il faut noter que ce job est exécuté sur les runners fournis par Github sur leur infrastructure.
Les GitHub self-hosted runners sont des machines que vous configurez pour exécuter des workflows GitHub Actions sur votre propre infrastructure, plutôt que d'utiliser les runners hébergés par GitHub. Ils offrent plus de contrôle et de flexibilité, permettant de personnaliser l'environnement d'exécution selon vos besoins spécifiques. Cela peut conduire à des performances améliorées et permet un accès sécurisé à des ressources privées.
Un Scale set
est un group de runners Github qui partage une configuration commune:
.github/workflows/ci.yaml
1apiVersion: helm.toolkit.fluxcd.io/v2
2kind: HelmRelease
3metadata:
4 name: dagger-gha-runner-scale-set
5spec:
6 releaseName: dagger-gha-runner-scale-set
7...
8 values:
9 runnerGroup: "default"
10 githubConfigUrl: "https://github.com/Smana/demo-cloud-native-ref"
11 githubConfigSecret: gha-runner-scale-set
12 maxRunners: 5
13
14 containerMode:
15 type: "dind"
- Ce
scale set
est configuré pour le repo Cloud Native Ref - Il faut lui indiquer un secret dans lequel est configuré les paramètres de la
Github App
dind
indique le mode utilisé pour lancer les conteneurs. ⚠️ Attention cependant en termes de sécurité : Dagger doit s'exécuter en tant qu'utilisateur root et avoir des permissions élevées pour contrôler les conteneurs, volumes, réseaux, etc. (Plus d'informations ici).
☸️ Considération spécifiques à EKS
Il existe plusieurs approches lorsqu'il s'agit de l'optimisation du cache, chacune présentant des avantages et inconvénients. Cela fait d'ailleurs l'objet de discussions très intéressantes ici. J'ai fait quelques choix qui, selon moi, sont un bon compromis entre disponibilité et performances dont voici les principales lignes:
Le moteur Dagger: Un unique pod expose un service HTTP.
NodePool spécifique : Un node pool avec des contraintes permettant d'obtenir des disques NVME locaux.
1 - key: karpenter.k8s.aws/instance-local-nvme 2 operator: Gt 3 values: ["100"] 4 - key: karpenter.k8s.aws/instance-category 5 operator: In 6 values: ["c", "i", "m", "r"] 7 taints: 8 - key: ogenki/io 9 value: "true" 10 effect: NoSchedule
Les points de montages des conteneurs: Lorsqu'un nœud du nodepool io démarre, il exécute la commande
/usr/bin/setup-local-disks raid0
. Cette commande prépare les disques en créant un array en raid0 et monte les systèmes de fichiers des conteneurs dessus. Ainsi, tout cet espace est directement accessible depuis le pod !
⚠️ Notez que c'est un volume éphémère : les données sont perdues lorsque le pod est arrêté. C'est cet espace que nous utilisons pour le cache Dagger.
1...
2 - name: varlibdagger
3 ephemeral:
4 volumeClaimTemplate:
5 spec:
6 accessModes: ["ReadWriteOnce"]
7 resources:
8 requests:
9 storage: 10Gi
10 - name: varrundagger
11 ephemeral:
12 volumeClaimTemplate:
13 spec:
14 accessModes: ["ReadWriteOnce"]
15 resources:
16 requests:
17 storage: 90Gi
18...
1kubectl exec -ti -n tooling dagger-engine-c746bd8b8-b2x6z -- /bin/sh
2/ # df -h | grep nvme
3/dev/nvme3n1 9.7G 128.0K 9.7G 0% /var/lib/dagger
4/dev/nvme2n1 88.0G 24.0K 88.0G 0% /run/buildkit
Bonnes pratiques avec Karpenter: Afin d'optimiser la disponibilité du moteur Dagger, nous l'avons configuré avec un Pod Disruption Budget ainsi que l'annotation
karpenter.sh/do-not-disrupt: "true"
. Par ailleurs il est préférable d'utiliser des instancesOn-demand
, que nous pourrions envisager de réserver auprès de AWS afin d'obtenir un discount.Network policies: Étant donné que les runners peuvent exécuter n'importe quel code, il est fortement recommandé de limiter les flux réseaux au strict nécessaire, que ce soit pour les self-hosted runners ou le moteur dagger.
Afin de tester cela, nous allons lancer un job qui crée un conteneur en installer de nombreux paquets relativement lourds. L'idée etant que cela prenne en peu de temps.
1 test-cache:
2 name: Testing in-cluster cache
3 runs-on: dagger-gha-runner-scale-set
4 container:
5 image: smana/dagger-cli:v0.12.1
6 env:
7 _EXPERIMENTAL_DAGGER_RUNNER_HOST: "tcp://dagger-engine:8080"
8 cloud-token: ${{ secrets.DAGGER_CLOUD_TOKEN }}
9
10 steps:
11 - name: Simulate a build with heavy packages
12 uses: dagger/dagger-for-github@v6
13 with:
14 version: "latest"
15 verb: call
16 module: github.com/shykes/daggerverse.git/wolfi@dfb1f91fa463b779021d65011f0060f7decda0ba
17 args: container --packages "python3,py3-pip,go,rust,clang"
ℹ️ Accéder au moteur Dagger distant se fait en utilisant la variable d'environnement _EXPERIMENTAL_DAGGER_RUNNER_HOST
Lors de la première exécution, le job met 3min et 37secs
![](cache_first_run.png)
En revanche tout autre exécution ultérieure sera beaucoup plus rapide (10secs)! 🎉 🚀 🥳
![](cache_second_run.png)
En local 💻 , je peux aussi bénéficier de ce cache en configurant mon environnement comme cela:
1kubectl port-forward -n tooling svc/dagger-engine 8080
2_EXPERIMENTAL_DAGGER_RUNNER_HOST="tcp://127.0.0.1:8080"
Mes tests locaux seront aussi accessible par la CI et un autre développeur reprenant mon travail n'aura pas à tout reconstruire de zéro.
➕ Cette solution a l'avantage non négigeable de disposer d'un stockage ulta rapide! De plus l'architecture est on ne peut plus simple: un seul moteur Dagger avec un stockage local qui expose un service.
➖ ⚠️ C'est pourtant loin d'être parfait: il faut, en effet accépter que ce cache soit éphémère malgré les précautions prises pour garantir un niveau de disponibilité élevé. Par ailleurs il faut aussi prendre en compte le coût d'une instance qui tourne tout le temps, le scaling ne peut se faire qu'en prenant une machine plus grosse.
Dagger Cloud est une solution pour les entreprises permettant une visualisation très claire de l'exécution des pipelines, avec la possibilité de parcourir toutes les étapes et d'identifier rapidement les éventuelles problèmes. C'est gratuit pour un usage individuel et je vous encourage à tester.Cette offre fourni également une alternative à la solution proposée ci-dessus: un cache distribué, géré par Dagger. (Plus d'informations ici) | ![]() |
💭 Dernières remarques
Dagger est un projet assez récent qui évolue vite, soutenu par une communauté toujours plus grande et active. Les questions de scaling abordées dans cet article seront probablement améliorées dans le futur.
Pour les modules disponibles dans le Daggerverse, il est parfois difficile de juger leur qualité. Il n'y a pas de modules "validés" ou "officiels", il faut donc souvent en tester plusieurs, analyser le code et parfois en créer un soi-même.
Cet article vous a permis de découvrir Dagger et ses principales fonctions que j'ai utilisées. Mon expérience s'est limitée au SDK Golang, mais l'expérience devrait être similaire avec d'autres langages. Je découvre des choses nouvelles chaque jour. La prise en main initiale n'est pas évidente pour ceux qui, comme moi, ne développent pas quotidiennement, mais plus je l'utilise sur des cas concrets, plus je me sens à l'aise. J'ai même migré les quelques jobs de mon repo à 100% sur Dagger.
Je suis passé de Makefile à Task et j'espère maintenant aller plus loin avec Dagger. J'ai l'ambition de construire des pipelines plus complexes, comme la restauration et la vérification d'un backup Vault ou encore la création et les tests d'un cluster EKS avant de le détruire. Quoi qu'il en soit, Dagger fait maintenant partie de ma boîte à outils ! ✅