资源画像

使用限制

通过控制台使用资源画像

安装资源画像

1. 登录容器服务管理控制台，在左侧导航栏中选择集群。
2. 在集群列表页面中，单击目标集群名称，然后在左侧导航栏中，选择成本套件 > 成本优化。
3. 在成本优化页面，单击资源画像页签。
4. 在资源画像页面，单击开始安装或开始升级。安装或升级完成后，将自动进入资源画像页面。
   说明

   • 首次安装时，您需要安装或升级ack-koordinator至最新版本，大约需要2分钟左右即可完成安装或升级。
   • 当前的ack-koordinator版本<0.7.0时，请参见将ack-koordinator从应用市场迁移至组件中心迁移和升级。

资源画像策略管理

1. 登录容器服务管理控制台，在左侧导航栏中选择集群。
2. 在集群列表页面中，单击目标集群名称，然后在左侧导航栏中，选择成本套件 > 成本优化。
3. 在成本优化页面，单击资源画像页签，单击策略管理。
4. 在策略管理对话框中，配置参数，单击确定。
   

   配置项	说明	取值范围
   策略名称	资源画像策略的名称。	长度需小于64个字符，可以包含短划线（-）、下划线（_）、半角句号（.）、字母或数字，必须以字母或数字（a-z、0-9或A-Z）开头和结尾。
   命名空间	开启资源画像的命名空间，最终开启范围为命名空间和负载类型的交集。	当前集群内已经存在的命名空间，支持多选。
   负载类型	开启资源画像的负载类型范围，最终开启范围为命名空间和负载类型的交集。	支持K8s原生的三类工作负载，包括Deployment，StatefulSet和DaemonsSet，支持多选。
   资源消耗冗余	生成资源画像参考的安全冗余水位，详见下文描述。	要求为非负数，提供三档常用的冗余度（70%，50%，30%）。

资源消耗冗余：具体对应的场景是管理员在评估应用业务容量时（例如QPS），通常不会将物理资源使用到100%，原因既包括超线程等物理资源的局限性，也包括应用自身需要保留部分资源以应对高峰时段的负载请求。当资源画像的推荐值与原始资源请求的差距超过安全冗余时，会提示降配建议，具体算法参见 应用画像概览部分中有关画像建议的说明。

应用画像概览

配置完资源画像的策略后，在 资源画像页面，可以看到各工作负载的资源画像情况，页面各列的详细说明如下表所示。

查看应用画像详情

在 资源画像页面，单击工作负载名称，进入对应的画像详情页面。详情页包括三部分功能：工作负载基本信息、各容器的画像详情资源曲线、针对应用进行资源规格变更窗口。

应用资源规格变更

在应用画像详情页面底部的资源变配窗口中，可以根据画像生成的推荐值修改各容器的资源规格，各列含义如下：

参数	含义
当前所需资源	容器当前填写的资源请求量（Request）。
当前限制资源	容器当前填写的资源限制量（Limit）。
推荐值	资源画像为容器生成的推荐值，可作为资源请求量（Request）的参考值。
安全冗余	资源画像策略管理中配置的安全冗余，可作为目标所需资源的参考值，例如在推荐值的基础上累加冗余系数（如上图4.28 * 1.3 = 5.6）。
目标所需资源	容器资源请求量（Request）计划调整的目标值。
目标限制资源	容器资源限制量（Limit）计划调整的目标值。注意，若工作负载使用了CPU拓扑感知调度，CPU资源的限制需要配置为整数。

配置完成后，单击提交，将执行资源规格更新操作并自动跳转到工作负载详情页。资源规格更新后，控制器会对工作负载进行滚动更新并重新创建Pod。

通过命令行使用资源画像

操作步骤

1. 使用以下YAML内容，开启工作负载的资源规格推荐。
   通过创建RecommendationProfile CRD可以开启工作负载的资源画像，并获取容器的资源规格推荐数据。RecommendationProfile CRD支持通过命名空间（Namespace）以及工作负载类型控制开启范围，开启范围为二者的交集。

   apiVersion: autoscaling.alibabacloud.com/v1alpha1
   kind: RecommendationProfile
   metadata:
     # 对象名称，nonNamespaced类型不需指定命名空间。
     name: profile-demo
   spec:
     # 开启资源画像的工作负载类型。
     controllerKind:
     - Deployment
     # 开启资源画像的命名空间范围。
     enabledNamespaces:
     - recommender-demo

   各项配置字段含义如下：

   参数	类型	说明
   metadata.name	String	表示对象的名称。若RecommendationProfile为nonNamespaced类型，则无需指定命名空间。
   spec.controllerKind	String	表示开启资源画像的工作负载类型。支持的工作负载类型包括Deployment 、StatefulSet和DaemonSet。
   spec.enabledNamespaces	String	表示开启资源画像的命名空间范围。

   重要 为了确保推荐结果的准确性，建议您在开启工作负载的资源画像后最少观察等待1天以上，以便累积充足的数据。
2. 执行kubectl get recommendations -o yaml命令，获取资源规格推荐结果。
   ack-koordinator为每个开启资源画像的工作负载生成对应的资源规格推荐，并将结果保存在Recommendation CRD中。名为 cpu-load-gen的工作负载资源规格推荐结果示例如下。

   apiVersion: autoscaling.alibabacloud.com/v1alpha1
   kind: Recommendation
   metadata:
     labels:
       alpha.alibabacloud.com/recommendation-workload-apiVersion: app-v1
       alpha.alibabacloud.com/recommendation-workload-kind: Deployment
       alpha.alibabacloud.com/recommendation-workload-name: cpu-load-gen
     name: f20ac0b3-dc7f-4f47-b3d9-bd91f906****
     namespace: recommender-demo
   spec:
     workloadRef:
       apiVersion: apps/v1
       kind: Deployment
       name: cpu-load-gen
   status:
     recommendResources:
       containerRecommendations:
       - containerName: cpu-load-gen
         target:
           cpu: 4742m
           memory: 262144k
         originalTarget: #表示资源规格推荐算法的中间结果，不建议直接使用。
          # ...

   为了便于检索，Recommendation和工作负载的Namespace一致，同时在Label中保存了工作负载的API Version、类型以及名称，格式如下表所示。

   Label Key	Label含义	示例
   alpha.alibabacloud.com/recommendation-workload-apiVersion	表示工作负载的API Version，由K8s的Label规范约束，正斜线（/）将被替换为短划线（-）。	app-v1（替换前为app/v1）
   alpha.alibabacloud.com/recommendation-workload-kind	表示对应的工作负载类型，例如Deployment、StatefulSet等。	Deployment
   alpha.alibabacloud.com/recommendation-workload-name	表示工作负载名称，由K8s的Label规范约束，长度不能超过63个字符。	cpu-load-gen

   各容器的资源规格推荐结果保存在 status.recommendResources.containerRecommendations中，各字段含义如下表所示。

   字段名称	含义	格式	示例
   containerName	表示容器名称。	string	cpu-load-gen
   target	表示资源规格推荐结果，包括CPU和Memory两个维度。	map[ResourceName]resource.Quantity	cpu: 4742mmemory: 262144k
   originalTarget	表示资源规格推荐算法的中间结果，不建议直接使用。若您有特殊需求，请提交工单。	-	-

   说明 单个Pod推荐的CPU最小值为0.025核，内存的最小值为250 MB。
3. 可选：通过Prometheus查看结果。
   ack-koordinator为资源规格推荐结果提供了Prometheus查询接口，您可以通过ACK体统的Prometheus监控直接查看。

   • 如果您首次使用该功能的大盘，请进行重置操作，确保已安装资源画像。关于重置的具体操作，请参见重置大盘。

     通过ACK控制台Prometheus监控查看资源画像结果的具体操作如下：

     1. 登录容器服务管理控制台。
     2. 在控制台左侧导航栏中，单击集群。
     3. 在集群列表页面中，单击目标集群名称或者目标集群右侧操作列下的详情。
     4. 在集群管理左侧导航栏中，选择运维管理 > Prometheus监控。
     5. 在Prometheus监控页面，选择成本分析/资源优化 > 资源画像。

        您可以在资源画像页签查看详细数据，包括容器的规格（Request）、容器实际的资源使用量（Usage）以及容器的资源规格推荐值（Recommend）。更多信息，请参见阿里云Prometheus监控。

        
   • 如果您自建了Prometheus监控，请参考以下监控项来配置大盘。

     #指定工作负载中容器的CPU资源规格推荐。
     slo_manager_recommender_recommendation_workload_target{exported_namespace="$namespace", workload_name="$workload", container_name="$container", resource="cpu"}
     #指定工作负载中容器的Memory资源规格推荐。
     slo_manager_recommender_recommendation_workload_target{exported_namespace="$namespace", workload_name="$workload", container_name="$container", resource="memory"}

使用样例

1. 使用以下YAML内容，创建cpu-load-gen.yaml文件。

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: cpu-load-gen
     labels:
       app: cpu-load-gen
   spec:
     replicas: 2
     selector:
       matchLabels:
         app: cpu-load-gen-selector
     template:
       metadata:
         labels:
           app: cpu-load-gen-selector
       spec:
         containers:
         - name: cpu-load-gen
           image: registry.cn-zhangjiakou.aliyuncs.com/acs/slo-test-cpu-load-gen:v0.1
           command: ["cpu_load_gen.sh"]
           imagePullPolicy: Always
           resources:
             requests:
               cpu: 8 # 该应用的CPU请求资源为8核。
               memory: "1G"
             limits:
               cpu: 12
               memory: "2G"

2. 执行以下命令，部署cpu-load-gen作为目标应用。

   kubectl apply -f cpu-load-gen.yaml

3. 使用以下YAML内容，创建recommender-profile.yaml文件。

   apiVersion: autoscaling.alibabacloud.com/v1alpha1
   kind: RecommendationProfile
   metadata:
     name: profile-demo
   spec:
     controllerKind:
     - Deployment
     enabledNamespaces: #表示开启Namespace为default下所有Deployment类型工作负载的资源规格推荐。
     - default

4. 执行以下命令，为目标应用开启资源画像。

   kubectl apply -f recommender-profile.yaml

5. 执行以下命令，获取资源规格推荐结果。
   说明 为了确保推荐结果的准确性，建议您最少等待1天以上，以便累积充足的数据。关于Label的具体含义，请参见 Label介绍。

   kubectl get recommendations -l \
     "alpha.alibabacloud.com/recommendation-workload-apiVersion=apps-v1, \
     alpha.alibabacloud.com/recommendation-workload-kind=Deployment, \
     alpha.alibabacloud.com/recommendation-workload-name=cpu-load-gen" -o yaml

   预期输出：

   apiVersion: autoscaling.alibabacloud.com/v1alpha1
   kind: Recommendation
   metadata:
     creationTimestamp: "2022-02-09T08:56:51Z"
     labels:
       alpha.alibabacloud.com/recommendation-workload-apiVersion: app-v1
       alpha.alibabacloud.com/recommendation-workload-kind: Deployment
       alpha.alibabacloud.com/recommendation-workload-name: cpu-load-gen
     name: f20ac0b3-dc7f-4f47-b3d9-bd91f906****
     namespace: recommender-demo
   spec:
     workloadRef:
       apiVersion: apps/v1
       kind: Deployment
       name: cpu-load-gen
   status:
     conditions:
     - lastTransitionTime: "2022-02-09T08:56:52Z"
       status: "True"
       type: RecommendationProvided
     recommendResources:
       containerRecommendations:
       - containerName: cpu-load-gen
         target:
           cpu: 4742m #推荐资源规格为4.742核。
           memory: 262144k
         originalTarget: #表示资源规格推荐算法的中间结果，不建议直接使用。
           #...

结果分析

对比使用样例中步骤1与步骤5的资源规格，以CPU为例，可以发现该容器的Request申请过大，您可以通过调小Request来节省集群资源容量。

FAQ

资源画像的算法原理是什么？

资源画像对应用的类型有什么要求？

适合于在线服务类应用使用。

目前资源画像的推荐值优先考虑满足容器的资源需求，确保可以覆盖绝大部分数据样本。不过对于离线应用来说，这种批处理类型的任务更加关注整体的吞吐，可以接受一定程度的资源竞争，以提高集群资源的整体利用率，资源画像的推荐值对于离线应用来说会显得有些保守。此外，对于关键的系统组件，通常以“主备”的形式部署多个副本，处于“备份”角色的副本长期处于闲置状态，这些副本的资源用量样本也会对画像算法产生一定程度的干扰。针对以上场景，请对资源画像的推荐值按需加工后再使用，后续您可持续关注资源画像的产品动态。

是否可以直接使用画像推荐值来设置容器的Request和Limit？

需要结合业务自身特点来判断，资源画像提供的推荐值是对应用当前资源需求情况的总结，管理员应结合应用自身特性，在推荐值的基础之上加工后使用，例如考虑留有一定的容量来应对流量高峰，或是做“同城双活”的无缝切换，都需要留有一定数量的资源冗余；或者应用对资源较为敏感，无法在宿主机负载较高时平稳运行，也需要在推荐值的基础上调高规格。

自建Prometheus如何查看资源画像监控指标？

参见通过命令行使用资源画像中的步骤3，在环境中配置Grafana监控大盘。

如何清理资源画像结果和规则？

资源画像结果和规则分别保存在Recommendation和RecommendationProfile两个CRD中，执行以下命令删除所有资源画像结果和规则。

# 删除所有资源画像结果。
kubectl delete recommendation -A --all

# 删除所有资源画像规则。
kubectl delete recommendationprofile -A --all