在离线混部快速入门_容器服务 Kubernetes 版 ACK(ACK)-阿里云帮助中心

本文介绍如何使用ack-koordinator快速搭建一套在离线混部环境，并将应用切换为混部模式运行。

前提条件

仅适用于ACK Pro版集群。具体操作，请参见创建ACK Pro版集群。
已安装ack-koordinator组件（原ack-slo-manager），且版本≥0.8.0。具体操作，请参见ack-koordinator（ack-slo-manager）。
为达到最佳的混部使用效果，建议您使用神龙裸金属服务器和Alibaba Cloud Linux。

资源优先级与QoS

资源优先级和服务质量QoS（Quality of Service）是ACK差异化SLO混部模型的两个核心概念。

资源优先级是对节点资源容量的描述，为了解决集群“分配率高，利用率低”的矛盾，优先级之间的主要区别如下：

各优先级的资源总量会受高优先级资源的申请量和使用量的影响，例如已申请但未使用的Product资源会以Batch优先级再次分配。
资源优先级策略的激进或保守，决定了集群资源的超卖容量，与资源稳定性的高低成反相关。
超卖优先级的资源以标准的extended-resource形式更新在Node信息中。

目前的资源模型包括以下两个资源等级：

资源优先级	资源计算原理	资源名称
Product	通常为节点对应的物理资源量。	K8s原生的Node可分配资源（Allocatable），包括CPU和Memory。
Batch	根据节点利用率情况动态计算产生的超卖资源，计算模型为：整机物理资源-Product优先级的真实使用量，详情请参见动态资源超卖。	以extended-resource形式在Node状态中动态更新，包括`kubernetes.io/batch-cpu`和`kubernetes.io/batch-memory`。

QoS是对应用性能敏感程度的描述，为了说明不同应用对资源质量需求的差异，影响Pod运行过程中的性能表现。具体表现为使用的隔离参数不同，宿主机资源紧张时会优先满足高等级QoS的需求。目前的资源模型包括以下两个服务质量等级：

QoS等级	适合应用类型	资源质量
LS (Latency Sensitive)	延迟敏感型，即在线服务。	内核CPU时间片优先调度，内存回收时优先保障，可以使用更多的L3Cache和内存带宽资源等。
BE (Best Effort)	资源消耗型，即混部对应的离线作业。	内核CPU时间片调度优先级较低，资源紧张时内存会被优先回收，L3Cache和内存带宽等资源的使用受限。

资源优先级和QoS是两个独立的维度，可以排列组合进行使用。但由于受模型定义和实际的需求情况的影响，部分排列组合存在约束，常用的典型场景包括以下两种：

Product+LS：典型的在线应用，通常对应用时延要求较高，对资源质量要求较高。例如Web服务、有延时要求的流式计算等。
Batch+BE：用于混部场景中的低优离线，对资源质量的要求相对更低。例如批处理类型的Spark或MR任务、AI类型的训练任务等。

管理混部策略

ack-koordinator提供了统一的ConfigMap来管理各项混部策略，您可以参照以下步骤，开启所有混部相关的优化策略。

使用以下ConfigMap，创建configmap.yaml文件。

#ConfigMap ack-slo-config样例。
apiVersion: v1
kind: ConfigMap
metadata:
  name: ack-slo-config
  namespace: kube-system
data:
  colocation-config: |-
    {
      "enable": true
    }
  resource-qos-config: |-
    {
      "clusterStrategy": {
        "lsClass": {
          "cpuQOS": {
            "enable": true
          },
          "memoryQOS": {
            "enable": true
          },
          "resctrlQOS": {
            "enable": true
          }
        },
        "beClass": {
          "cpuQOS": {
            "enable": true
          },
          "memoryQOS": {
            "enable": true
          },
          "resctrlQOS": {
            "enable": true
          }
        }
      }
    }
  resource-threshold-config: |-
    {
      "clusterStrategy": {
        "enable": true
      }
    }

各项配置关联的混部策略说明如下：

配置项	功能描述
colocation-config	通过对节点负载数据的实时收集，可以充分挖掘集群中已分配但未使用的资源量，实现对集群资源的动态超卖，详情请参见动态资源超卖。
resource-qos-config	针对不同资源维度提供精细化管理能力，在容器运行阶段优先保障高优先级应用的QoS，详情请参见容器CPU QoS、容器内存QoS和容器L3 Cache及内存带宽隔离。
resource-threshold-config	宿主机弹性资源压制策略，根据资源使用水位对低优Pod的可用资源进行动态限制，详情请参见弹性资源限制。

执行以下命令，创建Configmap。
```
kubectl apply -f configmap.yaml
```

部署应用

使用以下内容，创建nginx-ls-pod.yaml文件。

为在线应用添加延时敏感型LS标签。此处以Nginx服务的Pod为例，在Pod的labels处增加koordinator.sh/qosClass: LS键值对。

# nginx-ls-pod.yaml文件。
apiVersion: v1
kind: Pod
metadata:
  labels:
    koordinator.sh/qosClass: LS
    app: nginx
  name: nginx
spec:
  containers:
    - image: 'koordinatorsh/nginx:v1.18-koord-exmaple'
      imagePullPolicy: IfNotPresent
      name: nginx
      ports:
        - containerPort: 8000
          hostPort: 8000 # 压测请求访问的端口。
          protocol: TCP
      resources:
        limits:
          cpu: '8'
          memory: 1Gi
        requests:
          cpu: '8'
          memory: 1Gi
      volumeMounts:
        - mountPath: /apps/nginx/conf
          name: config
  hostNetwork: true
  restartPolicy: Never
  volumes:
    - configMap:
        items:
          - key: config
            path: nginx.conf
        name: nginx-conf
      name: config

使用以下内容，创建ffmpeg-be-pod.yaml文件。

为离线应用添加计算密集型BE标签，并申请超卖资源kubernetes.io/batch-cpu和kubernetes.io/batch-memory。此处以转码类型的Pod为例，在Pod的labels处增加koordinator.sh/qosClass: BE键值对。

# ffmpeg-be-pod.yaml文件。
apiVersion: v1
kind: Pod
metadata:
  labels:
    koordinator.sh/qosClass: BE
  name: be-ffmpeg
spec:
  containers:
    - command:
        - start-ffmpeg.sh
        - '30'
        - '2'
        - /apps/ffmpeg/input/HD2-h264.ts
        - /apps/ffmpeg/
      image: 'registry.cn-zhangjiakou.aliyuncs.com/acs/ffmpeg-4-4-1-for-slo-test:v0.1'
      imagePullPolicy: Always
      name: ffmpeg
      resources:
        limits:
          # 单位为千分之一核。
          kubernetes.io/batch-cpu: "70k"
          kubernetes.io/batch-memory: "22Gi"
        requests:
          # 单位为千分之一核。
          kubernetes.io/batch-cpu: "70k"
          kubernetes.io/batch-memory: "22Gi"

执行以下命令，部署在线应用和离线应用的Pod。

kubectl apply -f nginx-ls-pod.yaml
kubectl apply -f ffmpeg-be-pod.yaml

后续操作

应用部署完毕后，您可以使用ACK的在离线混部能力，详情请参见在线服务与视频转码应用混部。

关于在离线混部功能的更多信息，请参见：