文档

通过资源画像推荐容器规格配置

更新时间:

ACK为K8s原生的工作负载提供了资源画像的能力,通过对资源使用量历史数据的分析,实现了容器粒度的资源规格推荐,可以有效简化为容器配置Request和Limit的复杂度。本文介绍如何通过控制台和命令行使用资源画像功能。

前提条件及注意事项

  • 仅支持ACK集群Pro版。具体操作,请参见创建ACK Pro版集群

  • 已安装ack-koordinator(原ack-slo-manager)。具体操作,请参见ack-koordinator

  • 目前资源画像控制台已在成本套件中开放公测,可直接访问使用。

  • 为了确保画像结果的准确性,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。

费用说明

ack-koordinator组件本身的安装和使用是免费的,不过需要注意的是,在以下场景中可能产生额外的费用:

  • ack-koordinator是非托管组件,安装后将占用Worker节点资源。您可以在安装组件时配置各模块的资源申请量。

  • ack-koordinator默认会将资源画像、精细化调度等功能的监控指标以Prometheus的格式对外透出。若您配置组件时开启了ACK-Koordinator开启Prometheus监控指标选项并使用了阿里云Prometheus服务,这些指标将被视为自定义指标并产生相应费用。具体费用取决于您的集群规模和应用数量等因素。建议您在启用此功能前,仔细阅读阿里云Prometheus计费说明,了解自定义指标的免费额度和收费策略。您可以通过账单和用量查询,监控和管理您的资源使用情况。

使用限制

组件

版本要求

Kubernetes

≥v1.18

metrics-server

≥v0.3.8

ack-koordinator(ack-slo-manager)

≥v0.7.1

Helm版本

≥v3.0

重要

当您使用的容器运行时为containerd,且节点加入集群的时间早于2022年01月19日14:00点,您需要重新加入节点或升级到最新版本的Kubernetes。关于升级集群的具体操作,请参见手动升级集群

资源画像介绍

Kubernetes为容器资源管理提供了资源请求(Request)的资源语义描述。当容器指定Request时,调度器会将其与节点的资源容量(Allocatable)进行匹配,决定Pod应该被分配到哪个节点。容器的Request一般基于人工经验填写,管理员会参考容器的历史利用率情况、应用的压测表现,并根据线上运行情况的反馈持续调整。

但基于人工经验的资源规格配置模式存在以下局限性:

  • 为了保障线上应用的稳定性,管理员通常会预留相当数量的资源Buffer来应对上下游链路的负载波动,容器的Request配置会远高于其实际的资源利用率,导致集群资源利用率过低,造成大量资源浪费。

  • 当集群分配率较高时,为了提升集群资源利用率,管理员会主动缩小Request配置,协调更多的资源容量。该操作会提升容器的部署密度,当应用流量上涨时会影响集群的稳定性。

针对以上述问题,ack-koordinator提供资源画像能力,实现容器粒度的资源规格推荐,降低容器配置的复杂性。ACK通过控制台提供了相应功能,便于应用管理员快速分析应用资源规格的合理性,按需进行资源规格配置的变更。同时,ACK还提供命令行的访问方式,支持通过CRD直接对应用资源画像进行管理。关于资源画像的更多信息,请参见云栖号视频课程-ACK资源画像

通过控制台使用资源画像

步骤一:安装资源画像

  1. 登录容器服务管理控制台,在左侧导航栏选择集群

  2. 集群列表页面,单击目标集群名称,然后在左侧导航栏,选择成本套件 > 成本优化

  3. 成本优化页面,单击资源画像页签,然后在资源画像区域,按照页面提示开启功能。

    • 组件安装或升级:按照页面提示安装或升级ack-koordinator组件。首次使用时,需要安装ack-koordinator组件。

      说明

      当前的ack-koordinator版本<0.7.0时,需进行迁移和升级。具体操作,请参见将ack-koordinator从应用市场迁移至组件中心

    • 画像配置:首次使用时,在安装或升级完成后,您可以勾选启用默认配置控制资源画像的开启范围(推荐使用),也可后续在控制台中单击画像配置进行调整。

  4. 单击开启画像,进入资源画像页面。

步骤二:资源画像策略管理

  1. 登录容器服务管理控制台,在左侧导航栏选择集群

  2. 集群列表页面,单击目标集群名称,然后在左侧导航栏,选择成本套件 > 成本优化

  3. 成本优化页面,单击资源画像页签,然后单击画像配置

    画像配置分为全量配置自定义配置两种模式,资源画像组件安装过程中推荐的默认配置为全量配置模式。您可以在此对配置模式和配置参数进行修改,并单击确定生效。

    全量配置模式(推荐)

    全量配置模式将为所有工作负载开启资源画像,默认排除arms-prom和kube-system两个系统命名空间。image.png

    配置项

    说明

    取值范围

    排除的命名空间

    不开启资源画像的命名空间,一般为系统组件对应的命名空间。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,默认值为kube-system和arms-prom。

    开启的负载类型

    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。

    CPU/内存资源消耗冗余

    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%。

    自定义配置模式

    自定义配置模式仅开启一部分命名空间的工作负载,若您的集群规模较大(例如1000节点以上),或仅需试用开启一部分工作负载,可以通过自定义配置模式按需指定。image.png

    配置项

    说明

    取值范围

    开启的命名空间

    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。

    CPU/内存资源消耗冗余

    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: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%。这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。当画像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。资源冗余

步骤三:查看应用画像概览

资源画像的策略配置完成后,您可以在资源画像页面查看各工作负载的资源画像情况。

为提高画像结果准确性,首次使用时系统将提示需要至少累积24小时的数据。

image.png

画像总体概览以及各列的详细说明如下表所示。

image.png

说明

下表中,“-”代表不涉及。

列名

含义

取值说明

是否支持字段筛选

工作负载名称

对应工作负载的名字(Name)。

-

支持。可在菜单栏顶部按名称进行精确查找。

命名空间

对应工作负载的名字(Namespace)

-

支持。默认筛选条件中不包括kube-system命名空间。

工作负载类型

对应工作负载的类型。

包括Deployment、DaemonSet和StatefulSet三种类型。

支持。默认筛选条件为全部。

CPU请求

工作负载Pod的CPU资源申请量(Request)。

-

不支持。

内存请求

工作负载Pod的内存资源申请量。

-

不支持。

画像数据状态

工作负载资源画像。

  • 收集中:资源画像刚创建,累积的数据较少,首次使用时建议至少等待一天以上,确保工作负载稳定运行一段时间,完整覆盖了流量的波峰波谷之后再使用。

  • 正常:资源画像结果已经生成。

  • 工作负载已删除:对应的工作负载已经删除,画像结果将在保留一段时间后自动删除。

不支持。

CPU画像、内存画像

资源画像针对工作负载原始的资源请求量给出的规格(Request)调整建议,建议参考了资源画像值、原始资源请求量(Request)以及画像策略配置的资源消耗冗余,详见下文描述。

包括升配、降配、以及保持三种。对应的百分比为偏差幅度。计算公式为Abs(画像值-请求值) / 请求值

支持,默认筛选条件包括升配和降配。

创建时间

画像结果的创建时间。

-

不支持。

资源变配

评估画像结果和改配建议后,单击资源变配进行资源的升降配置。更多信息,请参见下文的步骤五:变更应用资源规格

-

不支持。

ACK资源画像会为工作负载的每个容器资源规格生成画像值,通过对比画像值(Recommend)、原始资源请求量(Request),以及画像配置的资源消耗冗余(Buffer)。资源画像控制台会为工作负载生成操作的提示,例如对资源请求提高或降低(即升配或降配)。若工作负载有多个容器,则会提示偏差幅度最大的容器,具体计算原理如下。

  • 画像值(Recommend)大于原始资源请求量(Request):表示容器长期处于资源超用状态(使用量大于申请量),存在稳定性风险,应及时提高资源规格,控制台提示“建议升配”。

  • 画像值(Recommend)小于原始资源请求量(Request):表示容器可能有一定程度的资源浪费,可以降低资源规格,需要结合画像配置的资源消耗冗余进行判断,详情如下:

    1. 根据画像值和配置的资源消耗冗余,计算目标资源规格(Target):Target = Recommend * (1 + Buffer)

    2. 计算目标资源规格(Target)与原始资源请求量(Request)的偏离程度(Degree):Degree = 1 - Request / Target

    3. 根据画像值以及偏离程度(Degree)的水位,生成CPU和内存建议的提示操作,若偏离程度(Degree)的绝对值大于0.1,则提示建议降配信息

  • 针对其他情况,资源画像为应用资源规格建议的提示为保持,表示可以暂时不调整。

步骤四:查看应用画像详情

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。应用画像详情

如上图所示,以CPU为例,画像详情资源曲线中各项指标的含义如下。

曲线名称

含义

cpu limit

容器的CPU资源限制值。

cpu request

容器的CPU资源请求值。

cpu recommend

容器的CPU资源画像值。

cpu usage(average)

对应工作负载内,各容器副本CPU使用量的平均值。

cpu usage(max)

对应工作负载内,各容器副本CPU使用量的最大值。

步骤五:变更应用资源规格

  1. 在应用画像详情页面底部的资源变配区域,根据画像生成的画像值修改各容器的资源规格。

    各列含义如下:资源变更

    配置项

    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)。

    画像值

    资源画像为容器生成的画像值,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,例如在画像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。

  2. 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

步骤一:启用资源画像

  1. 使用以下YAML内容,创建recommendation-profile.yaml文件,开启工作负载的资源规格画像。

    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画像数据。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:
      - default

    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。

  2. 执行以下命令,为目标应用开启资源画像。

    kubectl apply -f recommender-profile.yaml
  3. 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: "1Gi"
              limits:
                cpu: 12
                memory: "2Gi"
  4. 执行以下命令,通过安装cpu-load-gen.yaml部署cpu-load-gen应用。

    kubectl apply -f cpu-load-gen.yaml
  5. 执行以下命令,获取资源规格画像结果。

    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
    说明

    为了确保画像结果的准确性,建议您最少等待1天以上,以便累积充足的数据。

    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画像,并将结果保存在Recommendation CRD中。名为cpu-load-gen.yaml的工作负载资源规格画像结果示例如下。

    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: # 表示资源画像算法的中间结果,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

    说明

    示例

    alpha.alibabacloud.com/recommendation-workload-apiVersion

    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

    对应的工作负载类型,例如Deployment、StatefulSet等。

    Deployment

    alpha.alibabacloud.com/recommendation-workload-name

    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

    各容器的资源规格画像结果保存在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

    表示资源规格画像结果,包括CPU和Memory两个维度。

    map[ResourceName]resource.Quantity

    cpu: 4742mmemory: 262144k

    originalTarget

    表示资源规格画像算法的中间结果,不建议直接使用。若您有特殊需求,请提交工单

    -

    -

    说明

    单个Pod画像的CPU最小值为0.025核,内存的最小值为250 MB。

    通过对比目标应用(cpu-load-gen.yaml)中声明的资源规格和本步骤画像检测结果,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。

    类别

    原始资源规格

    资源画像规格

    CPU

    8核

    4.742核

步骤二:(可选)通过Prometheus查看结果

ack-koordinator为资源画像结果提供了Prometheus查询接口,您可以通过ACK提供的Prometheus监控直接查看。

  • 如果您首次使用该功能的大盘,请确保资源画像大盘已经升级到最新版本。关于升级的具体操作,请参见相关操作

    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,在左侧导航栏选择集群

    2. 集群列表页面,单击目标集群名称,然后在左侧导航栏,选择运维管理 > Prometheus 监控

    3. Prometheus监控页面,选择成本分析/资源优化 > 资源画像

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

FAQ

资源画像的算法原理是什么?

资源画像算法涉及一套多维度的数据模型,算法原理可以总结为以下几点:

  • 资源画像算法会持续不断地收集容器的资源使用数据,取CPU和内存的聚合统计值生产画像结果。

  • 针对时间这一因素进行了优化,在聚合统计时,较新的数据采样点会拥有更高的权重。

  • 算法参考了容器出现OOM等运行状态信息,可以进一步提高画像值的准确性。

更多信息,请参见资源画像技术原理介绍资源画像原理介绍及使用建议

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。

目前资源画像的结果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,画像结果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,请对画像结果按需加工后再使用,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,资源画像提供的结果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,在画像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,也需要在画像值的基础上调高规格。

自建Prometheus如何查看资源画像监控指标?

参见步骤二:(可选)通过Prometheus查看结果,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