共计 3344 个字符，预计需要花费 9 分钟才能阅读完成。
作者：张佐玮（佑祎）
背景介绍
K8s 为集群资源提供了良好的形象，用户能够间接依据利用的资源需要填写容器资源规格，这种形式无效晋升了集群资源的管理效率。然而，始终以来，容器资源规格填写的难题始终都让利用管理员们无奈解脱，过高的资源规格会导致资源节约，而过低的规格又会为利用带来潜在的稳定性危险。
往期文章《资源画像，让容器资源规格的填写不再纠结》中咱们介绍了阿里云容器服务 Kubernetes 版（Alibaba Cloud Container Service for Kubernetes，以下简称 ACK）提供的资源规格智能举荐性能，用户能够通过 ack-slo-manager 组件提供的 CRD 对象查问到容器的资源推荐值。
日前，ACK 控制台在此基础上正式公布了资源画像性能，为用户提供了可视化的交互页面，便于管理员疾速剖析利用资源规格的合理性，并进行资源规格配置的变更。该性能目前曾经正式凋谢公测，ACK 用户能够间接申请白名单试用。
容器资源配置
K8s 应用了 request 和 limit 来形容容器对 CPU 和内存资源的需要，reqeust 影响 Pod 的节点调配后果，调度器会应用节点的“资源容量”（capacity）进行匹配，确保容量短缺，而 limit 决定了容器在节点运行时能够应用的资源下限，当容器尝试超用资源时会被束缚（throttled）甚至终止（kill）。
始终以来，容器资源规格 request 和 limit 的填写都让 K8s 的用户饱受困扰，一方面，利用管理员须要预留相当数量的资源冗余来应答上下游链路的负载稳定，保障线上利用的稳定性；而另一方面的事实是，在大部分在线服务的生产环境中，集群的资源利用率处于相当低的程度，存在大量的资源节约。
利用的资源画像数据能够提供无效帮忙，所谓资源画像，指的是利用 CPU、内存等资源的应用特色，如果咱们可能将资源应用的历史数据收集起来，并进行汇总剖析，在设置容器资源规格时就能够做到对症下药。ACK 控制台资源画像性能的公布，就旨在解决这一难题，帮忙运维人员优化容器资源规格，晋升管理效率，保障利用稳固运行的同时，充沛晋升集群资源使用率。
资源画像
ACK 资源画像会继续收集容器的资源用量进行汇总剖析，为每个容器生成资源规格的推荐值，控制台会针对工作负载原始的资源申请量（request）给出调整倡议，包含“升配”、“降配”、以及”放弃“三种，若工作负载有多个容器，控制台会优先应用偏差幅度最大的容器作为举荐。利用管理员能够通过该页面间接筛选出须要调整的利用，并在详情页进行批改。
策略管理
资源画像反对按需开启的的管理策略，能够指定命名空间和利用类型范畴。策略同时还反对为利用配置资源耗费冗余，所谓资源耗费冗余，对应的场景是管理员在评估利用业务容量时（例如 QPS），通常不会将物理资源应用到 100%。起因既包含超线程等物理资源的局限性，也包含利用本身须要思考留有余量以应答顶峰时段的负载申请。当资源画像的推荐值与原始资源申请的差距超过平安冗余时，才会提醒降配倡议。
资源用量剖析
在资源画像控制台主页，点击工作负载名称，能够进入对应的画像详情页面，在画像详情页能够对利用的资源耗费数据做进一步的详细分析。详情页的资源曲线别离展现了各容器的资源限度值（limit）、资源申请值（request）、资源画像性能提供的推荐值（recommend），以及利用各正本资源使用量的平均值和最大值（average/max usage）。
通过利用的画像详情页，用户能够对资源应用状况进行直观的剖析，评估容器以后的资源规格（request/limit）是否正当。
资源配置变更
画像详情页面底部还同时提供了资源变配的性能，变配窗口内默认展现了各容器以后的所需资源（request）和限度资源（limit），以及资源画像为容器生成的推荐值，推荐值来自于对容器资源耗费历史数据的聚合剖析，确保推荐值能够尽量满足容器资源耗费的需要。这里同时还展现了策略管理中为利用配置的冗余系数，不便利用管理员在批改资源规格配置时参考。
填写实现后点击确定按钮，将执行资源规格更新操作并主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从新创立 Pod。
应用倡议
资源冗余配置
资源画像的变配倡议是比拟推荐值与以后利用资源申请量（request）失去的，当推荐值高于 request 时，阐明容器理论的资源用量曾经超过了申请量，应进步申请规格；而当推荐值低于 request 时，阐明容器理论的资源用量低于申请量，但这并不代表着肯定要升高申请规格。
起因是利用管理员在填写资源申请时，通常都会在原始的资源需要根底上额定减少肯定水平的资源冗余，用于应答流量顶峰，或是做例如“同城多活”这类高可用场景的切换。此外，局部利用还对资源较为敏感，无奈在宿主机负载较高时安稳运行，这也须要在根底值上调高规格。
因而资源画像的变配倡议会参考用户在策略管理中配置的冗余系数，只有当推荐值显著低于申请量时才会提醒“降配”操作。冗余系数只影响资源变配的提醒，不影响推荐值算法的计算过程，起因是资源画像提供的推荐值是对利用以后资源需要状况的总结，管理员在应用时应联合利用本身个性，在推荐值的根底之上进行加工。
利用实用类型
目前资源画像的推荐值会优先思考满足容器的资源应用，确保能够笼罩绝大部分历史数据样本，因此更实用于在线类型的利用，因为它们通常以服务的模式部署，对响应工夫（RT）会有严格的束缚，要求资源必须及时失去满足。
与“在线”绝对应的是“离线”利用，通常为批处理类型的工作，其更关注数据处理的整体吞吐量，能够承受肯定水平的资源竞争，以进步集群资源的整体利用率，因而以后资源画像的推荐值对于离线利用来说会显得有些激进。此外，集群内还会有一些要害的零碎组件，通常以“主备”的模式部署多个正本，处于“备份”角色的正本长期处于资源闲置状态。这些“备份”角色的资源用量样本数据会对画像算法产生肯定水平的烦扰，影响推荐值的准确性。
针对这些场景，管理员应基于利用特点对资源画像的推荐值二次加工后再应用，后续咱们也将凋谢更多能力，提供更加精密的资源画像策略管理。
数据累积时长
资源画像推荐值的算法波及一套多维度的数据模型，外围关注以下几个方面：
- 算法会继续一直的收集容器的资源用量数据，取 CPU 和内存的聚合统计值作为举荐。
- 针对样本数据的工夫因素进行了优化，在聚合统计时，较新的数据采样点会领有更高的权重。
- 算法参考了容器呈现 OOM 等运行状态信息，能够进一步提高推荐值的准确性。
通过以上原理能够看出，资源画像后果的准确性会随着数据样本的累积逐步晋升，因而在首次应用时倡议至多放弃一天以上的数据累积。起因是以后互联网类型的在线利用会受到人们生产生活习惯的影响，流量负载的峰谷会在不同时间段呈现，例如出行类利用会有早晚顶峰，娱乐类利用会在工作日和节假日的出现不同特色。因而最好的应用形式，是确保工作负载稳固运行一段时间，收集的数据残缺笼罩了流量的波峰波谷之后再应用。
将来打算
ACK 资源画像控制台后续的产品性能曾经在布局中，将来咱们将提供更为精细化的管理策略以及更为便捷的应用形式，敬请期待！
往期文章《Koordinator 0.6：企业级容器调度零碎解决方案，引入 CPU 精密编排、资源预留与全新的重调度框架》中咱们介绍了云原生混部开源零碎 Koordinator 的一系列性能，近期 Koordinator 刚刚公布了最新的 0.7 版本，欢送大家拜访官网 ”koordinaotr.sh” 查阅。
接下来咱们将逐渐把资源画像相干的技术能力也奉献到开源社区，帮忙更宽广的行业人士改善云原生工作负载运行的效率、稳定性和计算成本。
Koordinator 是一个凋谢的社区，十分欢送宽广云原生爱好者们通过各种形式一起参加共建，无论您在 K8s 畛域是初学乍练还是轻车熟路，咱们都十分期待听到您的声音！
Github 地址：https://github.com/koordinato…
欢送扫描下方微信二维码退出 Koordinator 微信群：
您也能够应用钉钉扫描下方二维码或搜寻群号 33383887 退出 Koordinator 社区钉钉群：
点击此处，即可查看阿里云 ACK 资源画像控制台的具体介绍和应用办法！