Memulai - Container Service for Kubernetes - Alibaba Cloud Documentation Center

Gunakan ack-koordinator untuk mengatur lingkungan colocation secara cepat dan menjalankan workload dalam mode colocation. Topik ini menjelaskan cara mengaktifkan kebijakan colocation serta men-deploy workload LS dan BE pada node yang sama.

Prasyarat

Pastikan Anda memiliki:

Kluster ACK Pro
ack-koordinator versi 0.8.0 atau lebih baru (sebelumnya bernama ack-slo-manager)
(Direkomendasikan) Instans bare metal ECS yang menjalankan Alibaba Cloud Linux

Konsep utama

ack-koordinator menggunakan prioritas resource dan kelas QoS untuk mengontrol cara workload online dan offline berbagi satu node.

Prioritas resource

Prioritas resource menentukan seberapa besar kapasitas node yang dapat digunakan oleh suatu workload.

Prioritas	Cara perhitungan resource	Nama resource
Product	Sama dengan resource fisik node	CPU dan memori yang dilaporkan oleh node
Batch	Dihitung secara dinamis: total resource fisik − resource Product yang sedang digunakan. Lihat Dynamic resource overcommitment.	`kubernetes.io/batch-cpu` dan `kubernetes.io/batch-memory` (resource ekstensi dalam metadata node)

Resource Product yang telah dialokasikan tetapi tidak digunakan akan secara otomatis diturunkan spesifikasinya menjadi Batch agar dapat diklaim ulang.

Kelas QoS

Kelas QoS menentukan prioritas penjadwalan dan isolasi saat resource terbatas.

Kelas QoS	Workload umum	Perilaku
LS (Latency Sensitive)	Layanan web, layanan mikro, komputasi aliran yang sensitif terhadap latensi	Prioritas tinggi dalam penjadwalan CPU, cache L3, dan bandwidth memori; memori diklaim ulang dari BE terlebih dahulu
BE (Best Effort)	Pekerjaan batch Spark, pekerjaan MapReduce, pekerjaan pelatihan AI, transkoding video	Prioritas CPU lebih rendah daripada LS; cache L3 dan bandwidth memori dibatasi; memori diklaim sebelum workload LS

Cara kerja reklamasi sumber daya

Kapasitas node
├── Batas Product      ← Resource yang diminta oleh Pod LS
│   └── Penggunaan aktual  ← Berubah seiring waktu (sering jauh di bawah batas)
│       └── Dapat direklaim = batas − penggunaan ← Tersedia untuk Pod BE
└── Pod BE berjalan pada resource yang dapat direklaim

Workload BE memanfaatkan resource idle yang tersedia tanpa memengaruhi performa layanan online.

Kombinasi yang valid

Prioritas resource dan kelas QoS bersifat independen, tetapi hanya dua kombinasi berikut yang digunakan dalam praktik:

Product + LS: Aplikasi online yang sensitif terhadap latensi (aplikasi web, komputasi aliran)
Batch + BE: Aplikasi offline dengan prioritas lebih rendah (pekerjaan Spark, pekerjaan MapReduce, pelatihan AI)

Aktifkan kebijakan colocation

ack-koordinator membaca kebijakan colocation dari ConfigMap ack-slo-config di namespace kube-system.

Buat file configmap.yaml dengan konten berikut:

# Contoh ConfigMap ack-slo-config.
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
      }
    }

ConfigMap tersebut mencakup tiga kebijakan:

Kunci kebijakan	Fungsinya
`colocation-config`	Mengaktifkan pemantauan beban node secara real-time dan mengidentifikasi resource yang dapat di-overcommit. Lihat Dynamic resource overcommitment.
`resource-qos-config`	Mengaktifkan manajemen resource detail halus untuk workload LS dan BE, termasuk CPU QoS, Memory QoS, dan isolasi cache L3 dan MBA.
`resource-threshold-config`	Membatasi resource BE secara dinamis berdasarkan watermark utilisasi node. Lihat Elastic resource limit.

Terapkan ConfigMap tersebut:
```
kubectl apply -f configmap.yaml
```

Menyebarkan beban kerja

Deploy workload LS (online) dan BE (offline) ke node yang sama menggunakan label Pod koordinator.sh/qosClass.

Deploy workload LS (NGINX)

Buat file nginx-ls-pod.yaml. Label koordinator.sh/qosClass: LS menandai Pod ini sebagai sensitif terhadap latensi:

---
# Konfigurasi aplikasi Nginx
apiVersion: v1
data:
  config: |-
    user  nginx;
    worker_processes  80;  # Jumlah proses worker Nginx, yang memengaruhi konkurensi.

    events {
        worker_connections  1024;  # Nilai default adalah 1024.
    }

    http {
        server {
            listen  8000;

            gzip off;
            gzip_min_length 32;
            gzip_http_version 1.0;
            gzip_comp_level 3;
            gzip_types *;
        }
    }

    #daemon off;
kind: ConfigMap
metadata:
  name: nginx-conf

---
# Manifes untuk nginx-ls-pod.
apiVersion: v1
kind: Pod
metadata:
  labels:
    koordinator.sh/qosClass: LS
    app: nginx
  name: nginx
spec:
  containers:
    - image: anolis-registry.cn-zhangjiakou.cr.aliyuncs.com/openanolis/nginx:1.14.1-8.6
      imagePullPolicy: IfNotPresent
      name: nginx
      ports:
        - containerPort: 8000
          hostPort: 8000 # Port host yang akan menerima permintaan untuk pengujian beban.
          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

Terapkan manifes tersebut:
```
kubectl apply -f ffmpeg-be-pod.yaml
```

Deploy workload BE (FFmpeg)

Buat file ffmpeg-be-pod.yaml. Label koordinator.sh/qosClass: BE menandai Pod ini sebagai best-effort. Batas resource menggunakan kubernetes.io/batch-cpu dan kubernetes.io/batch-memory alih-alih CPU dan memori standar:

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:
          # Satuan: millicores.
          kubernetes.io/batch-cpu: "70k"
          kubernetes.io/batch-memory: "22Gi"
        requests:
          # Satuan: millicores.
          kubernetes.io/batch-cpu: "70k"
          kubernetes.io/batch-memory: "22Gi"

Terapkan manifes tersebut:
```
kubectl apply -f ffmpeg-be-pod.yaml
```

Langkah selanjutnya

Setelah kedua Pod berjalan, jelajahi kemampuan colocation ACK:

Lihat dalam praktik

Colocate layanan online dan aplikasi transkoding video — contoh end-to-end menggunakan konfigurasi ini

Manajemen Sumber Daya

Kontrol CPU