Container Service for Kubernetes:Rekomendasikan spesifikasi kontainer menggunakan profil sumber daya

Langkah 1: Instal fitur profiling sumber daya

1. Masuk ke Konsol ACK. Di panel navigasi kiri, klik Clusters.

2. Pada halaman Clusters, temukan kluster yang diinginkan dan klik namanya. Di panel kiri, pilih Cost Suite > Cost Optimization.

3. Pada halaman Cost Optimization, klik tab Resource Profile. Di bagian Resource Profile, ikuti petunjuk di layar untuk mengaktifkan fitur tersebut.

   • Instalasi atau peningkatan komponen: Ikuti petunjuk di layar untuk menginstal atau meningkatkan komponen ack-koordinator. Jika ini pertama kalinya Anda menggunakan fitur ini, Anda harus menginstal komponen ack-koordinator.

     Catatan

     Jika versi ack-koordinator lebih awal dari v0.7.0, Anda harus melakukan migrasi dan peningkatan. Untuk informasi selengkapnya, lihat Migrasikan ack-koordinator dari pasar ke pusat komponen.

   • Untuk mengonfigurasi profiling saat pertama kali menggunakan fitur ini, pilih Default Configuration setelah instalasi atau peningkatan. Opsi ini mengontrol cakupan profiling sumber daya dan merupakan metode yang direkomendasikan. Anda juga dapat menyesuaikan pengaturan nanti dengan mengklik Konfigurasi Profil di konsol.

4. Klik Enable Profiling untuk menuju ke halaman Resource Profile.

Langkah 2: Kelola kebijakan profiling sumber daya

1. Masuk ke Konsol ACK. Di panel navigasi kiri, klik Clusters.

2. Pada halaman Clusters, temukan kluster yang diinginkan dan klik namanya. Di panel kiri, pilih Cost Suite > Cost Optimization.

3. Pada halaman Cost Optimization, klik tab Resource Profile, lalu klik Profile Configuration.

   Konfigurasi profil mendukung dua mode: Global Configuration dan Automated O&M Configuration. Secara default, mode Konfigurasi Global dipilih saat Anda menginstal komponen profiling sumber daya. Anda dapat mengubah mode konfigurasi dan parameter, lalu klik OK untuk menerapkan perubahan.

   Mode Konfigurasi Global (direkomendasikan)

   Mode Konfigurasi Global mengaktifkan profiling sumber daya untuk semua beban kerja. Secara default, mode ini mengecualikan namespace `arms-prom` dan `kube-system`.

   Parameter	Deskripsi	Rentang nilai
   Excluded Namespaces	Namespace yang dinonaktifkan profiling sumber dayanya. Biasanya ini adalah namespace untuk komponen sistem. Cakupan akhir adalah irisan antara namespace yang ditentukan dan jenis beban kerja.	Namespace yang ada di kluster saat ini. Anda dapat memilih beberapa namespace. Nilai default adalah `kube-system` dan `arms-prom`.
   Enabled Workload Types	Jenis beban kerja yang diaktifkan profiling sumber dayanya. Cakupan akhir adalah irisan antara namespace yang ditentukan dan jenis beban kerja.	Mendukung tiga jenis beban kerja Kubernetes native: Deployment, StatefulSet, dan DaemonSet. Anda dapat memilih beberapa jenis.
   CPU Consumption Buffer	Buffer keamanan yang digunakan untuk menghasilkan profil sumber daya. Untuk informasi selengkapnya, lihat deskripsi berikut.	Harus berupa angka non-negatif. Tiga tingkat buffer umum disediakan: 70%, 50%, dan 30%.
   Memory Consumption Buffer	Buffer keamanan yang digunakan untuk menghasilkan profil sumber daya. Untuk informasi selengkapnya, lihat deskripsi berikut.	Harus berupa angka non-negatif. Tiga tingkat buffer umum disediakan: 70%, 50%, dan 30%.

   Mode Konfigurasi O&M Otomatis

   Mode Konfigurasi O&M Otomatis hanya mengaktifkan profiling sumber daya untuk beban kerja di namespace tertentu. Jika kluster Anda besar (misalnya, berisi lebih dari 1.000 node) atau Anda hanya ingin mengaktifkan fitur ini untuk beberapa beban kerja, Anda dapat menggunakan mode ini untuk menentukan beban kerja sesuai kebutuhan.

   Parameter	Deskripsi	Rentang nilai
   Enabled Namespaces	Namespace yang diaktifkan profiling sumber dayanya. Cakupan akhir adalah irisan antara namespace yang ditentukan dan jenis beban kerja.	Namespace yang ada di kluster saat ini. Anda dapat memilih beberapa namespace.
   Enabled Workload Types	Jenis beban kerja yang diaktifkan profiling sumber dayanya. Cakupan akhir adalah irisan antara namespace yang ditentukan dan jenis beban kerja.	Mendukung tiga jenis beban kerja Kubernetes native: Deployment, StatefulSet, dan DaemonSet. Anda dapat memilih beberapa jenis.
   CPU Consumption Buffer	Buffer keamanan yang digunakan untuk menghasilkan profil sumber daya. Untuk informasi selengkapnya, lihat deskripsi berikut.	Harus berupa angka non-negatif. Tiga tingkat buffer umum disediakan: 70%, 50%, dan 30%.
   Memory Consumption Buffer	Buffer keamanan yang digunakan untuk menghasilkan profil sumber daya. Untuk informasi selengkapnya, lihat deskripsi berikut.	Harus berupa angka non-negatif. Tiga tingkat buffer umum disediakan: 70%, 50%, dan 30%.

   Buffer konsumsi sumber daya: Saat administrator mengevaluasi kapasitas aplikasi, seperti permintaan per detik (QPS), mereka biasanya tidak menggunakan 100% sumber daya fisik. Hal ini karena keterbatasan sumber daya fisik, seperti Hyper-threading, dan kebutuhan aplikasi untuk menyisihkan sumber daya guna menangani permintaan beban puncak. Saran penurunan spesifikasi akan muncul ketika selisih antara nilai profil dan permintaan sumber daya asli melebihi buffer keamanan. Untuk informasi selengkapnya tentang algoritma, lihat deskripsi saran profil di bagian Langkah 3: Lihat ikhtisar profil aplikasi.

Langkah 3: Lihat ikhtisar profil aplikasi

Tabel berikut menjelaskan kolom-kolom dalam ikhtisar profil.

Langkah 4: Lihat detail profil aplikasi

Langkah 5: Ubah spesifikasi sumber daya aplikasi

Langkah 1: Aktifkan profiling sumber daya

1. Buat file recommendation-profile.yaml yang berisi konten YAML berikut untuk mengaktifkan profiling sumber daya untuk beban kerja.

   Anda dapat membuat CRD RecommendationProfile untuk mengaktifkan profiling sumber daya untuk beban kerja dan mendapatkan data profil spesifikasi sumber daya untuk kontainernya. CRD RecommendationProfile memungkinkan Anda mengontrol cakupan berdasarkan namespace dan jenis beban kerja. Cakupan akhir adalah irisan keduanya.

   apiVersion: autoscaling.alibabacloud.com/v1alpha1
   kind: RecommendationProfile
   metadata:
     # Nama objek. Anda tidak perlu menentukan namespace untuk objek non-namespaced.
     name: profile-demo
   spec:
     # Jenis beban kerja yang diaktifkan profiling sumber dayanya.
     controllerKind:
     - Deployment
     # Namespace yang diaktifkan profiling sumber dayanya.
     enabledNamespaces:
     - default

   Field konfigurasi dijelaskan sebagai berikut:

   Parameter	Tipe	Deskripsi
   metadata.name	String	Nama objek. Jika RecommendationProfile bertipe non-namespaced, Anda tidak perlu menentukan namespace.
   spec.controllerKind	String	Jenis beban kerja yang diaktifkan profiling sumber dayanya. Jenis beban kerja yang didukung meliputi Deployment, StatefulSet, dan DaemonSet.
   spec.enabledNamespaces	String	Namespace yang diaktifkan profiling sumber dayanya.

2. Aktifkan profiling sumber daya untuk aplikasi target.

   kubectl apply -f recommendation-profile.yaml

3. Buat file cpu-load-gen.yaml yang berisi konten YAML berikut.

   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 # Permintaan CPU untuk aplikasi ini adalah 8 core.
               memory: "1Gi"
             limits:
               cpu: 12
               memory: "2Gi"

4. Terapkan aplikasi `cpu-load-gen` menggunakan file `cpu-load-gen.yaml`.

   kubectl apply -f cpu-load-gen.yaml

5. Ambil profil spesifikasi sumber daya.

   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

   ack-koordinator menghasilkan profil spesifikasi sumber daya untuk setiap beban kerja yang diaktifkan profiling sumber dayanya dan menyimpan hasilnya dalam CRD Recommendation. Kode berikut memberikan contoh profil spesifikasi sumber daya untuk beban kerja bernama cpu-load-gen.

   apiVersion: autoscaling.alibabacloud.com/v1alpha1
   kind: Recommendation
   metadata:
     labels:
       alpha.alibabacloud.com/recommendation-workload-apiVersion: apps-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: # Ini menunjukkan hasil antara dari algoritma profiling sumber daya. Kami tidak merekomendasikan penggunaannya secara langsung.
          # ...

   Untuk memudahkan pengambilan, Recommendation memiliki namespace yang sama dengan beban kerja. Versi API, jenis, dan nama beban kerja disimpan dalam label, seperti yang dijelaskan dalam tabel berikut.

   Kunci Label	Deskripsi	Contoh
   alpha.alibabacloud.com/recommendation-workload-apiVersion	Versi API dari beban kerja. Karena batasan label Kubernetes, garis miring (/) diganti dengan tanda hubung (-).	apps-v1 (sebelumnya apps/v1)
   alpha.alibabacloud.com/recommendation-workload-kind	Jenis beban kerja, seperti Deployment atau StatefulSet.	Deployment
   alpha.alibabacloud.com/recommendation-workload-name	Nama beban kerja. Karena batasan label Kubernetes, panjangnya tidak boleh melebihi 63 karakter.	cpu-load-gen

   Profil spesifikasi sumber daya untuk setiap kontainer disimpan dalam status.recommendResources.containerRecommendations. Tabel berikut menjelaskan field-field tersebut.

   Nama Bidang	Makna	Format	Contoh
   containerName	Nama kontainer.	string	cpu-load-gen
   target	Hasil profil spesifikasi sumber daya, termasuk dimensi CPU dan memori.	map[ResourceName]resource.Quantity	cpu: 4742m memory: 262144k
   originalTarget	Hasil antara dari algoritma profiling sumber daya. Kami tidak merekomendasikan penggunaannya secara langsung.	-	-

   Catatan

   Nilai CPU profil minimum untuk satu pod adalah 0,025 core, dan nilai memori minimum adalah 250 MB.

   Dengan membandingkan spesifikasi sumber daya yang dideklarasikan dalam aplikasi target (cpu-load-gen) dengan hasil profiling dari langkah ini, Anda dapat melihat bahwa permintaan CPU untuk kontainer ini terlalu besar. Anda dapat mengurangi permintaan tersebut untuk menghemat sumber daya kluster.

   Kategori	Spesifikasi Sumber Daya Asli	Spesifikasi Sumber Daya Profil
   CPU	8 core	4,742 core

Langkah 2: (Opsional) Lihat hasil di Prometheus

Bagaimana cara kerja algoritma profiling sumber daya?

Apa saja persyaratan jenis aplikasi untuk profiling sumber daya?

Fitur ini cocok untuk aplikasi layanan online.

Saat ini, profil sumber daya memprioritaskan pemenuhan kebutuhan sumber daya kontainer untuk memastikan sebagian besar sampel data tercakup. Namun, untuk aplikasi offline, jenis pekerjaan pemrosesan batch ini lebih memperhatikan throughput keseluruhan dan dapat mentolerir tingkat persaingan sumber daya tertentu untuk meningkatkan pemanfaatan sumber daya kluster secara keseluruhan. Profil mungkin tampak konservatif untuk aplikasi offline. Selain itu, untuk komponen sistem kritis yang sering diterapkan dalam mode aktif-pasif, replika dalam peran cadangan menganggur dalam jangka waktu lama. Sampel penggunaan sumber daya dari replika ini juga dapat mengganggu algoritma profiling. Untuk skenario ini, proses profil sesuai kebutuhan sebelum digunakan. Kami merekomendasikan Anda mengikuti pembaruan produk untuk profiling sumber daya.

Bisakah saya langsung menggunakan nilai profil untuk menetapkan permintaan dan batas kontainer?

Hal ini tergantung pada karakteristik bisnis Anda. Hasil yang disediakan oleh profiling sumber daya merupakan ringkasan kebutuhan sumber daya aplikasi saat ini. Administrator harus memproses nilai profil berdasarkan karakteristik aplikasi sebelum menggunakannya.

Misalnya, untuk menangani puncak lalu lintas atau mencapai peralihan mulus dalam arsitektur aktif-aktif, Anda perlu menyisihkan buffer sumber daya tambahan. Selain itu, jika aplikasi sensitif terhadap sumber daya dan tidak dapat berjalan secara stabil di bawah beban host yang tinggi, Anda juga harus meningkatkan spesifikasi berdasarkan nilai profil.

Bagaimana cara melihat metrik profiling sumber daya dengan Prometheus yang dikelola sendiri?

Metrik pemantauan terkait profiling sumber daya disediakan sebagai antarmuka HTTP berformat Prometheus di modul ack-koord-manager komponen ack-koordinator. Anda dapat menjalankan perintah berikut untuk mengambil alamat IP pod dan mengakses data metrik.

1. Ambil alamat IP pod

   kubectl get pod -A -o wide | grep koord-manager

   Output yang diharapkan:

   kube-system    ack-koord-manager-b86bd47d9-92f6m                                 1/1     Running     0               16h     10.10.0.xxx   cn-hangzhou.10.10.0.xxx   <none>           <none>
   kube-system    ack-koord-manager-b86bd47d9-vg5z7                                 1/1     Running     0               16h     10.10.0.xxx   cn-hangzhou.10.10.0.xxx   <none>           <none>

2. Jalankan perintah berikut untuk melihat data metrik. Perhatikan bahwa ack-koord-manager berjalan dalam mode aktif-pasif dengan dua replika, dan data hanya disediakan oleh pod replika aktif. Untuk port port (nilai default adalah 9326), rujuk pada konfigurasi penerapan aplikasi ack-koord-manager.

   Pastikan server tempat Anda menjalankan perintah dapat berkomunikasi dengan jaringan kontainer kluster.

   curl -s http://10.10.0.xxx:9326/all-metrics | grep slo_manager_recommender_recommendation_workload_target
   # Jika Anda menggunakan versi komponen ack-koordinator yang lebih lama (sebelum v1.5.0-ack1.12), jalankan perintah berikut untuk melihat data metrik
   curl -s http://10.10.0.xxx:9326/metrics | grep slo_manager_recommender_recommendation_workload_target

   Output yang diharapkan:

   # HELP slo_manager_recommender_recommendation_workload_target Recommendation of workload resource request.
   # TYPE slo_manager_recommender_recommendation_workload_target gauge
   slo_manager_recommender_recommendation_workload_target{container_name="xxx",namespace="xxx",recommendation_name="d2169dbf-fb36-4bf4-99d1-673577fb85c1",resource="cpu",workload_api_version="apps/v1",workload_kind="Deployment",workload_name="xxx"} 0.025
   slo_manager_recommender_recommendation_workload_target{container_name="xxx",namespace="xxx",recommendation_name="d2169dbf-fb36-4bf4-99d1-673577fb85c1",resource="memory",workload_api_version="apps/v1",workload_kind="Deployment",workload_name="xxx"} 2.62144e+08

Setelah komponen ack-koordinator diinstal, komponen tersebut secara otomatis membuat objek Service dan ServiceMonitor serta mengaitkannya dengan pod yang sesuai. Jika Anda menggunakan Managed Service for Prometheus, metrik ini secara otomatis dikumpulkan dan ditampilkan di Dasbor Grafana yang sesuai.

Karena Prometheus mendukung berbagai metode pengumpulan, jika Anda menggunakan instance Prometheus yang dikelola sendiri, Anda harus mengonfigurasinya berdasarkan dokumentasi resmi Prometheus. Selama konfigurasi, rujuk prosedur di atas untuk pengujian. Setelah pengujian selesai, Anda dapat merujuk ke Langkah 2: (Opsional) Lihat hasil di Prometheus untuk mengonfigurasi Dasbor Grafana yang sesuai di lingkungan Anda.

Bagaimana cara menghapus hasil dan aturan profil sumber daya?

Profil sumber daya dan aturan disimpan dalam CRD Recommendation dan RecommendationProfile, masing-masing. Anda dapat menjalankan perintah berikut untuk menghapus semua hasil dan aturan profil sumber daya.

# Hapus semua hasil profil sumber daya.
kubectl delete recommendation -A --all

# Hapus semua aturan profil sumber daya.
kubectl delete recommendationprofile -A --all

Bagaimana cara memberikan izin Pengguna RAM untuk menggunakan profiling sumber daya?

Sistem otorisasi ACK mencakup otorisasi RAM di lapisan sumber daya dasar dan otorisasi RBAC di lapisan kluster ACK. Untuk pengantar sistem otorisasi ACK, lihat Praktik terbaik untuk otorisasi. Untuk memberikan izin Pengguna RAM agar dapat menggunakan fitur profiling sumber daya untuk kluster, kami merekomendasikan Anda mengikuti praktik terbaik berikut untuk otorisasi:

1. Otorisasi RAM

   Anda dapat menggunakan Akun Alibaba Cloud Anda untuk masuk ke Konsol RAM dan memberikan izin bawaan AliyunCSFullAccess kepada Pengguna RAM. Untuk informasi selengkapnya, lihat Berikan izin.

2. Otorisasi RBAC

   Setelah memberikan izin RAM, Anda juga harus memberikan peran RBAC developer atau peran yang lebih tinggi kepada Pengguna RAM untuk kluster target. Untuk informasi selengkapnya, lihat Gunakan RBAC untuk mengotorisasi operasi pada sumber daya kluster.

apiVersion: rbac.authorization.k8s.io/v1
kind: ClusterRole
metadata:
  name: recommendation-clusterrole
rules:
- apiGroups:
  - "autoscaling.alibabacloud.com"
  resources:
  - "*"
  verbs:
  - "*"