Container Service for Kubernetes:Profilisasi sumber daya untuk rekomendasi konfigurasi kontainer

Langkah 1: Aktifkan profilisasi sumber daya

1. Buat file bernama recommendation-profile.yaml dengan konten YAML berikut untuk mengaktifkan profilisasi sumber daya untuk suatu workload.

   CRD RecommendationProfile mengaktifkan profilisasi sumber daya untuk suatu workload dan menyediakan data spesifikasi sumber daya untuk kontainer-kontainernya. Anda dapat mengontrol cakupan profilisasi dengan menentukan namespace dan jenis workload. Cakupan akhir adalah irisan keduanya.

   apiVersion: autoscaling.alibabacloud.com/v1alpha1
   kind: RecommendationProfile
   metadata:
     # Nama objek. Namespace tidak diperlukan untuk objek berlingkup kluster ini.
     name: profile-demo
   spec:
     # Jenis workload yang diaktifkan profilisasi sumber dayanya.
     controllerKind:
     - Deployment
     # Namespace yang diaktifkan profilisasi sumber dayanya.
     enabledNamespaces:
     - default

   Tabel berikut menjelaskan field konfigurasi.

   Parameter	Tipe	Deskripsi
   metadata.name	String	Nama objek. Namespace tidak diperlukan karena RecommendationProfile adalah objek berlingkup kluster (non-namespaced).
   spec.controllerKind	String	Jenis workload yang diaktifkan profilisasi sumber dayanya. Jenis workload yang didukung meliputi Deployment, StatefulSet, dan DaemonSet.
   spec.enabledNamespaces	String	Namespace yang diaktifkan profilisasi sumber dayanya.

2. Terapkan konfigurasi profil.

   kubectl apply -f recommendation-profile.yaml

3. Buat file bernama cpu-load-gen.yaml dengan konten 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 # Request CPU untuk aplikasi ini adalah 8 core.
               memory: "1Gi"
             limits:
               cpu: 12
               memory: "2Gi"

4. Deploy aplikasi cpu-load-gen.

   kubectl apply -f cpu-load-gen.yaml

5. Ambil hasil profilisasi 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 sumber daya untuk setiap workload yang diprofilisasi dan menyimpan hasilnya dalam CRD Recommendation. Berikut adalah contoh profil sumber daya untuk workload 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: # Hasil antara dari algoritma profilisasi sumber daya. Jangan gunakan langsung.
          # ...

   Untuk menyederhanakan pengambilan, objek Recommendation dibuat di namespace yang sama dengan workload. Objek ini juga menyertakan label yang menentukan versi API, jenis, dan nama workload, seperti yang dijelaskan dalam tabel berikut.

   Kunci label	Deskripsi	Contoh
   alpha.alibabacloud.com/recommendation-workload-apiVersion	Versi API workload. Garis miring (/) diganti dengan tanda hubung (-) agar sesuai dengan sintaksis label Kubernetes.	apps-v1 (dari apps/v1)
   alpha.alibabacloud.com/recommendation-workload-kind	Jenis workload, seperti Deployment atau StatefulSet.	Deployment
   alpha.alibabacloud.com/recommendation-workload-name	Nama workload. Panjangnya tidak boleh lebih dari 63 karakter agar sesuai dengan sintaksis label Kubernetes.	cpu-load-gen

   Hasil profilisasi sumber daya untuk setiap kontainer disimpan di status.recommendResources.containerRecommendations. Tabel berikut menjelaskan field-field tersebut.

   Field	Deskripsi	Format	Contoh
   containerName	Nama kontainer.	string	cpu-load-gen
   target	Spesifikasi sumber daya yang diprofilisasi, termasuk CPU dan memori.	map[ResourceName]resource.Quantity	cpu: 4742m memory: 262144k
   originalTarget	Hasil antara dari algoritma profilisasi. Jangan gunakan field ini secara langsung.	-	-

   Catatan

   Nilai minimum profilisasi CPU per pod adalah 0,025 core, dan nilai memori minimum adalah 250 MB.

   Dengan membandingkan spesifikasi sumber daya yang dideklarasikan dalam aplikasi cpu-load-gen dengan hasil profilisasi, Anda dapat melihat bahwa request CPU terlalu berlebihan. Anda dapat mengurangi request tersebut untuk menghemat sumber daya kluster.

   Kategori	Spesifikasi asli	Spesifikasi Profil
   CPU	8 core	4,742 core

Langkah 2: (Opsional) Lihat hasilnya di Prometheus

Algoritma profilisasi sumber daya

Jenis aplikasi yang sesuai

Profilisasi sumber daya paling cocok untuk aplikasi layanan online.

Saat ini, hasil profilisasi memprioritaskan memastikan kontainer memiliki sumber daya yang cukup untuk mencakup sebagian besar sampel penggunaannya. Namun, pendekatan ini bisa bersifat konservatif untuk jenis aplikasi tertentu. Untuk aplikasi offline, seperti tugas Pemrosesan batch yang memprioritaskan throughput keseluruhan dan dapat mentolerir beberapa Konflik sumber daya untuk meningkatkan pemanfaatan kluster, hasil profilisasi mungkin tampak terlalu konservatif. Selain itu, untuk komponen sistem kritis yang dideploy dalam konfigurasi mode aktif-pasif, replika pasif menganggur dalam waktu lama, dan penggunaan sumber dayanya yang rendah dapat mengganggu algoritma profilisasi. Untuk skenario ini, tinjau dan sesuaikan hasil profilisasi sesuai kebutuhan sebelum menerapkannya. Kami menyarankan Anda tetap mengikuti pembaruan produk untuk profilisasi sumber daya.

Gunakan nilai profilisasi untuk request dan limit

Hal ini tergantung pada workload spesifik Anda. Nilai profilisasi memberikan ringkasan permintaan sumber daya aplikasi Anda saat ini. Anda harus menggunakannya sebagai garis dasar dan menyesuaikannya berdasarkan karakteristik aplikasi dan kebutuhan bisnis Anda.

Misalnya, untuk aplikasi yang perlu menangani lonjakan lalu lintas atau memerlukan failover tanpa hambatan dalam arsitektur aktif-aktif, Anda harus menambahkan buffer sumber daya. Untuk aplikasi yang sensitif terhadap sumber daya yang tidak berkinerja baik pada host dengan beban tinggi, Anda juga harus meningkatkan alokasi sumber daya melebihi nilai profilisasi.

Lihat metrik di Prometheus self-managed

Modul ack-koord-manager dari komponen ack-koordinator mengekspos metrik profilisasi sumber daya sebagai endpoint HTTP berformat Prometheus. Anda dapat mendapatkan alamat IP pod dan mengakses data metrik tersebut.

1. Dapatkan 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 dual-replika dan data hanya tersedia di Pod replika primary). Untuk port (default: 9326), lihat konfigurasi Deployment 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 ack-koordinator 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 yang terkait dengan pod yang sesuai. Jika Anda menggunakan Managed Service for Prometheus, layanan tersebut secara otomatis mengumpulkan dan menampilkan metrik ini di Dasbor Grafana yang sesuai.

Prometheus mendukung berbagai metode pengumpulan. Jika Anda menggunakan instans Prometheus self-managed, rujuk dokumentasi resmi Prometheus untuk konfigurasi dan gunakan proses yang dijelaskan di atas untuk debugging. Setelah debugging, Anda dapat merujuk ke Langkah 2: (Opsional) Lihat hasilnya di Prometheus untuk mengonfigurasi dasbor Grafana di lingkungan Anda.

Hapus hasil dan aturan profilisasi

CRD Recommendation menyimpan hasil profilisasi, dan CRD RecommendationProfile menyimpan aturan profilisasi. Jalankan perintah berikut untuk menghapus semua hasil dan aturan.

# Hapus semua hasil profilisasi.
kubectl delete recommendation -A --all
# Hapus semua aturan profilisasi.
kubectl delete recommendationprofile -A --all

Berikan izin kepada Pengguna RAM

Otorisasi ACK memiliki dua lapisan: otorisasi RAM untuk akses sumber daya dasar dan RBAC (Role-Based Access Control) untuk izin dalam kluster. Untuk ikhtisar, lihat Praktik terbaik otorisasi. Untuk memberikan izin kepada Pengguna RAM agar dapat menggunakan profilisasi sumber daya, Anda harus mengonfigurasi izin pada kedua tingkat tersebut:

1. Otorisasi RAM

   Masuk ke Konsol RAM dengan Akun Alibaba Cloud Anda dan berikan kebijakan sistem bawaan AliyunCSFullAccess kepada Pengguna RAM tersebut. Untuk instruksi detail, lihat Berikan izin.

2. Otorisasi RBAC

   Setelah menyelesaikan otorisasi RAM, berikan peran developer atau lebih tinggi kepada Pengguna RAM tersebut di kluster target. Untuk instruksi, 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:
  - "*"