🥇कुबर्नेट्स: सिस्टम रिसोर्स मॅनेजमेंट कॉन्फिगर करणे इतके महत्त्वाचे का आहे?

नियमानुसार, ऍप्लिकेशनच्या योग्य आणि स्थिर ऑपरेशनसाठी संसाधनांचा एक समर्पित पूल प्रदान करणे नेहमीच आवश्यक असते. पण जर एकाच पॉवरवर अनेक अॅप्लिकेशन्स चालू असतील तर? त्या प्रत्येकाला किमान आवश्यक संसाधने कशी पुरवायची? आपण संसाधनांचा वापर कसा मर्यादित करू शकता? नोड्स दरम्यान लोड योग्यरित्या कसे वितरित करावे? अनुप्रयोग लोड वाढल्यास क्षैतिज स्केलिंग यंत्रणा कार्य करते याची खात्री कशी करावी?

सिस्टममध्ये कोणत्या मुख्य प्रकारची संसाधने अस्तित्त्वात आहेत ते आपल्याला प्रारंभ करणे आवश्यक आहे - हे अर्थातच प्रोसेसर वेळ आणि रॅम आहे. k8s मध्ये हे संसाधन प्रकार खालील एककांमध्ये मोजले जातात:

CPU - कोर मध्ये
रॅम - बाइट्समध्ये

शिवाय, प्रत्येक संसाधनासाठी दोन प्रकारच्या आवश्यकता सेट करणे शक्य आहे - विनंत्या и मर्यादा. विनंत्या - कंटेनर (आणि संपूर्ण पॉड) चालविण्यासाठी नोडच्या विनामूल्य संसाधनांच्या किमान आवश्यकतांचे वर्णन करते, तर मर्यादा कंटेनरसाठी उपलब्ध संसाधनांवर कठोर मर्यादा सेट करते.

हे समजून घेणे महत्त्वाचे आहे की मॅनिफेस्टला दोन्ही प्रकार स्पष्टपणे परिभाषित करण्याची गरज नाही, परंतु वर्तन खालीलप्रमाणे असेल:

जर केवळ संसाधनाच्या मर्यादा स्पष्टपणे निर्दिष्ट केल्या असतील, तर या संसाधनाच्या विनंत्या स्वयंचलितपणे मर्यादेच्या बरोबरीचे मूल्य घेतात (तुम्ही वर्णन संस्थांना कॉल करून हे सत्यापित करू शकता). त्या. किंबहुना, कंटेनर चालविण्यासाठी आवश्यक तेवढ्याच संसाधनांपुरते मर्यादित असेल.
जर संसाधनासाठी फक्त विनंत्या स्पष्टपणे निर्दिष्ट केल्या असतील, तर या संसाधनावर कोणतेही वरचे निर्बंध सेट केलेले नाहीत - म्हणजे कंटेनर केवळ नोडच्या संसाधनांद्वारे मर्यादित आहे.

संसाधन व्यवस्थापन केवळ विशिष्ट कंटेनरच्या स्तरावरच नव्हे तर खालील घटकांचा वापर करून नेमस्पेस स्तरावर देखील कॉन्फिगर करणे शक्य आहे:

मर्यादा श्रेणी — ns मधील कंटेनर/पॉड स्तरावरील प्रतिबंध धोरणाचे वर्णन करते आणि कंटेनर/पॉडवरील डिफॉल्ट मर्यादांचे वर्णन करण्यासाठी तसेच स्पष्टपणे चरबीयुक्त कंटेनर/शेंगा (किंवा त्याउलट) तयार होण्यास प्रतिबंध करण्यासाठी, त्यांची संख्या मर्यादित करण्यासाठी आवश्यक आहे. आणि मर्यादा आणि विनंत्यांमधील मूल्यांमधील संभाव्य फरक निर्धारित करा
संसाधन कोटा — ns मधील सर्व कंटेनर्ससाठी सर्वसाधारणपणे प्रतिबंध धोरणाचे वर्णन करा आणि नियम म्हणून, पर्यावरणांमध्ये संसाधने मर्यादित करण्यासाठी वापरले जाते (जेव्हा नोड स्तरावर वातावरण काटेकोरपणे सीमांकित केलेले नसते तेव्हा उपयुक्त)

खालील मॅनिफेस्टची उदाहरणे आहेत जी संसाधन मर्यादा सेट करतात:

विशिष्ट कंटेनर स्तरावर:
```
containers:
- name: app-nginx
  image: nginx
  resources:
    requests:
      memory: 1Gi
    limits:
      cpu: 200m
```
त्या. या प्रकरणात, nginx सह कंटेनर चालविण्यासाठी, तुम्हाला नोडवर किमान 1G विनामूल्य RAM आणि 0.2 CPU आवश्यक असेल, तर जास्तीत जास्त कंटेनर 0.2 CPU आणि नोडवरील सर्व उपलब्ध रॅम वापरू शकतो.
पूर्णांक स्तरावर ns:
```
apiVersion: v1
kind: ResourceQuota
metadata:
  name: nxs-test
spec:
  hard:
    requests.cpu: 300m
    requests.memory: 1Gi
    limits.cpu: 700m
    limits.memory: 2Gi
```
त्या. डीफॉल्ट ns मधील सर्व विनंती कंटेनरची बेरीज CPU साठी 300m आणि OP साठी 1G पेक्षा जास्त असू शकत नाही आणि सर्व मर्यादांची बेरीज CPU साठी 700m आणि OP साठी 2G आहे.
ns मधील कंटेनरसाठी डीफॉल्ट मर्यादा:
```
apiVersion: v1
kind: LimitRange
metadata:
  name: nxs-limit-per-container
spec:
 limits:
   - type: Container
     defaultRequest:
       cpu: 100m
       memory: 1Gi
     default:
       cpu: 1
       memory: 2Gi
     min:
       cpu: 50m
       memory: 500Mi
     max:
       cpu: 2
       memory: 4Gi
```
त्या. सर्व कंटेनरसाठी डिफॉल्ट नेमस्पेसमध्ये, विनंती CPU साठी 100m आणि OP साठी 1G वर सेट केली जाईल, मर्यादा - 1 CPU आणि 2G. त्याच वेळी, CPU (50m < x < 2) आणि RAM (500M < x < 4G) साठी विनंती/मर्यादेमधील संभाव्य मूल्यांवर मर्यादा देखील सेट केली आहे.
पॉड-स्तरीय निर्बंध एनएस:
```
apiVersion: v1
kind: LimitRange
metadata:
 name: nxs-limit-pod
spec:
 limits:
 - type: Pod
   max:
     cpu: 4
     memory: 1Gi
```
त्या. डीफॉल्ट एनएसमधील प्रत्येक पॉडसाठी 4 vCPU आणि 1G ची मर्यादा असेल.

आता मी तुम्हाला सांगू इच्छितो की हे निर्बंध सेट केल्याने आम्हाला कोणते फायदे मिळू शकतात.

नोड्स दरम्यान लोड बॅलेंसिंग यंत्रणा

तुम्हाला माहिती आहेच, k8s घटक नोड्समध्ये पॉड्सच्या वितरणासाठी जबाबदार आहे, जसे की शेड्यूलर, जे एका विशिष्ट अल्गोरिदमनुसार कार्य करते. लॉन्च करण्यासाठी इष्टतम नोड निवडताना हा अल्गोरिदम दोन टप्प्यांतून जातो:

फिल्टर
रेंजिंग

त्या. वर्णन केलेल्या धोरणानुसार, नोड्स सुरुवातीला निवडले जातात ज्यावर सेटवर आधारित पॉड लॉन्च करणे शक्य आहे predicates (पॉड चालविण्यासाठी नोडकडे पुरेशी संसाधने आहेत की नाही हे तपासण्यासह - PodFitsResources), आणि नंतर या प्रत्येक नोडसाठी, त्यानुसार अग्रक्रम पॉइंट्स दिले जातात (यासह, नोडमध्ये जितके अधिक विनामूल्य संसाधने असतील, तितके अधिक गुण नियुक्त केले जातील - LeastResourceAllocation/LeastRequestedPriority/BalancedResourceAllocation) आणि पॉड नोडवर सर्वाधिक गुणांसह लॉन्च केला जातो (जर अनेक नोड्स एकाच वेळी ही अट पूर्ण करत असतील, तर एक यादृच्छिक निवडला आहे).

त्याच वेळी, आपल्याला हे समजून घेणे आवश्यक आहे की शेड्यूलर, नोडच्या उपलब्ध स्त्रोतांचे मूल्यांकन करताना, etcd मध्ये संग्रहित केलेल्या डेटाद्वारे मार्गदर्शन केले जाते - म्हणजे. या नोडवर चालणाऱ्या प्रत्येक पॉडच्या विनंती केलेल्या/मर्यादा संसाधनाच्या रकमेसाठी, परंतु वास्तविक संसाधनाच्या वापरासाठी नाही. कमांड आउटपुटवरून ही माहिती मिळू शकते kubectl describe node $NODE, उदाहरणार्थ:

# kubectl describe nodes nxs-k8s-s1
..
Non-terminated Pods:         (9 in total)
  Namespace                  Name                                         CPU Requests  CPU Limits  Memory Requests  Memory Limits  AGE
  ---------                  ----                                         ------------  ----------  ---------------  -------------  ---
  ingress-nginx              nginx-ingress-controller-754b85bf44-qkt2t    0 (0%)        0 (0%)      0 (0%)           0 (0%)         233d
  kube-system                kube-flannel-26bl4                           150m (0%)     300m (1%)   64M (0%)         500M (1%)      233d
  kube-system                kube-proxy-exporter-cb629                    0 (0%)        0 (0%)      0 (0%)           0 (0%)         233d
  kube-system                kube-proxy-x9fsc                             0 (0%)        0 (0%)      0 (0%)           0 (0%)         233d
  kube-system                nginx-proxy-k8s-worker-s1                    25m (0%)      300m (1%)   32M (0%)         512M (1%)      233d
  nxs-monitoring             alertmanager-main-1                          100m (0%)     100m (0%)   425Mi (1%)       25Mi (0%)      233d
  nxs-logging                filebeat-lmsmp                               100m (0%)     0 (0%)      100Mi (0%)       200Mi (0%)     233d
  nxs-monitoring             node-exporter-v4gdq                          112m (0%)     122m (0%)   200Mi (0%)       220Mi (0%)     233d
Allocated resources:
  (Total limits may be over 100 percent, i.e., overcommitted.)
  Resource           Requests           Limits
  --------           --------           ------
  cpu                487m (3%)          822m (5%)
  memory             15856217600 (2%)  749976320 (3%)
  ephemeral-storage  0 (0%)             0 (0%)

येथे आपण एका विशिष्ट नोडवर चालणारे सर्व पॉड तसेच प्रत्येक पॉडची विनंती करणारी संसाधने पाहतो. आणि क्रोनजॉब-क्रॉन-इव्हेंट्स-1573793820-xt6q9 पॉड लाँच झाल्यावर शेड्यूलर लॉग कसे दिसतात ते येथे आहे (ज्यावेळी तुम्ही स्टार्टअप कमांड आर्ग्युमेंट्स -v=10 मध्ये 10वी लॉगिंग पातळी सेट करता तेव्हा ही माहिती शेड्यूलर लॉगमध्ये दिसून येईल):

लॉग

I1115 07:57:21.637791       1 scheduling_queue.go:908] About to try and schedule pod nxs-stage/cronjob-cron-events-1573793820-xt6q9                                                                                                                                           
I1115 07:57:21.637804       1 scheduler.go:453] Attempting to schedule pod: nxs-stage/cronjob-cron-events-1573793820-xt6q9                                                                                                                                                    
I1115 07:57:21.638285       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s5 is allowed, Node is running only 16 out of 110 Pods.                                                                               
I1115 07:57:21.638300       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s6 is allowed, Node is running only 20 out of 110 Pods.                                                                               
I1115 07:57:21.638322       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s3 is allowed, Node is running only 20 out of 110 Pods.                                                                               
I1115 07:57:21.638322       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s4 is allowed, Node is running only 17 out of 110 Pods.                                                                               
I1115 07:57:21.638334       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s10 is allowed, Node is running only 16 out of 110 Pods.                                                                              
I1115 07:57:21.638365       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s12 is allowed, Node is running only 9 out of 110 Pods.                                                                               
I1115 07:57:21.638334       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s11 is allowed, Node is running only 11 out of 110 Pods.                                                                              
I1115 07:57:21.638385       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s1 is allowed, Node is running only 19 out of 110 Pods.                                                                               
I1115 07:57:21.638402       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s2 is allowed, Node is running only 21 out of 110 Pods.                                                                               
I1115 07:57:21.638383       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s9 is allowed, Node is running only 16 out of 110 Pods.                                                                               
I1115 07:57:21.638335       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s8 is allowed, Node is running only 18 out of 110 Pods.                                                                               
I1115 07:57:21.638408       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s13 is allowed, Node is running only 8 out of 110 Pods.                                                                               
I1115 07:57:21.638478       1 predicates.go:1369] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s10 is allowed, existing pods anti-affinity terms satisfied.                                                                         
I1115 07:57:21.638505       1 predicates.go:1369] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s8 is allowed, existing pods anti-affinity terms satisfied.                                                                          
I1115 07:57:21.638577       1 predicates.go:1369] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s9 is allowed, existing pods anti-affinity terms satisfied.                                                                          
I1115 07:57:21.638583       1 predicates.go:829] Schedule Pod nxs-stage/cronjob-cron-events-1573793820-xt6q9 on Node nxs-k8s-s7 is allowed, Node is running only 25 out of 110 Pods.                                                                               
I1115 07:57:21.638932       1 resource_allocation.go:78] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s10: BalancedResourceAllocation, capacity 39900 millicores 66620178432 memory bytes, total request 2343 millicores 9640186880 memory bytes, score 9        
I1115 07:57:21.638946       1 resource_allocation.go:78] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s10: LeastResourceAllocation, capacity 39900 millicores 66620178432 memory bytes, total request 2343 millicores 9640186880 memory bytes, score 8           
I1115 07:57:21.638961       1 resource_allocation.go:78] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s9: BalancedResourceAllocation, capacity 39900 millicores 66620170240 memory bytes, total request 4107 millicores 11307422720 memory bytes, score 9        
I1115 07:57:21.638971       1 resource_allocation.go:78] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s8: BalancedResourceAllocation, capacity 39900 millicores 66620178432 memory bytes, total request 5847 millicores 24333637120 memory bytes, score 7        
I1115 07:57:21.638975       1 resource_allocation.go:78] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s9: LeastResourceAllocation, capacity 39900 millicores 66620170240 memory bytes, total request 4107 millicores 11307422720 memory bytes, score 8           
I1115 07:57:21.638990       1 resource_allocation.go:78] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s8: LeastResourceAllocation, capacity 39900 millicores 66620178432 memory bytes, total request 5847 millicores 24333637120 memory bytes, score 7           
I1115 07:57:21.639022       1 generic_scheduler.go:726] cronjob-cron-events-1573793820-xt6q9_nxs-stage -> nxs-k8s-s10: TaintTolerationPriority, Score: (10)                                                                                                        
I1115 07:57:21.639030       1 generic_scheduler.go:726] cronjob-cron-events-1573793820-xt6q9_nxs-stage -> nxs-k8s-s8: TaintTolerationPriority, Score: (10)                                                                                                         
I1115 07:57:21.639034       1 generic_scheduler.go:726] cronjob-cron-events-1573793820-xt6q9_nxs-stage -> nxs-k8s-s9: TaintTolerationPriority, Score: (10)                                                                                                         
I1115 07:57:21.639041       1 generic_scheduler.go:726] cronjob-cron-events-1573793820-xt6q9_nxs-stage -> nxs-k8s-s10: NodeAffinityPriority, Score: (0)                                                                                                            
I1115 07:57:21.639053       1 generic_scheduler.go:726] cronjob-cron-events-1573793820-xt6q9_nxs-stage -> nxs-k8s-s8: NodeAffinityPriority, Score: (0)                                                                                                             
I1115 07:57:21.639059       1 generic_scheduler.go:726] cronjob-cron-events-1573793820-xt6q9_nxs-stage -> nxs-k8s-s9: NodeAffinityPriority, Score: (0)                                                                                                             
I1115 07:57:21.639061       1 interpod_affinity.go:237] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s10: InterPodAffinityPriority, Score: (0)                                                                                                                   
I1115 07:57:21.639063       1 selector_spreading.go:146] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s10: SelectorSpreadPriority, Score: (10)                                                                                                                   
I1115 07:57:21.639073       1 interpod_affinity.go:237] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s8: InterPodAffinityPriority, Score: (0)                                                                                                                    
I1115 07:57:21.639077       1 selector_spreading.go:146] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s8: SelectorSpreadPriority, Score: (10)                                                                                                                    
I1115 07:57:21.639085       1 interpod_affinity.go:237] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s9: InterPodAffinityPriority, Score: (0)                                                                                                                    
I1115 07:57:21.639088       1 selector_spreading.go:146] cronjob-cron-events-1573793820-xt6q9 -> nxs-k8s-s9: SelectorSpreadPriority, Score: (10)                                                                                                                    
I1115 07:57:21.639103       1 generic_scheduler.go:726] cronjob-cron-events-1573793820-xt6q9_nxs-stage -> nxs-k8s-s10: SelectorSpreadPriority, Score: (10)                                                                                                         
I1115 07:57:21.639109       1 generic_scheduler.go:726] cronjob-cron-events-1573793820-xt6q9_nxs-stage -> nxs-k8s-s8: SelectorSpreadPriority, Score: (10)                                                                                                          
I1115 07:57:21.639114       1 generic_scheduler.go:726] cronjob-cron-events-1573793820-xt6q9_nxs-stage -> nxs-k8s-s9: SelectorSpreadPriority, Score: (10)                                                                                                          
I1115 07:57:21.639127       1 generic_scheduler.go:781] Host nxs-k8s-s10 => Score 100037                                                                                                                                                                            
I1115 07:57:21.639150       1 generic_scheduler.go:781] Host nxs-k8s-s8 => Score 100034                                                                                                                                                                             
I1115 07:57:21.639154       1 generic_scheduler.go:781] Host nxs-k8s-s9 => Score 100037                                                                                                                                                                             
I1115 07:57:21.639267       1 scheduler_binder.go:269] AssumePodVolumes for pod "nxs-stage/cronjob-cron-events-1573793820-xt6q9", node "nxs-k8s-s10"                                                                                                               
I1115 07:57:21.639286       1 scheduler_binder.go:279] AssumePodVolumes for pod "nxs-stage/cronjob-cron-events-1573793820-xt6q9", node "nxs-k8s-s10": all PVCs bound and nothing to do                                                                             
I1115 07:57:21.639333       1 factory.go:733] Attempting to bind cronjob-cron-events-1573793820-xt6q9 to nxs-k8s-s10

येथे आपण पाहतो की शेड्युलर सुरुवातीला फिल्टर करते आणि 3 नोड्सची सूची तयार करते ज्यावर ते लॉन्च केले जाऊ शकते (nxs-k8s-s8, nxs-k8s-s9, nxs-k8s-s10). मग ते सर्वात योग्य नोड निश्चित करण्यासाठी या प्रत्येक नोडसाठी अनेक पॅरामीटर्सवर आधारित गुणांची गणना करते (संतुलित संसाधन आवंटन, LeastResourceAllocation सह). शेवटी, पॉड सर्वाधिक पॉइंट्ससह नोडवर शेड्यूल केले जाते (येथे दोन नोड्समध्ये एकाच वेळी समान बिंदू 100037 असतात, म्हणून यादृच्छिक एक निवडला जातो - nxs-k8s-s10).

निष्कर्ष: जर एखादे नोड पॉड्स चालवत असेल ज्यासाठी कोणतेही निर्बंध सेट केलेले नाहीत, तर k8s साठी (संसाधन वापराच्या दृष्टिकोनातून) हे या नोडवर असे कोणतेही पॉड नसल्यासारखे असेल. म्हणूनच, जर तुमच्याकडे, सशर्त, खादाड प्रक्रियेसह पॉड असेल (उदाहरणार्थ, वॉवजा) आणि त्यासाठी कोणतेही निर्बंध सेट केलेले नाहीत, तर अशी परिस्थिती उद्भवू शकते जेव्हा या पॉडने नोडची सर्व संसाधने खरोखर खाल्ले, परंतु k8s साठी हा नोड अनलोड केलेले मानले जाते आणि त्यास समान गुण दिले जातील (उपलब्ध संसाधनांचे अचूक मूल्यांकन करताना) नोड ज्यामध्ये कार्यरत पॉड्स नसतात, ज्यामुळे शेवटी नोड्समधील लोडचे असमान वितरण होऊ शकते.

पॉड च्या बेदखल

तुम्हाला माहिती आहे की, प्रत्येक पॉडला 3 QoS वर्गांपैकी एक नियुक्त केला जातो:

हमी जेव्हा पॉडमधील प्रत्येक कंटेनरसाठी मेमरी आणि सीपीयूसाठी विनंती आणि मर्यादा निर्दिष्ट केली जाते तेव्हा नियुक्त केले जाते आणि ही मूल्ये जुळली पाहिजेत
फुटण्यायोग्य — पॉडमधील कमीत कमी एका कंटेनरमध्ये विनंती आणि मर्यादा असते, विनंती < मर्यादा
सर्वोत्तम प्रयत्न - जेव्हा पॉडमधील एकही कंटेनर संसाधन मर्यादित नसतो

त्याच वेळी, जेव्हा नोडला संसाधनांची (डिस्क, मेमरी) कमतरता जाणवते, तेव्हा कुबेलेट पॉड आणि त्याच्या QoS वर्गाची प्राथमिकता विचारात घेणाऱ्या विशिष्ट अल्गोरिदमनुसार पॉड्स रँक करण्यास आणि बाहेर काढण्यास सुरुवात करते. उदाहरणार्थ, जर आपण RAM बद्दल बोलत आहोत, तर QoS वर्गाच्या आधारे, खालील तत्त्वानुसार गुण दिले जातात:

हमी:-998
सर्वोत्तम प्रयत्न: 1000
फुटण्यायोग्य: किमान(कमाल(2, 1000 - (1000 * memoryRequestBytes) / machineMemoryCapacityBytes), 999)

त्या. त्याच प्राधान्याने, कुबेलेट नोडमधून सर्वोत्कृष्ट प्रयत्न QoS वर्गासह प्रथम पॉड्स बाहेर काढेल.

निष्कर्ष: जर तुम्हाला इच्छित पॉड नोडमधून बाहेर काढण्याची शक्यता कमी करायची असेल तर त्यावर संसाधनांच्या कमतरतेच्या प्रसंगी, प्राधान्यासह, तुम्हाला त्यासाठी विनंती/मर्यादा सेट करण्याची देखील काळजी घेणे आवश्यक आहे.

ऍप्लिकेशन पॉड्स (HPA) च्या क्षैतिज ऑटोस्केलिंगसाठी यंत्रणा

जेव्हा कार्य संसाधनांच्या वापरावर अवलंबून पॉड्सची संख्या स्वयंचलितपणे वाढवणे आणि कमी करणे (सिस्टम - CPU/RAM किंवा वापरकर्ता - rps) असते, तेव्हा k8s घटक एचपीए (क्षैतिज पॉड ऑटोस्केलर). ज्याचा अल्गोरिदम खालीलप्रमाणे आहे.

निरीक्षण केलेल्या संसाधनाचे वर्तमान वाचन निर्धारित केले जाते (वर्तमानमेट्रिक व्हॅल्यू)
संसाधनासाठी इच्छित मूल्ये निर्धारित केली जातात (desiredMetricValue), जी सिस्टम संसाधनांसाठी विनंती वापरून सेट केली जातात
प्रतिकृतींची वर्तमान संख्या निर्धारित केली जाते (वर्तमान प्रतिकृती)
खालील सूत्र प्रतिकृतींच्या इच्छित संख्येची गणना करते (इच्छित प्रतिकृती)
desiredReplicas = [ currentReplicas * (currentMetricValue / desiredMetricValue)]

या प्रकरणात, गुणांक (currentMetricValue / desiredMetricValue) 1 च्या जवळ असताना स्केलिंग होणार नाही (या प्रकरणात, आम्ही स्वतः परवानगीयोग्य त्रुटी सेट करू शकतो; डीफॉल्टनुसार ते 0.1 आहे).

ऍप-टेस्ट ऍप्लिकेशनचे (डिप्लॉयमेंट म्हणून वर्णन केलेले) उदाहरण वापरून एचपीए कसे कार्य करते ते पाहू या, जेथे CPU वापरावर अवलंबून प्रतिकृतींची संख्या बदलणे आवश्यक आहे:

अर्ज मॅनिफेस्ट
```
kind: Deployment
apiVersion: apps/v1beta2
metadata:
name: app-test
spec:
selector:
matchLabels:
app: app-test
replicas: 2
template:
metadata:
labels:
app: app-test
spec:
containers:
- name: nginx
image: registry.nixys.ru/generic-images/nginx
imagePullPolicy: Always
resources:
requests:
cpu: 60m
ports:
- name: http
containerPort: 80
- name: nginx-exporter
image: nginx/nginx-prometheus-exporter
resources:
requests:
cpu: 30m
ports:
- name: nginx-exporter
containerPort: 9113
args:
- -nginx.scrape-uri
- http://127.0.0.1:80/nginx-status
```
त्या. आम्ही पाहतो की ऍप्लिकेशन पॉड सुरुवातीला दोन उदाहरणांमध्ये लॉन्च केले गेले आहे, त्यापैकी प्रत्येकामध्ये दोन nginx आणि nginx-निर्यातक कंटेनर आहेत, ज्यापैकी प्रत्येकासाठी एक निर्दिष्ट विनंत्या CPU साठी.
HPA जाहीरनामा
```
apiVersion: autoscaling/v2beta2
kind: HorizontalPodAutoscaler
metadata:
name: app-test-hpa
spec:
maxReplicas: 10
minReplicas: 2
scaleTargetRef:
apiVersion: extensions/v1beta1
kind: Deployment
name: app-test
metrics:
- type: Resource
resource:
name: cpu
target:
type: Utilization
averageUtilization: 30
```
त्या. आम्ही एक एचपीए तयार केले आहे जे उपयोजन अॅप-चाचणीचे निरीक्षण करेल आणि सीपीयू निर्देशकावर आधारित ऍप्लिकेशनसह पॉड्सची संख्या समायोजित करेल (आम्ही अपेक्षा करतो की पॉडने विनंती केलेल्या CPU पैकी 30% वापरावे), प्रतिकृतींच्या संख्येसह 2-10 ची श्रेणी.

आता, आपण एखाद्या चूलीवर भार लावल्यास एचपीए ऑपरेशनची यंत्रणा पाहू:
```
 # kubectl top pod
NAME                                                   CPU(cores)   MEMORY(bytes)
app-test-78559f8f44-pgs58            101m         243Mi
app-test-78559f8f44-cj4jz            4m           240Mi
```

एकूण आमच्याकडे खालील गोष्टी आहेत:

इच्छित मूल्य (desiredMetricValue) - एचपीए सेटिंग्जनुसार, आमच्याकडे 30% आहे
वर्तमान मूल्य (currentMetricValue) - गणनेसाठी, नियंत्रक-व्यवस्थापक % मध्ये संसाधन वापराच्या सरासरी मूल्याची गणना करतो, म्हणजे सशर्त खालील गोष्टी करतात:
1. मेट्रिक सर्व्हरवरून पॉड मेट्रिक्सची परिपूर्ण मूल्ये प्राप्त करते, उदा. 101 मी आणि 4 मी
2. सरासरी निरपेक्ष मूल्याची गणना करते, उदा. (101 मी + 4 मी) / 2 = 53 मी
3. इच्छित संसाधनाच्या वापरासाठी परिपूर्ण मूल्य मिळते (यासाठी, सर्व कंटेनरच्या विनंत्या एकत्रित केल्या आहेत) 60m + 30m = 90m
4. विनंती पॉडशी संबंधित CPU वापराच्या सरासरी टक्केवारीची गणना करते, उदा. 53 मी / 90 मी * 100% = 59%

आता आम्हाला प्रतिकृतींची संख्या बदलायची आहे की नाही हे निर्धारित करण्यासाठी आमच्याकडे सर्व काही आहे; हे करण्यासाठी, आम्ही गुणांक काढतो:

ratio = 59% / 30% = 1.96

त्या. प्रतिकृतींची संख्या ~2 पटीने वाढवली पाहिजे आणि रक्कम [2 * 1.96] = 4 केली पाहिजे.

निष्कर्ष: जसे आपण पाहू शकता, ही यंत्रणा कार्य करण्यासाठी, एक आवश्यक अट म्हणजे निरीक्षण केलेल्या पॉडमधील सर्व कंटेनरच्या विनंतीची उपस्थिती.

नोड्सच्या क्षैतिज ऑटोस्केलिंगसाठी यंत्रणा (क्लस्टर ऑटोस्केलर)

लोड वाढीदरम्यान सिस्टमवरील नकारात्मक प्रभावांना तटस्थ करण्यासाठी, कॉन्फिगर केलेले एचपीए असणे पुरेसे नाही. उदाहरणार्थ, एचपीए कंट्रोलर मॅनेजरमधील सेटिंग्जनुसार, ते ठरवते की प्रतिकृतींची संख्या 2 पटीने वाढवणे आवश्यक आहे, परंतु अशा अनेक पॉड्स चालविण्यासाठी नोड्सकडे विनामूल्य संसाधने नाहीत (म्हणजे नोड प्रदान करू शकत नाही. रिक्वेस्ट पॉडवर रिक्वेस्ट रिसोर्सेस) आणि हे पॉड्स प्रलंबित स्थितीत स्विच करतात.

या प्रकरणात, प्रदात्याकडे संबंधित IaaS/PaaS असल्यास (उदाहरणार्थ, GKE/GCE, AKS, EKS, इ.), सारखे साधन नोड ऑटोस्केलर. हे तुम्हाला क्लस्टरमधील नोड्सची कमाल आणि किमान संख्या सेट करण्याची आणि क्लस्टर आणि पॉड्समध्ये संसाधनांची कमतरता असताना नोड्सची वर्तमान संख्या (नोड ऑर्डर करण्यासाठी/काढण्यासाठी क्लाउड प्रदाता API ला कॉल करून) स्वयंचलितपणे समायोजित करण्याची परवानगी देते. शेड्यूल केले जाऊ शकत नाही (प्रलंबित स्थितीत आहेत).

निष्कर्ष: नोड्स ऑटोस्केल करण्यात सक्षम होण्यासाठी, पॉड कंटेनरमध्ये विनंत्या सेट करणे आवश्यक आहे जेणेकरुन k8s नोड्सवरील लोडचे अचूक मूल्यांकन करू शकतील आणि त्यानुसार पुढील पॉड लाँच करण्यासाठी क्लस्टरमध्ये कोणतीही संसाधने नाहीत.

निष्कर्ष

हे लक्षात घ्यावे की अनुप्रयोग यशस्वीरीत्या चालवण्यासाठी कंटेनर संसाधन मर्यादा सेट करणे आवश्यक नाही, परंतु तरीही खालील कारणांसाठी असे करणे चांगले आहे:

k8s नोड्समधील लोड बॅलन्सिंगच्या दृष्टीने शेड्युलरच्या अधिक अचूक ऑपरेशनसाठी
"पॉड बेदखल" घटना घडण्याची शक्यता कमी करण्यासाठी
काम करण्यासाठी ऍप्लिकेशन पॉड्स (HPA) च्या क्षैतिज ऑटोस्केलिंगसाठी
क्लाउड प्रदात्यांसाठी नोड्सच्या क्षैतिज ऑटोस्केलिंगसाठी (क्लस्टर ऑटोस्केलिंग).

आमच्या ब्लॉगवरील इतर लेख देखील वाचा:

स्त्रोत: www.habr.com

कुबर्नेट्स: सिस्टम संसाधन व्यवस्थापन कॉन्फिगर करणे इतके महत्त्वाचे का आहे?