容器与云原生 / 系统课时
用 Off 模式评估资源建议
用 Off 模式评估资源建议
直接让 VPA 自动改资源,容易把“推荐是否合理”和“更新是否安全”混在一起。Off 模式只计算、不应用,非常适合先观察 CPU、内存建议,再用 target、lowerBound、upperBound 判断当前 requests 是否长期偏高或偏低。
学习目标
- 创建不会自动修改 Pod 的
Off模式 VPA - 正确读取每个容器的
target、lowerBound与upperBound - 根据建议区间评估现有 CPU、内存
requests
先确认 Off 模式的边界
updateMode: "Off" 不会把建议自动写入现有或新建 Pod,但 Recommender 仍会持续计算并把结果放进 VPA 的 status.recommendation。因此它适合做容量校准的观察阶段:先验证建议是否稳定,再决定手工修改工作负载模板,或切换到允许自动更新的模式。
刚创建 VPA 时可能暂时没有 recommendation。推荐依赖实际资源样本,短时间样本、刚发布的工作负载或尚未覆盖业务峰谷的观察窗口,都不适合立即下结论。
建立一个可比较的样本
下面的实验故意给容器较高的初始请求,以便练习“当前请求与建议区间对比”。前提是集群已安装 VPA 且 metrics.k8s.io 正常。把配置保存为 vpa-off.yaml。
apiVersion: v1
kind: Namespace
metadata:
name: vpa-off-lab
---
apiVersion: apps/v1
kind: Deployment
metadata:
name: resource-demo
namespace: vpa-off-lab
spec:
replicas: 2
selector:
matchLabels:
app: resource-demo
template:
metadata:
labels:
app: resource-demo
spec:
containers:
- name: app
image: registry.k8s.io/pause:3.10
resources:
requests:
cpu: 500m
memory: 512Mi
limits:
cpu: "1"
memory: 1Gi
---
apiVersion: autoscaling.k8s.io/v1
kind: VerticalPodAutoscaler
metadata:
name: resource-demo
namespace: vpa-off-lab
spec:
targetRef:
apiVersion: apps/v1
kind: Deployment
name: resource-demo
updatePolicy:
updateMode: "Off"应用后等待 VPA 提供推荐:
kubectl apply -f vpa-off.yaml
kubectl -n vpa-off-lab wait --for=condition=RecommendationProvided vpa/resource-demo --timeout=5m预期输出:
namespace/vpa-off-lab created
deployment.apps/resource-demo created
verticalpodautoscaler.autoscaling.k8s.io/resource-demo created
verticalpodautoscaler.autoscaling.k8s.io/resource-demo condition met如果复用已有实验环境,created 可能变成 configured 或 unchanged;关键验收点是 RecommendationProvided 条件最终为 True。
读取三组推荐值
先读工作负载模板中的当前请求,再读 VPA 推荐。对多容器 Pod 必须按 containerName 对齐,不能只看数组中的第一个元素。
kubectl -n vpa-off-lab get deploy resource-demo -o jsonpath='{range .spec.template.spec.containers[*]}container={.name} request.cpu={.resources.requests.cpu} request.memory={.resources.requests.memory}{"\n"}{end}'
kubectl -n vpa-off-lab get vpa resource-demo -o jsonpath='{range .status.recommendation.containerRecommendations[*]}container={.containerName}{"\n"}target.cpu={.target.cpu} target.memory={.target.memory}{"\n"}lower.cpu={.lowerBound.cpu} lower.memory={.lowerBound.memory}{"\n"}upper.cpu={.upperBound.cpu} upper.memory={.upperBound.memory}{"\n"}{end}'预期输出:
container=app request.cpu=500m request.memory=512Mi
container=app
target.cpu=<CPU_TARGET> target.memory=<MEM_TARGET>
lower.cpu=<CPU_LOWER> lower.memory=<MEM_LOWER>
upper.cpu=<CPU_UPPER> upper.memory=<MEM_UPPER>target 是当前推荐的资源请求;lowerBound 表示再低下去更可能影响性能或可用性的下界信号;upperBound 表示继续高于该值通常更可能造成资源浪费。它们不是 CPU 使用率阈值,也不是容器的 limits。如果配置了 minAllowed、maxAllowed 等资源策略,target、上下界还会受到这些约束。
用区间判断请求是否偏离
CPU 与内存要分别判断,因为同一个容器可能 CPU 过度申请、内存却不足。
| 当前 request 与建议的关系 | 解释 | 处理方向 |
|---|---|---|
request < lowerBound |
请求明显偏低的信号 | 检查限流、延迟、OOM 等现象,优先评估上调 |
lowerBound <= request <= upperBound |
仍在建议区间内 | 结合 target 与业务峰谷观察,不必因一次偏差立刻修改 |
request > upperBound |
请求明显偏高的信号 | 评估下调空间,释放调度容量 |
例如某容器 CPU 当前为 500m,而稳定观察到 target=200m、lowerBound=150m、upperBound=350m,则 500m > 350m,属于过度申请信号;若内存当前为 256Mi,而 lowerBound=320Mi,则内存又属于不足信号。不要把两个资源合并成一个“总体结论”。
Off 模式的价值在于把“评估”与“执行”分开:当建议在代表性业务周期内持续稳定,且当前请求反复落在区间之外,再决定手工调整模板或启用自动更新,能显著降低错误缩容和意外重启的风险。