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。

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:

bash
kubectl apply -f vpa-off.yaml
kubectl -n vpa-off-lab wait --for=condition=RecommendationProvided vpa/resource-demo --timeout=5m

预期输出:

text
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。

bash
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:

text
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。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

用 Off 模式评估资源建议

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通