容器与云原生 / 系统课时
校准 requests 与 limits
校准 requests 与 limits
资源声明不是“给容器填两个数字”,而是同时影响调度、QoS、HPA 与节点容量判断。本节用一个可验证示例说明如何把真实使用量映射成合理的 requests 与 limits,并识别声明过高、过低时造成的弹性误判。
学习目标
- 区分 requests 与 limits 在调度、运行时和 HPA 中的职责
- 判断资源声明失真如何改变 QoS、Pod 密度与伸缩触发点
- 用实际资源使用数据校准声明,并完成结果验证
先分清四个影响面
requests 首先是调度承诺:调度器按 Pod 的资源请求判断节点能否容纳它,而不是按当时的瞬时 CPU、内存使用量排布。对基于 Resource 且目标类型为 Utilization 的 HPA,CPU 或内存利用率也会以相应 request 为基准计算。
limits 主要约束运行时上限。CPU 达到 limit 时通常表现为节流;内存触碰上限时可能触发 OOM。limit 不会替代 request 解决调度容量问题,也不应被当成 HPA 利用率目标的分母。
在常见的容器级资源声明下,CPU 和内存的 request 与 limit 是否设置、是否相等,还会影响 Pod 的 Guaranteed、Burstable、BestEffort QoS 分类。因此一次“只改 CPU request”的调整,可能同时改变调度密度、HPA 读数和资源压力下的行为。

资源声明失真会怎样
| 情况 | 调度与节点容量 | HPA 利用率 | 运行时风险 |
|---|---|---|---|
| request 过高 | Pod 密度偏低,节点更早表现为“放不下” | 同样使用量对应的利用率偏低,可能扩容偏晚 | 资源可能长期被高估 |
| request 过低 | 调度器可能把过多 Pod 压到同一节点 | 同样使用量对应的利用率偏高,可能扩容偏早 | 峰值时更容易形成节点争用 |
| limit 过低 | 通常不直接增加可调度空间 | 不直接改变 Utilization 型 HPA 的 request 分母 | CPU 更易节流,内存更易 OOM |
| limit 过高或不设 | 仍由 request 决定调度承诺 | 不直接改变 request 分母 | 需要依赖节点余量、QoS 与租户隔离策略控制争用 |
例如容器当前 CPU 使用量为 120m:request 为 200m 时,利用率是 60%;若仅把 request 改成 400m,同样的 120m 会变成 30%。因此修改 request 前必须确认 HPA 目标是否也需要重新校准。
用一个工作负载验证影响
下面创建一个 Deployment,并用 CPU averageUtilization: 60 的 HPA 观察 request 与伸缩目标之间的关系。示例要求集群已配置 kubectl;执行 kubectl top 还要求资源指标链路可用。
kubectl apply -f - <<'YAML'
apiVersion: v1
kind: List
items:
- apiVersion: v1
kind: Namespace
metadata:
name: capacity-lab
- apiVersion: apps/v1
kind: Deployment
metadata:
name: resource-demo
namespace: capacity-lab
spec:
replicas: 2
selector:
matchLabels:
app: resource-demo
template:
metadata:
labels:
app: resource-demo
spec:
containers:
- name: web
image: registry.k8s.io/hpa-example
ports:
- containerPort: 80
resources:
requests:
cpu: 200m
memory: 128Mi
limits:
cpu: 500m
memory: 256Mi
- apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
name: resource-demo
namespace: capacity-lab
spec:
scaleTargetRef:
apiVersion: apps/v1
kind: Deployment
name: resource-demo
minReplicas: 2
maxReplicas: 10
metrics:
- type: Resource
resource:
name: cpu
target:
type: Utilization
averageUtilization: 60
YAML预期输出
namespace/capacity-lab created
deployment.apps/resource-demo created
horizontalpodautoscaler.autoscaling/resource-demo created若资源已存在,created 可能变为 configured 或 unchanged。继续读取 QoS、HPA 目标和当前资源使用量:
kubectl -n capacity-lab get pod -l app=resource-demo -o custom-columns=NAME:.metadata.name,QOS:.status.qosClass
kubectl -n capacity-lab get hpa resource-demo -o jsonpath='{.spec.metrics[0].resource.target.averageUtilization}'; echo
kubectl -n capacity-lab top pod -l app=resource-demo预期输出
NAME QOS
resource-demo-<ID> Burstable
resource-demo-<ID> Burstable
60
NAME CPU(cores) MEMORY(bytes)
resource-demo-<ID> <VALUE>m <VALUE>Mi
resource-demo-<ID> <VALUE>m <VALUE>MiPod 名称和资源值会随集群变化。这里是 Burstable,因为 CPU、内存的 request 与 limit 并不相等;若 kubectl top 暂无数据,应先检查资源指标链路,而不是据此判断 request 配错。
用数据校准而不是凭感觉
校准时先收集覆盖正常流量、周期峰值和发布后的真实数据。CPU 要同时看持续占用和突发,内存要关注工作集、峰值以及 OOM 记录;只看一次 kubectl top 快照不足以形成生产配置。
request 应接近工作负载稳定运行所需的真实基线,并保留与业务波动相匹配的余量。过高会浪费调度空间,过低会让节点被过度装箱,并放大 Utilization 型 HPA 的百分比。调整后应同时检查 Pod 使用量、HPA 目标、节点已请求资源和 Pending Pod。
limit 则根据故障边界单独决定。内存 limit 通常用于阻止单个容器无限扩张,但要给正常峰值留空间;CPU limit 能限制邻居干扰,也可能给延迟敏感服务带来节流。是否设置 CPU limit,应结合多租户隔离要求和延迟目标,而不是机械套用固定倍数。
最终验收不是“request 更接近平均值”,而是高峰下 Pod 能稳定运行、HPA 的利用率与预期一致、节点仍保有可调度余量,并且不会因为资源声明失真制造不必要的 Pending、节流或 OOM。