作者
王孝威，FinOps 认证从业者，腾讯云容器服务产品经理，热衷于为客户提供高效的 Kubernetes 使用方式，为客户极致降本增效服务。
余宇飞，FinOps 认证从业者，腾讯云专家工程师，从事云原生可观测性、资源管理、降本增效产品的开发。
资源利用率为何都如此之低？
虽然 Kubernetes 可以有效的提升业务编排能力和资源利用率，但如果没有额外的能力支撑，提升的能力十分有限，根据 TKE 团队之前统计的数据： Kubernetes 降本增效标准指南| 容器化计算资源利用率现象剖析，如下图所示：TKE 节点的资源平均利用率在 14% 左右。
![]()
为什么 Kubernetes 集群的资源利用率依旧不高？
这里一个很重要的原因是因为 Kubernetes 的资源调度逻辑，在创建 Kubernetes 工作负载的时候，通常需要为工作负载配置合适的资源 Request 和 Limit，表示对资源的占用和限制，其中对利用率影响最大的是 Request。
为防止自己的工作负载所用的资源被别的工作负载所占用，或者是为了应对高峰流量时的资源消耗诉求，用户一般都习惯将 Request 设置得较大，这样 Request 和实际使用之间的差值，就造成了浪费，而且这个差值的资源，是不能被其它工作负载所使用的。
Request 数值不合理的过大，是造成 Kubernetes 集群资源利用率低一个很普遍的现象。另外，每个节点的资源很难被充分分配，如下图所示，节点普遍会存在一些资源的碎片（Leftover），这些都是导致集群整理资源利用率不高的原因。
![]()
资源实际利用率到底有多低？
如何设置更合理的资源 Request，首先需要分析业务对资源的消耗情况。在腾讯云原生 Kubernetes 降本增效标准指南| 资源利用率提升工具大全资源常见浪费场景部分，有对单一的工作负载进行分析，工作负载设置的 Request 中至少有一半的资源没有被使用，而且这部分资源不能被其他的工作负载使用，浪费现象严重。 这时把视角上升到集群维度，下图是某一 TKE 集群的 CPU 分配率和使用率。
分配率是用所有容器对 CPU 的 Request 之和除以集群所有节点的 CPU 数量，使用率是所有容器对 CPU 的 Usage 之和除以集群所有节点的 CPU 数量：
![]()
可见集群整体的 CPU 分配率在60%左右，但 CPU 实际的利用率最高不超过 10%。可以理解成用户在云上花了一百元，实际上 90多元都被浪费掉了。
如何设置 Request？
提升资源利用率有很多种方法，详见 Kubernetes 降本增效标准指南| 资源利用率提升工具大全。本文主要探讨 Request 的设置。
既然设置了 Request 导致资源利用率如此之低，那是不是干脆不要设置 Request了，然后直接把集群的规模缩减到原来的十分之一，就可以解决上图中的问题？这确实看似是一种简单高效的方法，但存在几个较为严重的问题：
- Kubernetes 会自动配置 Pod 的服务质量 QoS，对于没有设置 Request 数值的 Pod，当资源比较紧张时，比较容易被驱逐，业务稳定性受到影响。
- 集群的整理资源实际上并不是一个完整的整体，集群是由很多节点构成的，实际的 CPU 和内存的资源都是节点的属性，每个节点的容量大小有上限，例如64核 CPU，对于比较大的业务来说，可能需要一个数千核乃至数万核的集群，这样集群里的节点数量就会变多，节点数量越多，每个节点的碎片资源越多，碎片资源都无法有效被利用。
- 业务本身可能会有较大波动，例如地铁系统白天繁忙、夜晚空闲，设置固定的 Request 数值必须按照峰值考虑，此时浪费现象依旧突出。
可以看出，Request 的设置对于运维开发来说一直是个很大难题，Request 设置过小容易导致业务运行时性能受到影响，设置过大势必造成浪费。
Request 智能推荐
是否存在一个有效的工具，能基于业务本身的特性自动推荐甚至设置 Request 数值？
这样无疑对开发运维来说极大的减轻了负担。为解决这样的问题，TKE 成本大师推出了 Request 智能推荐的工具。用户可以通过标准 Kubernetes API（例如：/apis/recommendation.tke.io/v1beta1/namespaces/kube-system/daemonsets/kube-proxy）访问相应的推荐值。
![]()
该功能启动后，Request 智能推荐的相关组件会从腾讯云监控（未来支持 Prometheus，InfluxDB，或第三方云厂商）拉取集群中所有 Deployment、DaemonSet、StatefulSet 在过去一段时间存在过的容器的 CPU 和 内存的监控指标，计算相应的 P99 值，再乘以一个安全系数（例如：1.15），当作推荐的 Request。
![]()
关于 Limit，Request 智能推荐功能推荐的 Limit ，以初始 Request 智能推荐功能设置的 Request 与 Limit 之比计算。例如初始设置的 CPU 的 Request 数值为 1000m，Limit 为 2000m，Request 与 Limit 之比为 1:2。若新推荐的 CPU 的 Request 数值为 500m，则会推荐 Limit 为 1000m。
更多关于 Request 智能推荐的使用请参考：Request 智能推荐产品文档。
Request 推荐参考应用的历史资源消耗峰值，给出一个相对「合理」并且「安全」的资源请求值，可以很大程度上缓解由于业务 Request 设置不合理导致的资源浪费或者业务不稳定。
例如在下面的集群中应用 Request 推荐，业务资源使用量在 10 核左右，但手工配置的 Request 是 60 核，实际上 Request 设置在 17 核就足够了，利用率从之前的 16.7%（=10/60） 左右 提升到 58.8%（=10/17），提升了 252%（=（58.8-16.7）/16.7），CPU 节省了 71.7%(=(60-17)/60)。
![]()
AHPA
当然 ，Request 智能推荐不是银弹，因为应用的资源消耗并不是一成不变的，大量的应用都存在潮汐现象，业务高峰和低谷所需要的资源存在着几倍甚至几十倍的差距。以高峰期资源需求为准设置的 Request，使得业务在空闲时段占有大量并不使用的资源，导致应用的平均资源利用率依然不高。此时，想要做进一步优化，就需要借助弹性伸缩的手段。
现阶段，HPA 是 Kubernetes 领域最常用的弹性工具，虽然 HPA 可以一定程度上解决周期性业务流量资源使用弹性的问题，但是 HPA 是有滞后性的。具体表现在：通常 HPA 需要先定义监控的指标，例如 CPU 利用率 60%，然后相关的监控组件监控到负载压力变大，触达了这个使用率的阈值，HPA 才会扩缩容副本数。
通过对大量运行在腾讯云上的内部和外部用户的实际应用的观察，我们发现许多业务的资源使用在时间序列上是具有周期性的，特别是对于那些直接或间接为“人”服务的业务。这种周期是由人们日常活动的规律性决定的。例如：
- 人们习惯于中午和晚上点外卖
- 早上和晚上是交通高峰期
- 即使对于没有明显模式的服务，如搜索，夜间的请求量也远低于白天
对于与此类相关的应用程序，从过去几天的历史数据中推断第二天的指标，或从上周一的数据推断下周一的访问流量是一个自然的想法。通过对未来的指标预测，可以更好地管理应用程序实例，稳定系统，同时降低成本。
CRANE 是 TKE 成本大师的技术底座，专注于通过多种技术，优化资源利用，进而降低用户的云上成本。 CRANE 中的 Predictor 模块可以自动识别出 Kubernetes 集群中应用的各种监控指标（例如 CPU 负载、内存占用、请求 QPS 等）的周期性，并给出未来一段时间的预测序列。在此基础上，我们开发了 AHPA（advanced-horizontal-pod-autoscaler)，它能够识别适合水平自动缩放的应用程序，制定缩放计划，并自动进行缩放操作。它利用了原生 HPA 机制，但它基于预测，并主动提前扩容应用程序，而不是被动地对监测指标做出反应。与原生 HPA 相比，AHPA 消除了手动配置和自动缩放滞后的问题，彻底解放运维。 主要有如下特点：
- 可靠性—-保证可伸缩性和可用性
- 响应能力——扩展快，快速应对高负载
- 资源效能——降低成本
下图是该项目的实际运行效果：
![]()
- 红线是工作负载的实际资源使用量
- 绿线是预测该工作负载的资源使用量
- 蓝线是给出的弹性推荐的资源使用量
CRANE 和 AHPA 即将开源，敬请期待。
更多关于云原生的成本优化原理和实际案例可参考《降本之源-云原生成本管理白皮书》，是腾讯基于内外云原生成本管理最佳实践，并结合行业优秀案例，提出的一套体系化的云原生成本优化方法论和最佳实践路径。旨在帮助企业改善用云成本，充分发挥云原生的效能和价值。
![]()
更多白皮书细节内容，在【腾讯云原生】公众号回复“白皮书”下载了解。
关于我们
更多关于云原生的案例和知识，可关注同名【腾讯云原生】公众号~
福利：
①公众号后台回复【手册】，可获得《腾讯云原生路线图手册》&《腾讯云原生最佳实践》~
②公众号后台回复【系列】，可获得《15个系列100+篇超实用云原生原创干货合集》，包含Kubernetes 降本增效、K8s 性能优化实践、最佳实践等系列。
③公众号后台回复【白皮书】，可获得《腾讯云容器安全白皮书》&《降本之源-云原生成本管理白皮书v1.0》
【腾讯云原生】云说新品、云研新术、云游新活、云赏资讯，扫码关注同名公众号，及时获取更多干货！！ ![]()
