En esta página, se explica cómo puedes analizar y optimizar la asignación de recursos para mejorar la eficiencia de tu carga de trabajo en Google Kubernetes Engine (GKE) con el ajuste de escala automático vertical de Pods. Si analizas el uso de recursos de tu carga de trabajo a lo largo del tiempo, puedes obtener recomendaciones de optimización y ajustar automáticamente las solicitudes y los límites de CPU y memoria para los contenedores dentro de los Pods.
En esta página, aprenderás cómo funciona el ajuste de escala automático vertical de Pods, sus beneficios y limitaciones, las prácticas recomendadas para usarlo y accederás a las referencias de la API para el recurso personalizado VerticalPodAutoscaler y los tipos relacionados.
Esta página está dirigida a operadores y desarrolladores que aprovisionan y configuran recursos de la nube, implementan cargas de trabajo y administran el ajuste de escala de las aplicaciones. Para obtener más información sobre los roles comunes, consulta Roles y tareas comunes de los usuarios de GKE.
Antes de leer esta página, asegúrate de estar familiarizado con las solicitudes y los límites de recursos en Kubernetes.
Para necesidades de escalamiento rápido en respuesta a un uso repentino de recursos, usa el escalador automático de Pods horizontal.
Si deseas obtener prácticas recomendadas sobre el ajuste de escala automático, consulta Prácticas recomendadas para ejecutar aplicaciones de Kubernetes con optimización de costos en GKE.
Por qué usar el ajuste de escala automático vertical de Pods
El ajuste de escala automático vertical de Pods proporciona los siguientes beneficios:
- Configurar los requisitos y límites de recursos correctos para las cargas de trabajo mejora la estabilidad y la rentabilidad. Si los tamaños de recursos de tu Pod son más pequeños de lo que requieren tus cargas de trabajo, tu aplicación puede verse limitada o puede fallar debido a errores por memoria insuficiente. Si los recursos son demasiado grandes, tendrás desperdicio y, por lo tanto, facturas más grandes.
- Los nodos de clúster se usan de manera eficiente, porque los Pods usan exactamente los recursos que necesitan.
- Los pods se programan en nodos que tienen los recursos adecuados disponibles.
- No es necesario que ejecutes tareas comparativas que requieren mucho tiempo para determinar los valores correctos de requisitos de CPU y memoria.
- Puedes reducir el tiempo de mantenimiento, ya que el escalador automático puede ajustar las solicitudes de CPU y memoria con el tiempo sin que tengas que realizar ninguna acción.
- El ajuste de escala automático vertical de Pods funciona mejor con cargas de trabajo homogéneas de larga duración.
El ajuste de escala automático vertical de Pods de GKE proporciona los siguientes beneficios en el escalador automático de código abierto de Kubernetes:
- Ten en cuenta el tamaño máximo de los nodos y las cuotas de los recursos para determinar el objetivo de recomendación.
- Notifica al escalador automático del clúster para ajustar su capacidad.
- Usa datos históricos, incluidas las métricas recopiladas antes de que habilitaras el VerticalPodAutoscaler.
- Ejecuta pods de VerticalPodAutoscaler como procesos del plano de control, en lugar de como implementaciones en tus nodos trabajadores.
Cómo funciona el ajuste de escala automático vertical de Pods
El ajuste de escala automático vertical de Pods te permite analizar y configurar los recursos de CPU y memoria que requieren los Pods. En lugar de tener que configurar solicitudes y límites de CPU y solicitudes y límites de memoria actualizados para los contenedores de tu Pods, puedes configurar el ajuste de escala automático vertical de Pods a fin de proporcionar valores recomendados para las solicitudes de CPU y memoria, junto con límites que puedes usar a fin de actualizar de forma manual tus Pods. También puedes configurar el ajuste de escala automático vertical de Pods con el fin de actualizar los valores de forma automática.
El ajuste de escala automático vertical de Pods está habilitado de forma predeterminada en clústeres de Autopilot.
Relación con el VerticalPodAutoscaler de código abierto de Kubernetes
El ajuste de escala automático vertical de Pods de GKE se basa en la API de VerticalPodAutoscaler de Kubernetes de código abierto, pero es una implementación independiente que es exclusiva de GKE. La implementación de GKE está diseñada para escalar con su propio recomendador, pero mantiene los mismos tipos y campos de la API de VerticalPodAutoscaler que se definen en la versión de código abierto.
Para obtener más información, consulta la documentación de Kubernetes sobre el ajuste de escala automático vertical de Pods.
Modos del ajuste de escala automático vertical de Pods
Puedes configurar cómo el ajuste de escala automático vertical de Pods aplica los cambios de recursos con diferentes modos de actualización.
Modo Auto (Recreate)
En el modo Recreate, el ajuste de escala automático vertical de Pods expulsa un Pod si necesita cambiar sus solicitudes de recursos. El desalojo es necesario porque, debido a las limitaciones de Kubernetes en versiones anteriores a la 1.33, la única manera de modificar las solicitudes de recursos de un Pod en ejecución es volver a crearlo.
Para limitar la cantidad de recreaciones de Pods, usa un presupuesto de interrupción de Pods . Para asegurarte de que tu clúster pueda controlar los tamaños nuevos de las cargas de trabajo, usa el escalador automático de clústeres y el aprovisionamiento automático de nodos.
El ajuste de escala automático vertical de Pods notifica al escalador automático de clústeres antes de la actualización y proporciona los recursos necesarios para el nuevo tamaño de la carga de trabajo antes de volver a crearla, a fin de minimizar el tiempo de interrupción.
Modo Initial
Con Initial habilitado, el ajuste de escala automático vertical de Pods solo asigna solicitudes de recursos en la creación del Pod y nunca las cambia más adelante.
Modo InPlaceOrRecreate
El modo InPlaceOrRecreate tiene como objetivo reducir las interrupciones del servicio intentando actualizar los recursos del Pod sin volver a crearlo.
Para usar el modo InPlaceOrRecreate, establece el campo spec.updatePolicy.updateMode en "InPlaceOrRecreate" en tu objeto VerticalPodAutoscaler. Este modo se basa en el campo resizePolicy definido en el manifiesto de la carga de trabajo para determinar si un cambio de recurso requiere un reinicio. Si no se define el campo resizePolicy, el valor predeterminado es NotRequired para la CPU y la memoria, lo que significa que se intentarán actualizaciones in situ.
Si un contenedor finaliza debido a un evento de OOM (falta de memoria), el ajuste de escala automático vertical de Pods en el modo InPlaceOrRecreate actúa de manera similar al modo Auto: aprende del error. Cuando se vuelve a crear el Pod después de la falla, el ajuste de escala automático vertical de Pods aplica una recomendación que incluye un búfer de seguridad (por lo general, un 20% de memoria adicional o 100 MB, lo que sea mayor) para evitar la repetición inmediata del error de OOM.
El modo InPlaceOrRecreate está disponible en la versión 1.34.0-gke.2201000 y posteriores de Kubernetes.
Situaciones de resguardo para el modo InPlaceOrRecreate
Si el ajuste de escala automático vertical de Pods determina que no es posible realizar una actualización in situ, recurre al comportamiento del modo Recreate, que expulsa y vuelve a crear el Pod para aplicar los cambios. Estos son algunos casos comunes en los que el ajuste de escala automático vertical de Pods recurre a la recreación:
- Capacidad de nodo insuficiente: La solicitud de recursos actualizada supera la capacidad asignable del nodo actual, y la actualización no se puede programar en el lugar (estado "inviable" o "diferido" durante más tiempo del tiempo de espera).
- Cambio de clase de QoS: La actualización del recurso cambiaría la clase de Calidad de servicio (QoS) del Pod, por ejemplo, de
BurstableaGuaranteed. - Política de
RestartContainer: El camporesizePolicydel Pod se establece enRestartContainerpara un recurso que el ajuste de escala automático vertical de Pods intenta cambiar. - Tiempos de espera agotados: Una solicitud de actualización in situ permanece en estado pendiente durante demasiado tiempo.
Modo Off
En el modo Off, el ajuste de escala automático vertical de Pods no aplica ningún cambio a un Pod de forma automática.
Aun así, puedes ver los valores recomendados para las solicitudes y los límites de la CPU y la memoria según el uso histórico, pero estas recomendaciones no se aplican automáticamente. Si es necesario, puedes aplicar manualmente los valores recomendados a tus Pods.
Políticas de recursos
Puedes usar ContainerResourcePolicy para personalizar la forma en que el ajuste de escala automático vertical de Pods genera recomendaciones para contenedores específicos. Esta política te permite establecer restricciones y controlar qué recursos se ajustan.
Límites mínimos y máximos
Puedes especificar los valores de recursos mínimos (minAllowed) y máximos (maxAllowed) para un contenedor.
minAllowed: El ajuste de escala automático vertical de Pods no recomendará un valor inferior a este límite. Este límite es útil para garantizar un nivel de rendimiento básico o cumplir con los requisitos específicos de la aplicación.maxAllowed: El ajuste de escala automático vertical de Pods no recomendará un valor superior a este límite. Este límite es útil para controlar los costos o evitar que un solo contenedor consuma demasiados recursos del nodo.
Recursos controlados
De forma predeterminada, el ajuste de escala automático vertical de Pods calcula recomendaciones para la CPU y la memoria. Puedes usar el campo controlledResources para especificar qué recursos se deben ajustar automáticamente. Por ejemplo, puedes configurar el escalador automático para que proporcione recomendaciones solo para la memoria y deje sin cambios las solicitudes de CPU.
Limitaciones
- Para usar el ajuste de escala automático vertical de Pods con ajuste de escala automático horizontal de Pods, usa el Ajuste de escala automático multidimensional de Pods. También puedes usar el ajuste de escala automático vertical de Pods con ajuste de escala automático horizontal de Pods en métricas personalizadas y externas.
- El ajuste de escala automático vertical Pods aún no está listo para usarse con cargas de trabajo basadas en JVM debido a la visibilidad limitada del uso de memoria real de la carga de trabajo.
- El Ajuste de escala automático vertical de Pods tiene una configuración predeterminada de dos réplicas mínimas para que los Deployments reemplacen a los Pods con valores de recursos revisados. En la versión 1.22 de GKE y las versiones posteriores, puedes anular este parámetro de configuración si especificas un valor para el campo
minReplicasen el campo PodUpdatePolicy. - Si usas el modo de actualización
InPlaceOrRecreatedel ajuste de escala automático vertical de Pods y no es posible realizar una actualización in situ (por ejemplo, cuando se aumenta la escala del Pod más allá de la capacidad del nodo), el ajuste de escala automático vertical de Pods expulsa y vuelve a crear el Pod para aplicar la recomendación. La expulsión y la recreación se producen incluso en los Pods que tienen un camporesizePolicyestablecido en su especificación para evitar la recreación. Este comportamiento se produce para las solicitudes de cambio de tamaño de Autopilot, incluso cuando se aplican restricciones de recursos mínimos y de proporción de CPU:memoria. - El ajuste de escala automático vertical de Pods requiere un objeto de carga de trabajo que administre los Pods, como Deployment, StatefulSet, ReplicaSet o ReplicationControllers. No puedes usar el ajuste de escala automático vertical de Pods con Pods independientes porque se requiere un controlador de carga de trabajo para administrar el proceso de recreación de Pods.
Prácticas recomendadas
- Limita la cantidad de objetos
VerticalPodAutoscaler. Para evitar interrupciones de la actualización del clúster, te recomendamos mantener la cantidad de objetosVerticalPodAutoscalerpor clúster por debajo de 1,000. - El ajuste de escala automático vertical de Pods funciona mejor con cargas de trabajo homogéneas de larga duración.
- De larga duración: Cargas de trabajo que se ejecutan durante al menos 24 horas. El ajuste de escala automático vertical de Pods requiere una cantidad significativa de datos históricos para generar recomendaciones con un alto nivel de confianza. En el modo
AutooRecreate, las actualizaciones suelen ocurrir después de que un Pod tiene al menos 24 horas, lo que ayuda a evitar los reinicios frecuentes de Pods y la rotación. - Homogéneos: Los Pods segmentados por un solo objeto
VerticalPodAutoscaler(como todas las réplicas en una Deployment) deben mostrar patrones de consumo de recursos similares. El ajuste de escala automático vertical de Pods genera recomendaciones agregando datos de uso en todos los Pods objetivo. Si tus réplicas tienen un uso heterogéneo (por ejemplo, algunos Pods están inactivos y otros están muy cargados), el escalador automático vertical de Pods puede proporcionar una recomendación que aprovisione en exceso los Pods inactivos o que aprovisione de forma insuficiente los Pods ocupados.
- De larga duración: Cargas de trabajo que se ejecutan durante al menos 24 horas. El ajuste de escala automático vertical de Pods requiere una cantidad significativa de datos históricos para generar recomendaciones con un alto nivel de confianza. En el modo
- Usa el ajuste de escala automático horizontal de Pods para cargas de trabajo con picos repentinos en la demanda. El ajuste de escala automático vertical de Pods está diseñado para el ajuste de tamaño adecuado en estado estable y no es una solución para los picos repentinos y de corta duración en el uso de recursos. Para las cargas de trabajo con fluctuaciones rápidas en el tráfico o la demanda de CPU o memoria, usa el ajuste de escala automático horizontal de Pods.
- Aprovecha la protección contra errores de memoria. Si bien el escalador automático vertical de Pods es reactivo, incluye protección automática contra eventos de memoria insuficiente (OOM). Si un Pod es
OOMKilled, el escalador automático vertical de Pods observa de inmediato el evento y aumenta la recomendación de memoria en aproximadamente un 20% (o 100 MB, lo que sea mayor) para mejorar la estabilidad cuando se vuelve a crear el Pod. Para obtener más información sobre los eventos de OOM, consulta Soluciona problemas relacionados con eventos de OOM.
Referencia de la API
Esta es la referencia de la API de v1. Recomendamos enfáticamente usar esta versión de la API.
VerticalPodAutoscaler v1 autoscaling.k8s.io
| Campos | |
|---|---|
|
Grupo de API, versión y tipo |
metadata |
Metadatos de objeto estándar |
spec |
Es el comportamiento de |
status |
El estado más reciente del |
VerticalPodAutoscalerSpec v1 autoscaling.k8s.io
| Campos | |
|---|---|
targetRef |
Referencia al controlador que administra el conjunto de Pods que el escalador automático debe controlar, por ejemplo, un objeto Deployment o StatefulSet.
Puedes apuntar un |
updatePolicy |
Especifica si se aplican las actualizaciones recomendadas cuando se inicia un pod, y si las actualizaciones recomendadas se aplican durante la vida útil del pod. |
resourcePolicy |
Especifica las políticas sobre cómo se ajustan los requisitos de CPU y memoria para los contenedores individuales. La política de recursos se puede usar para establecer restricciones en las recomendaciones de contenedores individuales. Si no se especifica, el escalador automático procesa los recursos recomendados para todos los contenedores en el Pod, sin restricciones adicionales. |
recommenders |
Es el recomendador responsable de generar recomendaciones para este objeto del VPA. Deja el campo en blanco para usar el recomendador predeterminado que proporciona GKE. De lo contrario, la lista puede contener exactamente una entrada para un recomendador alternativo proporcionado por el usuario. Compatible desde GKE 1.22. |
VerticalPodAutoscalerList v1 autoscaling.k8s.io
| Campos | |
|---|---|
|
Grupo de API, versión y tipo |
metadata |
Metadatos de objeto estándar |
items |
Una lista de objetos |
PodUpdatePolicy v1 autoscaling.k8s.io
| Campos | |
|---|---|
updateMode |
Especifica si se aplican las actualizaciones recomendadas cuando se inicia un pod, y si las actualizaciones recomendadas se aplican durante la vida útil del pod. Los valores posibles son los siguientes:
|
minReplicas |
Es la cantidad mínima de réplicas que deben estar activas para intentar la expulsión del Pod (pendiente de otras verificaciones, como el presupuesto de interrupción del Pod).
Solo se permiten valores positivos. La configuración predeterminada es |
PodResourcePolicy v1 autoscaling.k8s.io
| Campos | |
|---|---|
containerPolicies |
Un arreglo de políticas de recursos para contenedores individuales Puede haber, como máximo, una entrada para cada contenedor con nombre y, opcionalmente, una entrada de comodín única con “containerName = "*"”, que maneje todos los contenedores que no tienen políticas individuales. |
ContainerResourcePolicy v1 autoscaling.k8s.io
| Campos | |
|---|---|
containerName |
El nombre del contenedor al cual se aplica la política. Si no se especifica, la política se usa como política predeterminada. |
mode |
Especifica si se aplican las actualizaciones recomendadas cuando se inicia un contenedor, y si las actualizaciones recomendadas se aplican durante la vida útil del contenedor. Los valores posibles son “Apagado” o “Auto”. El valor predeterminado es "Auto" si no especificas un valor. |
minAllowed |
Especifica los requisitos de CPU y memoria mínimos que se permiten para el contenedor. De forma predeterminada, no hay un valor mínimo aplicado. |
maxAllowed |
Especifica los requisitos de CPU y memoria máximos permitidos para el contenedor. De forma predeterminada, no hay un valor máximo aplicado. |
ControlledResources |
Especifica el tipo de recomendaciones que procesará (y que probablemente aplicará) el |
VerticalPodAutoscalerRecommenderSelector v1 autoscaling.k8s.io
| Campos | |
|---|---|
name |
Nombre del recomendador responsable de generar recomendaciones para este objeto. |
VerticalPodAutoscalerStatus v1 autoscaling.k8s.io
| Campos | |
|---|---|
recommendation |
Los requisitos de CPU y memoria recomendados más recientes |
conditions |
Describe el estado actual del |
RecommendedPodResources v1 autoscaling.k8s.io
| Campos | |
|---|---|
containerRecommendation |
Un arreglo de recomendaciones de recursos para contenedores individuales |
RecommendedContainerResources v1 autoscaling.k8s.io
| Campos | |
|---|---|
containerName |
El nombre del contenedor al cual se aplica la recomendación. |
target |
Los requisitos de CPU y memoria recomendados para el contenedor. |
lowerBound |
Los requisitos de CPU y memoria mínimos recomendados para el contenedor. No se garantiza que esta cantidad sea suficiente para que la aplicación permanezca estable. Es probable que la ejecución con menos requisitos de CPU y memoria tenga un impacto considerable en el rendimiento o la disponibilidad. |
upperBound |
Los requisitos de CPU y memoria máximos recomendados para el contenedor. Es probable que los requisitos de CPU y memoria que superen estos valores se desperdicien. |
uncappedTarget |
La recomendación de recursos más reciente que procesó el escalador automático, en función del uso real de recursos y sin tener en cuenta la ContainerResourcePolicy. Si el uso real de los recursos hace que el objetivo viole la ContainerResourcePolicy, este valor podría ser diferente de la recomendación limitada. Este campo no afecta la asignación real de recursos. Solo se usa como indicador de estado. |
VerticalPodAutoscalerCondition v1 autoscaling.k8s.io
| Campos | |
|---|---|
type |
El tipo de condición que se describe. Los valores posibles son “RecommendationProvided”, “LowConfidence”, “NoPodsMatched” y “FetchingHistory”. |
status |
El estado de la condición. Los posibles valores son Verdadero, Falso y Desconocido. |
lastTransitionTime |
La última vez que la condición hizo una transición de un estado a otro. |
reason |
La razón por la cual se realizó la última transición de un estado a otro. |
message |
Una string legible que proporciona detalles sobre la última transición de un estado a otro |
¿Qué sigue?
- Obtén más información para configurar el ajuste de escala automático vertical de Pods.
- Obtén más información sobre el ajuste automático de escala horizontal de Pods.
- Obtén más información sobre el escalador automático de clústeres.
- Obtén más información para configurar el ajuste de escala automático horizontal de Pods.
- Obtén información para optimizar el ajuste de escala automático de Pods en función de las métricas.