Esta página se ha traducido con Cloud Translation API.

Ajustar el tamaño de las cargas de trabajo de GKE a gran escala

En este tutorial se muestra cómo ajustar el tamaño de tus cargas de trabajo de Google Kubernetes Engine (GKE) con recomendaciones de VPA y métricas de uso.

Entender por qué es importante dimensionar correctamente los recursos

Si no asignas suficientes recursos, tus contenedores no tendrán los recursos necesarios para ejecutar tus aplicaciones, lo que hará que sean lentos y poco fiables. El aprovisionamiento excesivo no afecta al rendimiento de tus aplicaciones, pero puede aumentar tu factura mensual.

En la siguiente tabla se describen las implicaciones de asignar menos recursos de CPU y memoria de los necesarios, así como de asignar más recursos de los necesarios:

Recurso	Estado de aprovisionamiento	Riesgo	Explicación
CPU	Más de	Coste	Aumenta el coste de tus cargas de trabajo al reservar recursos innecesarios.
	Debajo	Rendimiento	Puede provocar que las cargas de trabajo se ralenticen o dejen de responder.
	Sin establecer	Fiabilidad	La CPU se puede limitar a 0, lo que provoca que tus cargas de trabajo no respondan.
Memoria	Más de	Coste	Aumenta el coste de tus cargas de trabajo al reservar recursos innecesarios.
	Debajo	Fiabilidad	Puede provocar que las aplicaciones finalicen con un error de falta de memoria.
	Sin establecer	Fiabilidad	`kubelet` puede detener tus Pods en cualquier momento y marcarlos como fallidos.

Crear un repositorio

Crea el repositorio para almacenar la imagen del exportador de métricas.

Crea un repositorio de Docker:

gcloud artifacts repositories create main --repository-format=docker \
    --location=$REGION \
    --description="docker repository"

Configura la autenticación en los repositorios de Docker:
```
gcloud auth configure-docker $REGION-docker.pkg.dev
```

Para desplegar la imagen, ejecuta el siguiente comando:

gcloud builds submit metrics-exporter --region=$REGION --tag $IMAGE

Desplegar la aplicación

En la siguiente sección, usarás Terraform para realizar las siguientes tareas:

Crea una cuenta de servicio y asigna los permisos necesarios para gestionar e interactuar con los Google Cloud recursos.
Concede a la cuenta de servicio los roles Lector de monitorización, Editor de datos de BigQuery, Propietario de datos de BigQuery, Usuario de tareas de BigQuery e Invocador de Cloud Run.
Despliega un trabajo de Cloud Run que extrae una imagen Docker de Artifact Registry y la ejecuta con la configuración especificada.
Crea una tarea de Cloud Scheduler que active el servicio de Cloud Run a diario.
Crea un conjunto de datos, una tabla y una vista de BigQuery para almacenar datos de métricas y recomendaciones.

Configurar Terraform

Define las variables de entorno de configuración:
```
export TF_VAR_BIGQUERY_DATASET=gke_metrics_dataset
export TF_VAR_BIGQUERY_TABLE=gke_metrics
export TF_VAR_RECOMMENDATION_WINDOW_SECONDS=1209600
export TF_VAR_RECOMMENDATION_DISTANCE=86400
export TF_VAR_LATEST_WINDOW_SECONDS=600
export TF_VAR_METRIC_WINDOW=259200
export TF_VAR_METRIC_DISTANCE=600
```
Este comando incluye lo siguiente:
- TF_VAR_BIGQUERY_DATASET y TF_VAR_BIGQUERY_TABLE: retienen los datos de métricas de GKE.
- TF_VAR_RECOMMENDATION_WINDOW_SECONDS: el periodo de las recomendaciones de VPA. El valor predeterminado es de 1.209.600 segundos (14 días).
- TF_VAR_RECOMMENDATION_DISTANCE: el intervalo en el que se devuelven los puntos de datos de recomendación de VPA. El valor predeterminado es de 86.400 segundos (1 día).
- TF_VAR_LATEST_WINDOW_SECONDS: el periodo durante el que se obtienen los valores de recursos más recientes solicitados y límite. El valor predeterminado es de 600 segundos (10 minutos).
- METRIC_WINDOW: establece el periodo de tiempo de las métricas de uso y utilización de GKE. El valor predeterminado es 259.200 segundos (3 días).
- METRIC_DISTANCE: el intervalo en el que se devuelven los puntos de datos. El valor predeterminado es de 600 segundos (10 minutos).
Ajusta estos valores en función de las necesidades de tus cargas de trabajo. Por ejemplo, en el caso de las cargas de trabajo por lotes que se ejecutan una vez al mes, actualice TF_VAR_RECOMMENDATION_WINDOW_SECONDS y METRIC_WINDOW a 2592000 segundos (30 días).

Desplegar la configuración de Terraform

Inicializa, valida y aplica tu configuración:
```
terraform -chdir=terraform init
terraform -chdir=terraform validate
terraform -chdir=terraform apply -var project_id=$PROJECT_ID -var region=$REGION -var image=$IMAGE
```
Este comando proporciona un plan de ejecución y pide tu aprobación antes de hacer ningún cambio. Revisa el plan y, si todo es correcto, escribe yes para continuar.

Una vez que el comando de aplicación se haya completado correctamente, Terraform creará y gestionará tus recursos.

Ejecuta manualmente la tarea de Cloud Scheduler:

gcloud scheduler jobs run recommendation-schedule --location ${REGION}

Verificar la implementación

Seleccione la pestaña Registros en la página de detalles de workload-recommendations.
Comprueba que los registros de métricas se estén procesando en la consola de Cloud Run:

Ir a Cloud Run

Los registros muestran las métricas que se escriben en BigQuery. La salida debería ser similar a la siguiente:
```
INFO - Building Row
INFO - Successfully wrote 12 rows to BigQuery table [PROJECT_ID].gke_metric_dataset.gke_metrics.
INFO - Run Completed
```
Si el resultado no coincide, espera cinco minutos y ejecuta el comando gcloud scheduler jobs run recommendation-schedule --location $REGION.

Ver la recomendación de contenedor en BigQuery

Ve a la página de BigQuery en la Google Cloud consola:

Ir a BigQuery
Comprueba que los datos se muestran en la tabla gke_metrics y en la vista container_recommendations. En función del número de cargas de trabajo, puede tardar unos minutos en escribir todas las métricas en BigQuery.
En el editor de consultas, selecciona todas las filas de la vista container_recommendations:
```
SELECT * FROM `PROJECT_ID.gke_metrics_dataset.container_recommendations`
```
Este programa extrae las siguientes métricas de la monitorización en la nube:
- Detalles de la carga de trabajo: el ID del proyecto, el nombre del clúster, el controlador y el nombre del contenedor.
- Uso y utilización de la CPU o la memoria: la cantidad de CPU y memoria que utiliza la carga de trabajo, así como el porcentaje de CPU y memoria que se está utilizando.
- Solicitado y límites: la cantidad de CPU y memoria que se solicitó para la carga de trabajo, así como la cantidad máxima de CPU y memoria que se permite para la carga de trabajo.
- Recomendaciones de carga de trabajo de CPU y memoria: recomendaciones sobre la cantidad de CPU y memoria que se debe asignar a la carga de trabajo para que se ejecute correctamente, basadas en las recomendaciones de VPA para los despliegues y en el uso real y los usos objetivo de los objetos que no son de tipo Deployment.

Visualizar recomendaciones en Looker Studio

Looker Studio es una plataforma de inteligencia empresarial de autoservicio gratuita que te permite crear y usar visualizaciones de datos, paneles e informes. Con Looker Studio, puedes conectarte a tus datos, crear visualizaciones y compartir tus estadísticas con otros usuarios.

Usa Looker Studio para visualizar los datos de la vista container_recommendations de BigQuery:

Abre la plantilla del panel de control Ajuste de tamaño de cargas de trabajo.
Haz clic en Usar mis propios datos.
Selecciona el proyecto.
En Conjunto de datos, seleccione gke_metric_dataset.
En Tabla, selecciona container_recommendations.
Haz clic en Añadir.
Haz clic en Añadir al informe.

Detalles de la plantilla de Looker Studio

La página de detalles de la plantilla de Looker Studio proporciona la siguiente información:

Información general sobre el ajuste de tamaño de las cargas de trabajo de GKE: ofrece una descripción general de tus clústeres, que incluye lo siguiente:
- Número de cargas de trabajo de mejor esfuerzo y de ráfaga que corren el riesgo de tener problemas de fiabilidad y rendimiento.
- Posible ahorro de recursos de CPU y memoria. Los valores positivos indican un aprovisionamiento excesivo, mientras que los valores negativos indican un aprovisionamiento insuficiente.
Recomendaciones de cargas de trabajo: proporciona recomendaciones sobre las solicitudes y los límites de CPU y memoria de las cargas de trabajo.
Cargas de trabajo de GKE en riesgo: muestra las cargas de trabajo que corren el mayor riesgo de experimentar problemas de fiabilidad y rendimiento.
Historial - Ajuste del tamaño de la carga de trabajo - ¿Qué tal lo estamos haciendo?: Ofrece un historial de la implementación del ajuste de tamaño de las cargas de trabajo y de la reducción del número de cargas de trabajo de mejor esfuerzo.

Recomendación de contenedor de CPU solicitada y límite

Si los valores de CPU solicitados y límite de las cargas de trabajo son iguales, la calidad del servicio se considera garantizada y la recomendación de CPU se establece en el máximo dentro del periodo de 14 días. De lo contrario, se usa el percentil 95 de la recomendación de CPU solicitada en un plazo de 14 días.

Cuando los valores de solicitud y límite de la CPU son iguales, la recomendación de límite de la CPU se define como la recomendación de VPA de solicitud de CPU máxima solo para los objetos de Deployment y el uso de la CPU con un uso objetivo del 70%. Si la solicitud y el límite de la carga de trabajo no son idénticos, se utiliza la proporción de límite actual.

Recomendación de memoria solicitada y límite de contenedor

Las recomendaciones de memoria solo usan la recomendación máxima de VPA para los objetos de Deployments y el uso máximo de memoria con un objetivo de utilización del 80% para asegurar la fiabilidad de las cargas de trabajo. Puede actualizar los valores de utilización objetivo en la consulta de la vista container_recommendation.

Se recomienda usar la misma cantidad de memoria para las solicitudes y los límites, ya que la memoria es un recurso que no se puede comprimir. Cuando se agota la memoria, el pod debe detenerse. Para evitar que se desactiven los pods y se desestabilice tu entorno, debes definir la memoria solicitada como límite de memoria.

Priorizar recomendaciones

Se asigna un valor de prioridad a cada fila para mostrar las cargas de trabajo que requieren atención inmediata en función de las recomendaciones. Las unidades de CPU y memoria son diferentes. Para normalizar las unidades, se usa la proporción entre la CPU y la memoria predefinidas del precio bajo demanda del tipo de máquina E2 como aproximación para convertir las unidades de memoria en unidades de CPU.

La prioridad se calcula mediante la siguiente fórmula:

priority = (CPU requested - CPU recommendation) + ((memory requested -
memory recommendation) / (vCPUs on-demand pricing /memory on-demand pricing ))

En Autopilot, los recursos totales solicitados por la configuración de tu implementación deben estar dentro de los valores mínimos y máximos admitidos.

Ver recomendaciones de VPA de varios proyectos

Para ver las recomendaciones de contenedores de VPA en varios proyectos, usa un nuevo proyecto como proyecto de ámbito.

Cuando despliegues este proyecto en tu entorno de producción, añade todos los proyectos que quieras analizar al ámbito de métricas del nuevo proyecto.