应用资源优化模型

Application Resource Optimize Model

  少于1分钟  

资源优化是 FinOps 中常见的优化手段，我们基于 Kubernetes 应用的特点总结出云原生应用的资源优化模型：

Resource Model

图中五条线从上到下分别是：

  1. 节点容量：集群中所有节点的资源总量，对应集群的 Capacity
  2. 已分配：应用申请的资源总量，对应 Pod Request
  3. 周峰值：应用在过去一段时间内资源用量的峰值。周峰值可以预测未来一段时间内的资源使用，通过周峰值配置资源规格的安全性较高，普适性更强
  4. 日均峰值：应用在近一天内资源用量的峰值
  5. 均值：应用的平均资源用量，对应 Usage

其中资源的闲置分两类：

  1. Resource Slack：Capacity 和 Request 之间的差值
  2. Usage Slack：Request 和 Usage 之间的差值

Total Slack = Resource Slack + Usage Slack

资源优化的目标是 减少 Resource Slack 和 Usage Slack。模型中针对如何一步步减少浪费提供了四个步骤，从上到下分别是：

  1. 提升装箱率：提升装箱率能够让 Capacity 和 Request 更加接近。手段有很多，例如：动态调度器、腾讯云的云原生节点的节点放大功能等
  2. 业务规格调整减少资源锁定：根据周峰值资源用量调整业务规格使的 Request 可以减少到周峰值线。资源推荐和副本推荐可以帮助应用实现此目标。
  3. 业务规格调整+扩缩容兜底流量突发：在规格优化的基础上再通过 HPA 兜底突发流量使的 Request 可以减少到日均峰值线。此时 HPA 的目标利用率偏低，仅为应对突发流量，绝大多数时间内不发生自动弹性。弹性推荐可以扫描出适合做弹性的应用并提供HPA配置。
  4. 业务规格调整+扩缩容应对日常流量变化：在规格优化的基础上再通过 HPA 应用日常流量使的 Request 可以减少到均值。此时 HPA 的目标利用率等于应用的平均利用率。EHPA实现了基于预测的水平弹性，帮助更多应用实现智能弹性。