Skip to content

Instantly share code, notes, and snippets.

Embed
What would you like to do?
Kubernetes 调度优化--重平衡策略方案整理
<title>Kubernetes 调度优化--重平衡策略方案整理</title>
</div>

背景简介

什么是 Kubernetes 中的调度(Scheduling)?

Kubernetes 中的调度,是将处于待定(Pending)的 pod 绑定到某个节点的过程,由 Kubernetes 中名为 kube-scheduler 的组件执行。

调度器决定一个 pod 是否或在哪能否被调度,由调度器的可配置策略来指导,该策略包括一组规则,称为预判和优选。调度器的决定受到新 pod 第一次被调度时调度器在 Kubernetes 集群中所看到的资源情况的影响。

k8s 自身提供了很多默认调度器和一些高级的调度策略(如 nodeAffinity 等),基本上可以满足大部分业务需求,对于特定业务,我们还可以自定义调度器(使用 python/shell/go 等实现)。

由于 Kubernetes 集群是动态的且状态会发生变化,有时候我们希望将已经运行的 pod 调度到其他节点,原因如下:

  • 一些节点资源利用不足或使用过度;
  • 原始调度策略不再适用,比如节点添加或删除了污点或标签,不再满足 pod/node 亲和性要求;
  • 某些节点发生故障,其上 pod 被调度至其他节点;
  • 有新节点被添加到群集中;
  • 其它

这些问题可能引起当前调度器分配 pod 不均衡,造成节点性能瓶颈掉线,最终引发集群雪崩。
我们大致从如下可能的点进行优化:

  • limit:限制每个 pod 的资源分配,设置对 cpu/mem/disk 的 requests 和 limits;
  • type:为每台节点指定类型或标签,可用于作为调度算法的参数。如 CPU/内存/IO 密集或高网络带宽使用等;
  • 重平衡:采取人为介入或定时任务的方式,根据多种维度去对当前的 pod 分布做重平衡;
  • 节点层面的优化,以及 pod 层面的优化;

调研文档

应用实践

调度器在调度过程中是如何计算哪些节点是满足可调度条件的呢?

首先是判断节点是否有可分配的资源,如果有多台满足可调度条件,则调度至资源最优的节点上。

Kubernetes 每个节点上的 kubelet 会监控该节点的 资源容量可用资源,我们可以通过下面的命令查看:

# kubectl describe node "node01" | grep -A16 "Addresses:"
Addresses:
  InternalIP:  172.xx.xxx.xx
  Hostname:    node01
Capacity:
 cpu:                4
 ephemeral-storage:  41926416Ki
 hugepages-1Gi:      0
 hugepages-2Mi:      0
 memory:             8010544Ki
 pods:               110
Allocatable:
 cpu:                3800m
 ephemeral-storage:  38639384922
 hugepages-1Gi:      0
 hugepages-2Mi:      0
 memory:             7408144Ki
 pods:               110

其中,Capacity 表示节点的资源容量,即机器的 CPU、内存、磁盘总量。本地磁盘被定义为 短暂存储,生命周期与 pod 一致。它与 持久存储 相对应。
Allocatable 则表示节点的可用资源,它是除开 系统预留k8s 预留 以外的资源,是可以分配给集群创建 pod 使用的资源。

每个 pod 或容器在创建时都应该声明自己所需资源的 请求值(requests) 和 上限值(limits),以便 kubelet 计算和统计整个节点资源的使用量和百分比。可以使用下面命令来查看当前节点的资源使用情况:

# kubectl describe node "node03" | sed '1,/Non-terminated Pods/d'
  Namespace                  Name                   CPU Requests  CPU Limits  Memory Requests  Memory Limits
  ---------                  ----                   ------------  ----------  ---------------  -------------
  default                    c3-registercenter-0    0 (0%)        0 (0%)      0 (0%)           0 (0%)
  kube-system                calico-node-dvmgv      150m (3%)     300m (7%)   64M (0%)         500M (6%)
  kube-system                kube-proxy-node03      150m (3%)     500m (12%)  64M (0%)         2G (25%)
  kube-system                nginx-proxy-node03     25m (0%)      300m (7%)   32M (0%)         512M (6%)
Allocated resources:
  (Total limits may be over 100 percent, i.e., overcommitted.)
  CPU Requests  CPU Limits   Memory Requests  Memory Limits
  ------------  ----------   ---------------  -------------
  325m (8%)     1100m (28%)  160M (2%)        3012M (38%)

这里可以看到每个 pod 有单独的资源使用统计,最后还有汇总。它是如何统计的呢?

可以发现它只是简单的相加,这些统计是针对 limitsrequests 的,并不是 pod 运行中实际使用的资源。也就是说如果一个 pod 没有设置 limits 和 requests(参考上面的 0 (0%) ),那么它就可以无限使用资源,还不会被纳入统计,这就使得统计结果不准确,可能节点已经超负荷运行了,但 Sheduler 还认为它有可用资源,直至节点被拖死,集群发生雪崩。
因此,我们应该采取一些合理的手段来避免这种情况:

  • 在创建 pod 时,主动为 pod 提交资源申请和限制;
  • 让 sheduler 以指标采集工具采集的指标为准来计算可用资源;
  • 为系统 和 k8s 预留适当的资源;

下面介绍一下资源预留和应用场景。

      Node Capacity
---------------------------
|     kube-reserved       |
|-------------------------|
|     system-reserved     |
|-------------------------|
|    eviction-threshold   |
|-------------------------|
|                         |
|      allocatable        |
|   (available for pods)  |
|                         |
---------------------------

上图表示了一个节点上资源的分配关系。

  • Node Capacity
    代表整个节点的资源容量,和 kubectl describe node node01 看到的 Capacity 一致。

  • kube-reserved
    a.) 为 k8s 后台服务预留资源,如 kubelet, container runtime, node problem detector 等,但并不包含那些运行在 pod 中的 k8s 服务,如 calico-nodekube-apiserverkube-controller-managerkube-dnskube-proxykube-schedulerkube-schedulerkubedns-autoscalerkubernetes-dashboard 等。
    b.) 在 systemd 系统上建议将的 k8s 后台服务放置在顶级 cgroup 下(设置 runtime.slice);
    c.) 在 kubelet 服务启动参数中添加标记来设置,示例:
    --kube-reserved=[cpu=100m][,][memory=100Mi][,][ephemeral-storage=1Gi]

  • system-reserved
    a.) 为系统后台服务预留资源,如 sshdudev 等;
    b.) 推荐为内核预留内存资源因为目前为止它还没有被计入 k8s 的 pod 资源;
    c.) 推荐为 systemd 系统的用户登录会话预留资源(cgroup 设置 user.slice );
    d.) 在 kubelet 服务启动参数中添加标记来设置,示例:
    --system-reserved=[cpu=100m][,][memory=100Mi][,][ephemeral-storage=1Gi]

  • eviction-threshold
    a.) 为 k8s 节点设置空余资源阈值,当节点可用资源低于该阈值时,pod 将被驱逐;
    b.) 目前仅适用于 memory 和 ephemeral-storage;
    c.) 在 kubelet 服务启动参数中添加标记来设置,示例:
    --eviction-hard=[memory.available<500Mi]

关于资源预留,参考文档:
https://kubernetes.io/docs/tasks/administer-cluster/reserve-compute-resources

重平衡工具 Descheduler

本文着重介绍一下 Kubernetes 孵化器中的一个工具:Descheduler

工具简介

Descheduler 的出现就是为了解决 Kubernetes 自身调度(一次性调度)不足的问题。它以定时任务方式运行,根据已实现的策略,重新去平衡 pod 在集群中的分布。

截止目前,Descheduler 已实现的策略和计划中的功能点如下:

已实现的调度策略

  • RemoveDuplicates
    移除重复 pod
  • LowNodeUtilization
    节点低度使用
  • RemovePodsViolatingInterPodAntiAffinity
    移除违反pod反亲和性的 pod
  • RemovePodsViolatingNodeAffinity

路线图中计划实现的功能点

  • Strategy to consider taints and tolerations
    考虑污点和容忍
  • Consideration of pod affinity
    考虑 pod 亲和性
  • Strategy to consider pod life time
    考虑 pod 生命周期
  • Strategy to consider number of pending pods
    考虑待定中的 pod 数量
  • Integration with cluster autoscaler
    与集群自动伸缩集成
  • Integration with metrics providers for obtaining real load metrics
    与监控工具集成来获取真正的负载指标
  • Consideration of Kubernetes’s scheduler’s predicates
    考虑 k8s 调度器的预判机制

策略介绍

  • RemoveDuplicates
    此策略确保每个副本集(RS)、副本控制器(RC)、部署(Deployment)或任务(Job)只有一个 pod 被分配到同一台 node 节点上。如果有多个则会被驱逐到其它节点以便更好的在集群内分散 pod。

  • LowNodeUtilization
    a. 此策略会找到未充分使用的 node 节点并在可能的情况下将那些被驱逐后希望重建的 pod 调度到该节点上。
    b. 节点是否利用不足由一组可配置的 阈值(thresholds) 决定。这组阈值是以百分比方式指定了 CPU、内存以及 pod数量 的。只有当所有被评估资源都低于它们的阈值时,该 node 节点才会被认为处于利用不足状态。
    c. 同时还存在一个 目标阈值(targetThresholds),用于评估那些节点是否因为超出了阈值而应该从其上驱逐 pod。任何阈值介于 thresholdstargetThresholds 之间的节点都被认为资源被合理利用了,因此不会发生 pod 驱逐行为(无论是被驱逐走还是被驱逐来)。
    d. 与之相关的还有另一个参数numberOfNodes,这个参数用来激活指定数量的节点是否处于资源利用不足状态而发生 pod 驱逐行为。

  • RemovePodsViolatingInterPodAntiAffinity
    此策略会确保 node 节点上违反 pod 间亲和性的 pod 被驱逐。比如节点上有 podA 并且 podB 和 podC(也在同一节点上运行)具有禁止和 podA 在同一节点上运行的反亲和性规则,则 podA 将被从节点上驱逐,以便让 podB 和 podC 可以运行。

  • RemovePodsViolatingNodeAffinity
    此策略会确保那些违反 node 亲和性的 pod 被驱逐。比如 podA 运行在 nodeA 上,后来该节点不再满足 podA 的 node 亲和性要求,如果此时存在 nodeB 满足这一要求,则 podA 会被驱逐到 nodeB 节点上。

遵循机制

当 Descheduler 调度器决定于驱逐 pod 时,它将遵循下面的机制:

  • Critical pods (with annotations scheduler.alpha.kubernetes.io/critical-pod) are never evicted
    关键 pod(带注释 scheduler.alpha.kubernetes.io/critical-pod)永远不会被驱逐。

  • Pods (static or mirrored pods or stand alone pods) not part of an RC, RS, Deployment or Jobs are never evicted because these pods won’t be recreated
    不属于RC,RS,部署或作业的Pod(静态或镜像pod或独立pod)永远不会被驱逐,因为这些pod不会被重新创建。

  • Pods associated with DaemonSets are never evicted
    与 DaemonSets 关联的 Pod 永远不会被驱逐。

  • Pods with local storage are never evicted
    具有本地存储的 Pod 永远不会被驱逐。

  • BestEffort pods are evicted before Burstable and Guaranteed pods
    QoS 等级为 BestEffort 的 pod 将会在等级为 Burstable 和 Guaranteed 的 pod 之前被驱逐。

工具使用

Descheduler 会以 Job 形式在 pod 内运行,因为 Job 具有多次运行而无需人为介入的优势。为了避免被自己驱逐 Descheduler 将会以 关键型 pod 运行,因此它只能被创建建到 kube-system namespace 内。
关于 Critical pod 的介绍请参考:Guaranteed Scheduling For Critical Add-On Pods

要使用 Descheduler,我们需要编译该工具并构建 Docker 镜像,创建 ClusterRole、ServiceAccount、ClusterRoleBinding、ConfigMap 以及 Job。

由于文档中有一些小问题,手动执行这些步骤不会很顺利,我们推荐使用有人维护的现成 helm charts。
项目地址:https://github.com/komljen/helm-charts/tree/master/descheduler
使用方式:

helm repo add akomljen-charts \
     https://raw.githubusercontent.com/komljen/helm-charts/master/charts/

helm install
--name ds
--namespace kube-system
akomljen-charts/descheduler

该 Chart 默认设置如下:

  • Descheduler 以 CronJob 方式运行,每 30 分钟执行一次,可根据实际需要进行调整;
  • 在 ConfigMap 中同时内置了 4种策略,可根据实际需要禁用或调整;

值得注意的是,Descheduler 项目文档中是以 Job 方式运行,属于一次性任务。

问题处理

在手动编译构建 Descheduler 过程中,我们发现官方文档有个小问题。
比如,文档中 Job 的启动方式如下:

     command:
     - "/bin/sh"
     - "-ec"
     - |
    /bin/descheduler --policy-config-file /policy-dir/policy.yaml

即,指定使用 sh 来运行 descheduler,然而该工具的 Dockerfile 却是以白手起家(FROM scratch)方式添加 descheduler 的编译产物到容器内,新容器并不包含工具sh, 这就导致 Job 在运行后因为没有 sh 而失败并不断拉起新的 Job,短时间内大量 Job 被创建, node 节点资源也逐渐被消耗。

关于该问题我提交了一个 isusse #133,解决办法有2种:

  • 从 command 中移除 /bin/sh -ec
  • 修改 Dockerfile 中 From scratchFrom alpine 或 busybox 或 centos 等

然后重新构建并创建 Job。

参考文档

https://akomljen.com/meet-a-kubernetes-descheduler

</div>
Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment
You can’t perform that action at this time.