本文档简要概述了在 Google Kubernetes Engine (GKE) 上设计、构建和运行应用的最佳实践。遵循这些建议有助于您在费用、性能、安全性和可靠性方面进行优化。每个条目都链接到特定主题的更详细文档。
选择最佳实践类别：
| 类别 | 最佳做法 | 摘要 |
|---|---|---|
| AI 和机器学习工作负载 | 优化 AI/机器学习工作负载效率 | 在 GKE 上最大限度地提高 AI/机器学习任务的资源效率。 |
| AI 和机器学习工作负载 | 推理工作负载 | 在 GKE 上运行机器学习推理工作负载。 |
|
AI 和机器学习工作负载 可靠性和可伸缩性 |
使用 GPU 自动扩缩 LLM 推理 | 使用 GKE 上的 GPU 自动扩缩大语言模型 (LLM) 推理。 |
|
AI 和机器学习工作负载 可靠性和可伸缩性 |
使用 TPU 自动扩缩 LLM 推理 | 使用 GKE 上的 TPU 自动扩缩大语言模型 (LLM) 推理。 |
| AI 和机器学习工作负载 | 使用 GPU 优化 LLM 推理 | 使用 GKE 上的 GPU 优化 LLM 推理。 |
| AI 和机器学习工作负载 | 批处理平台 | 在 GKE 上构建和运行批处理平台。 |
| 费用优化 | 设计和配置集群以优化费用 | 实施高价值配置和策略，以运行资源高效型集群。 |
| 数据库 | 数据库选项 | 为 GKE 应用选择和管理数据库解决方案。 |
| 网络 | 网络 | 为 GKE 配置和管理网络连接。 |
| 网络 | 网络可观测性 | 为 GKE 实现网络可观测性、提醒和费用优化。 |
| 操作 | 升级集群 | 了解如何顺利、可靠地升级 GKE 集群。 |
| 操作 | 适用于 GKE 的 CI/CD | 为 GKE 应用实现持续集成和交付流水线。 |
| 可靠性和可伸缩性 | 可伸缩性 | 了解在 GKE 上伸缩应用的原则和技术。 |
| 可靠性和可伸缩性 | 规划可伸缩性 | 了解设计可伸缩 GKE 环境的策略。 |
| 可靠性和可伸缩性 | 规划大型 GKE 集群 | 了解如何架构和管理大规模 GKE 集群。 |
| 可靠性和可伸缩性 | ComputeClass 的最佳实践 | 提高 ComputeClass 的可靠性、可伸缩性、安全性和性能的最佳实践。 |
| 可靠性和可伸缩性 | 设计时考虑容量灵活性和效率 | 了解硬件多样化、多系列回退和区域调度策略，以提高 GKE 上的容量可用性。 |
| 可靠性和可伸缩性 | 运行 HPC 工作负载的最佳实践 | 在 GKE 上优化运行高性能计算 (HPC) 工作负载的最佳实践。 |
| 可靠性和可伸缩性 | 规划大型工作负载 | 部署和管理资源密集型应用。 |
| 安全 | 强化 GKE 集群的安全性 | 增强 GKE 集群的安全状况。 |
| 安全 | 规划 RBAC 政策 | 定义基于角色的访问权限控制，以管理权限。 |
| 安全 | 企业多租户 | 在单个 GKE 集群上安全地运行多个租户。 |
| 安全 | 在 GKE 上保障 AI 工作负载安全的最佳实践 | 提高构成 AI 部署的基础设施、模型和 Kubernetes 应用的安全性。 |