Sie können die ComputeClasses Balanced und Scale-Out in Google Kubernetes Engine-Autopilot-Clustern (GKE) verwenden, um Arbeitslasten auszuführen, die zusätzliche Rechenkapazität oder spezielle CPU-Konfigurationen erfordern. Diese Seite richtet sich an Clusteradministratoren, die flexiblere Compute-Optionen als die Standardkonfiguration für Autopilot-Cluster benötigen.
Übersicht über die ComputeClasses „Balanced“ und „Scale-Out“
Pods in GKE Autopilot-Clustern werden standardmäßig auf einer containeroptimierten Computing-Plattform ausgeführt. Diese Plattform ist ideal für Arbeitslasten für allgemeine Zwecke wie Webserver und Batchjobs mit mittlerer Intensität. Die containeroptimierte Computing-Plattform bietet eine zuverlässige, skalierbare, kostenoptimierte Hardwarekonfiguration, die die Anforderungen der meisten Arbeitslasten bewältigen kann.
Wenn Sie Arbeitslasten mit besonderen Hardwareanforderungen haben, z. B. maschinelles Lernen oder KI-Aufgaben ausführen, Datenbanken mit hohem Traffic in Echtzeit ausführen oder bestimmte CPU-Plattformen und -Architekturen benötigen, können Sie ComputeClasses verwenden, um diese Hardware bereitzustellen.
Nur in Autopilot-Clustern bietet GKE die folgenden ausgewählten ComputeClasses, mit denen Sie Pods ausführen können, die mehr Flexibilität als die standardmäßige containeroptimierte Compute-Plattform erfordern:
Balanced: bietet eine höhere maximale CPU- und Arbeitsspeicherkapazität als die containeroptimierte Computing-Plattform.Scale-Out: Deaktiviert gleichzeitiges Multi-Threading (SMT) und ist für die horizontale Skalierung optimiert.
Diese ComputeClasses sind nur in Autopilot-Clustern verfügbar. Ähnlich wie die standardmäßige containeroptimierte Compute-Plattform verwaltet Autopilot die Knotengröße und Ressourcenzuweisung basierend auf den ausgeführten Pods.
Benutzerdefinierte ComputeClasses für zusätzliche Flexibilität
Wenn die ComputeClasses „Balanced“ oder „Scale-Out“ in Autopilot-Clustern die Anforderungen Ihrer Arbeitslast nicht erfüllen, können Sie eigene ComputeClasses konfigurieren.
Sie stellen benutzerdefinierte ComputeClass-Kubernetes-Ressourcen in Ihren Clustern mit einer Reihe von Knotenattributen bereit, die GKE zum Konfigurieren neuer Knoten im Cluster verwendet. Mit diesen benutzerdefinierten ComputeClasses können Sie beispielsweise Arbeitslasten auf derselben Hardware wie die ComputeClasses Balanced oder Scale-Out in einem beliebigen GKE Autopilot- oder Standard-Cluster bereitstellen. Weitere Informationen finden Sie unter Arbeitslasten im Autopilot-Modus in GKE Standard.
Preise
Pods, die die ComputeClasses Balanced oder Scale-Out verwenden, werden anhand der folgenden SKUs abgerechnet:
Weitere Informationen finden Sie unter GKE-Preise.
Technische Details zu „Ausgewogen“ und „Horizontal skalieren“
In diesem Abschnitt werden die Maschinentypen und Anwendungsfälle für die Klassen Balanced und Scale-Out beschrieben. Wenn Sie in Ihren Pods keine ComputeClass anfordern, platziert Autopilot die Pods standardmäßig auf der containeroptimierten Computing-Plattform. Die containeroptimierte Computing-Plattform verwendet eine der Maschinenreihen aus der Compute Engine-Maschinenfamilie für allgemeine Zwecke, wobei Maschinentypen mit anpassbarer Größe bevorzugt werden. Da die zugrunde liegende Maschinenserie nicht festgelegt ist, variiert die Leistung pro CPU je nachdem, auf welcher Maschinenserie GKE Ihren Pod plant.
Darüber hinaus hängt die Planung von Pods mit angehängtem nichtflüchtigem Speicher von der Kompatibilität des Laufwerktyps ab:
- Legacy Persistent Disks: Pods mit angehängten Legacy Persistent Disks (z. B.
pd-standard) werden nur auf Maschinenserien ausgeführt, die diese unterstützen, z. B.E2. - Hyperdisk: Pods mit angehängtem Speicher der nächsten Generation (z. B.
hyperdisk-balanced) werden auf neueren Maschinenreihen wieC3ausgeführt. - Status „Ausstehend“: Wenn Sie einen Pod explizit so konfigurieren, dass er auf einer neueren Maschinenserie ausgeführt wird (z. B. durch Verwendung von Knotenauswahlen, um
C3-Knoten anzufordern, oder durch Konfiguration einer benutzerdefinierten ComputeClass), aber eine Legacy-Persistent Disk anhängen, bleibt der Pod unbegrenzt im StatusPending. Dies liegt daran, dass GKE keinen Knoten finden kann, der sowohl die Einschränkungen für den Maschinentyp als auch für die Laufwerkskompatibilität erfüllt. Wenn Sie explizit eine Maschinenreihe auswählen, sind Sie für die Kompatibilität von PersistentVolume und Laufwerk verantwortlich.
Die folgende Tabelle bietet einen technischen Überblick über die ComputeClasses Balanced und Scale-Out:
| ComputeClass | Beschreibung |
|---|---|
Balanced |
Bietet mehr CPU- und Arbeitsspeicherkapazität als die Höchstwerte der containeroptimierten Computing-Plattform. Bietet zusätzliche CPU-Plattformen und die Möglichkeit, Mindest-CPU-Plattformen für Pods festzulegen, z. B. Intel Ice Lake oder höher.
Verwenden Sie die Klasse „Balanced“ für Anwendungen wie Webserver, mittelgroße bis große Datenbanken, Caching, Streaming und Medienbereitstellung sowie Hyperdisk Throughput- und Extreme-Speicher. |
Scale-Out |
Bietet Single-Thread-pro-Core-Computing und horizontale Skalierung.
Verwenden Sie die Klasse „Horizontal skalieren“ für Anwendungen wie Webserver, containerisierte Mikrodienste, Verarbeitung von Datenlogs, umfangreiche Java-Anwendungen und Hyperdisk Throughput-Speicher. |
ComputeClass-Auswahl in Arbeitslasten
Wenn Sie eine ComputeClass für eine GKE-Arbeitslast verwenden möchten, wählen Sie die ComputeClass im Arbeitslastmanifest mit einer Knotenauswahl für das Label cloud.google.com/compute-class aus.
Im folgenden Beispiel-Deployment-Manifest wird eine ComputeClass ausgewählt:
Ersetzen Sie COMPUTE_CLASS durch den Namen einer ComputeClass, z. B. Balanced oder Scale-Out. Sie können maximal eine ComputeClass in einer Arbeitslast auswählen.
Wenn Sie die Arbeitslast bereitstellen, führt GKE Folgendes aus:
- Stellt automatisch Knoten bereit, die von der angegebenen Konfiguration unterstützt werden, um Ihre Pods auszuführen.
- Fügt den neuen Knoten automatisch Knotenlabels und Markierungen hinzu, um zu verhindern, dass andere Pods auf diesen Knoten geplant werden. Die Markierungen sind für jede ComputeClass eindeutig. Wenn Sie auch eine CPU-Architektur auswählen, fügt GKE eine separate Markierung hinzu, die für diese Architektur eindeutig ist.
- Fügt den bereitgestellten Pods automatisch Toleranzen hinzu, die den angewendeten Markierungen entsprechen, sodass GKE diese Pods auf den neuen Knoten platzieren kann.
Wenn Sie beispielsweise die ComputeClass Scale-Out für einen Pod anfordern:
- Autopilot fügt für diese Knoten eine Markierung hinzu, die für
Scale-Outspezifisch ist. - Autopilot fügt den
Scale-Out-Pods eine Toleranz für diese Markierung hinzu.
Pods, die nicht Scale-Out anfordern, erhalten keine Toleranz. Daher plant GKE diese Pods nicht auf den Scale-Out-Knoten.
Wenn Sie in der Arbeitslastspezifikation nicht explizit eine ComputeClass anfordern, plant Autopilot Pods auf Knoten, die die standardmäßige containeroptimierte Computing-Plattform verwenden. Die meisten Arbeitslasten für allgemeine Zwecke können ohne Probleme auf dieser Plattform ausgeführt werden.
Wenn Sie ComputeClasses verwenden oder bestimmte Maschinenreihen anfordern, achten Sie darauf, dass Ihre Arbeitslasten keinen inkompatiblen Speicher verwenden. Verwenden Sie beispielsweise keine älteren Persistent Disk-Volume-Typen wie nichtflüchtige Standardspeicher (pd-standard) oder nichtflüchtige SSD-Speicher (pd-ssd) auf Maschinenserien, die diese nicht unterstützen.
Wenn Sie inkompatiblen Speicher verwenden, können Pods im Status Pending verbleiben, wenn die GKE keinen Knoten finden oder bereitstellen kann, der alle Einschränkungen erfüllt. Wenn ein Pod geplant ist, der Speicher aber nicht angehängt oder bereitgestellt werden kann, bleibt der Pod im Status ContainerCreating.
Weitere Informationen zur Fehlerbehebung bei der Speicherkompatibilität finden Sie unter Arbeitslast auf älteren Maschinenserien geplant oder aufgrund von Speicherinkompatibilität im Status Pending hängen geblieben.
CPU-Architektur anfordern
In einigen Fällen können Ihre Arbeitslasten für eine bestimmte Architektur wie Arm erstellt werden. Die ComputeClass „Scale-Out“ unterstützt mehrere CPU-Architekturen. Sie können neben einer ComputeClass auch eine bestimmte Architektur anfordern. Geben Sie dazu ein Label in Ihrer Knotenauswahl oder Knotenaffinitätsregel an, wie im folgenden Beispiel gezeigt:
apiVersion: apps/v1
kind: Deployment
metadata:
name: nginx-arm
spec:
replicas: 3
selector:
matchLabels:
app: nginx-arm
template:
metadata:
labels:
app: nginx-arm
spec:
nodeSelector:
cloud.google.com/compute-class: COMPUTE_CLASS
kubernetes.io/arch: ARCHITECTURE
containers:
- name: nginx-arm
image: nginx
resources:
requests:
cpu: 2000m
memory: 2Gi
Ersetzen Sie ARCHITECTURE durch die gewünschte CPU-Architektur, z. B. arm64 oder amd64. Sie können maximal eine Architektur in Ihrer Arbeitslast auswählen. Die von Ihnen ausgewählte ComputeClass muss die von Ihnen angegebene Architektur unterstützen.
Wenn Sie nicht explizit eine Architektur anfordern, verwendet Autopilot die Standardarchitektur der ComputeClass.
Arm-Architektur auf Autopilot
Autopilot unterstützt Anfragen für Knoten, die die ARM-CPU-Architektur verwenden. ARM-Knoten sind kostengünstiger als ähnliche x86-Knoten und bieten gleichzeitig Leistungsverbesserungen. Eine Anleitung zum Anfordern von ARM-Knoten finden Sie unter Autopilot-Arbeitslasten in der ARM-Architektur bereitstellen.
Prüfen Sie, ob Sie in Ihren Bereitstellungen die richtigen Images verwenden. Wenn Ihre Pods ARM-Images verwenden und Sie keine ARM-Knoten anfordern, plant Autopilot die Pods auf x86-Knoten und die Pods abstürzen. Ähnlich verhält es sich, wenn Sie versehentlich x86-Images verwenden, aber ARM-Knoten für die Pods anfordern, die dann zum Absturz der Pods führen.
Standard-, Mindest- und Höchstwerte für Ressourcenanfragen
Wenn Sie eine ComputeClass für Ihre Autopilot-Arbeitslasten auswählen, müssen Sie Ressourcenanfragen angeben, die die Mindest- und Höchstwerte für diese ComputeClass erfüllen. Informationen zu den Standardanfragen sowie zu den Mindest- und Höchstwerten für jede ComputeClass finden Sie unter Ressourcenanfragen und -limits in GKE Autopilot.
Nächste Schritte
- Best Practices für ComputeClasses
- Bestimmte ComputeClasses in den Autopilot-Arbeitslasten auswählen
- Informationen zu den Standard-, Mindest- und Höchstwerten für Ressourcenanfragen pro Plattform