אתם יכולים להשתמש ב-ComputeClasses Balanced ו-Scale-Out באשכולות של Google Kubernetes Engine (GKE) Autopilot כדי להריץ עומסי עבודה שדורשים קיבולת מחשוב נוספת או הגדרות מיוחדות של מעבד (CPU). הדף הזה מיועד לאדמינים של אשכולות שרוצים אפשרויות מחשוב גמישות יותר מאלה שמוגדרות כברירת מחדל באשכול Autopilot.
סקירה כללית על Balanced ו-Scale-Out ComputeClasses
כברירת מחדל, Pods באשכולות GKE Autopilot פועלים בפלטפורמת מחשוב שמותאמת לקונטיינרים. הפלטפורמה הזו מתאימה לעומסי עבודה (workloads) למטרות כלליות, כמו שרתי אינטרנט ומשימות באצווה בעצימות בינונית. פלטפורמת המחשוב שמותאמת לקונטיינרים מספקת הגדרת חומרה אמינה, ניתנת להתאמה וחסכונית, שיכולה להתמודד עם הדרישות של רוב עומסי העבודה.
אם יש לכם עומסי עבודה עם דרישות חומרה ייחודיות (כמו ביצוע משימות של למידת מכונה או משימות AI, הפעלת מסדי נתונים בזמן אמת עם תנועה גבוהה או צורך בפלטפורמות ובארכיטקטורה ספציפיות של מעבד (CPU)), אתם יכולים להשתמש ב-ComputeClasses כדי להקצות את החומרה הזו.
רק באשכולות Autopilot, GKE מספק את ה-ComputeClasses הבאים, שמאפשרים להריץ Pods שצריכים יותר גמישות מפלטפורמת המחשוב שמותאמת לקונטיינרים כברירת מחדל:
-
Balanced: מספקת קיבולת מקסימלית גבוהה יותר של מעבד וזיכרון בהשוואה לפלטפורמת המחשוב שמותאמת לקונטיינרים. -
Scale-Out: משביתה את ה-SMT (ריבוי הליכים בו-זמני) ומותאמת להרחבה אופקית בהתאם לעומס (scale out).
ה-ComputeClasses האלה זמינים רק באשכולות Autopilot. בדומה לפלטפורמת המחשוב שמותאמת לקונטיינרים כברירת מחדל, Autopilot מנהל את גודל הצומת ואת הקצאת המשאבים על סמך ה-Pods שפועלים.
ComputeClasses בהתאמה אישית לגמישות נוספת
אם ה-ComputeClasses מסוג Balanced או Scale-Out באשכולות Autopilot לא עומדים בדרישות של עומס העבודה, אתם יכולים להגדיר ComputeClasses משלכם.
אתם פורסים משאבים בהתאמה אישית של ComputeClass Kubernetes באשכולות שלכם עם קבוצות של מאפייני צמתים שבהם GKE משתמש כדי להגדיר צמתים חדשים באשכול. לדוגמה, בעזרת ComputeClasses בהתאמה אישית אתם יכולים לפרוס עומסי עבודה באותה חומרה כמו ComputeClasses מסוג Balanced או Scale-Out בכל אשכול GKE Autopilot או Standard. מידע נוסף זמין במאמר מידע על עומסי עבודה במצב אוטומטי ב-GKE Standard.
תמחור
פודים שמשתמשים ב-ComputeClasses מסוג Balanced או Scale-Out מחויבים על סמך המק"טים הבאים:
למידע נוסף, קראו את התמחור של GKE.
פרטים טכניים על Balanced ו-Scale-Out
בקטע הזה מתוארים סוגי המכונות ותרחישי השימוש של הסדרות Balanced ו-Scale-Out. אם לא תבקשו ComputeClass ב-Pods, כברירת מחדל Autopilot ימקם את ה-Pods בפלטפורמת המחשוב שמותאמת לקונטיינרים. פלטפורמת המחשוב שמותאמת לקונטיינרים משתמשת בכל אחת מסדרות המכונות ממשפחת המכונות לשימוש כללי של Compute Engine, עם העדפה לסוגי מכונות שניתן לשנות את הגודל שלהן. מכיוון שסדרת המכונות הבסיסית לא קבועה, הביצועים לכל מעבד (CPU) משתנים בהתאם לסדרת המכונות שבה GKE מתזמן את ה-Pod.
בנוסף, התזמון של Pods עם אחסון מתמיד מצורף תלוי בתאימות של סוג הדיסק:
- דיסקים לאחסון מתמיד מדור קודם: Pods עם דיסקים לאחסון מתמיד מדור קודם (כמו
pd-standard) פועלים רק בסדרות מכונות שתומכות בהם, כמוE2. - Hyperdisk: פודים עם אחסון מהדור הבא (כמו
hyperdisk-balanced) פועלים בסדרות מכונות חדשות יותר, כמוC3. - מצב המתנה: אם מגדירים במפורש Pod לפעול בסדרת מכונות חדשה יותר (לדוגמה, באמצעות בוררי צמתים כדי לבקש צמתים של
C3, או על ידי הגדרת ComputeClass בהתאמה אישית) אבל מצרפים Persistent Disk מדור קודם, ה-Pod נשאר במצבPendingללא הגבלת זמן. זה קורה כי GKE לא מוצא צומת שעומד גם באילוצים של סוג המכונה וגם באילוצים של תאימות הדיסק. כשבוחרים באופן מפורש סדרת מכונות, אתם אחראים לוודא את התאימות של PersistentVolume ושל הדיסק.
בטבלה הבאה מופיעה סקירה טכנית כללית של ComputeClasses ב-Balanced וב-Scale-Out:
| ComputeClass | תיאור |
|---|---|
Balanced |
מספקת יותר קיבולת מעבד וקיבולת זיכרון מאשר הערכים המקסימליים של פלטפורמת המחשוב שמותאמת לקונטיינרים. מספק פלטפורמות נוספות של מעבדים (CPU) ואת היכולת להגדיר פלטפורמת CPU מינימלית לפודים, כמו Intel Ice Lake או גרסה מתקדמת יותר.
השתמשו בסוג Balanced לאפליקציות כמו שרתי אינטרנט, מסדי נתונים בינוניים עד גדולים, שמירה במטמון, סטרימינג והצגת מדיה, ו-Hyperdisk Throughput ו-Extreme storage. |
Scale-Out |
מספק מחשוב של שרשור יחיד לכל ליבה וקנה מידה אופקי.
השתמשו בסוג Scale-Out לאפליקציות כמו שרתי אינטרנט, מיקרו-שירותים בקונטיינרים, עיבוד של יומני נתונים, אפליקציות Java בקנה מידה גדול ואחסון Hyperdisk Throughput. |
בחירת ComputeClass בעומסי עבודה (workloads)
כדי להשתמש ב-ComputeClass לעומס עבודה ב-GKE, בוחרים את ה-ComputeClass במניפסט של עומס העבודה באמצעות בורר צמתים לתווית cloud.google.com/compute-class.
במניפסט הפריסה הבא נבחר ComputeClass:
מחליפים את COMPUTE_CLASS בשם של ComputeClass, כמו Balanced או Scale-Out. אפשר לבחור רק ComputeClass אחד בעומס עבודה.
כשפורסים את עומס העבודה, GKE מבצע את הפעולות הבאות:
- מקצה באופן אוטומטי צמתים שמגובים על ידי ההגדרות שצוינו כדי להריץ את ה-Pods.
- מוסיף באופן אוטומטי תוויות וtaints לצמתים החדשים, כדי למנוע תזמון של Pods אחרים בצמתים האלה. הכתמים ייחודיים לכל ComputeClass. אם בוחרים גם ארכיטקטורת מעבד (CPU), GKE מוסיף טיינט נפרד שייחודי לארכיטקטורה הזו.
- מוסיף באופן אוטומטי סובלנויות שתואמות לטולרנטיות שהוחלו על ה-Pods שנפרסו, וכך מאפשר ל-GKE למקם את ה-Pods האלה בצמתים החדשים.
לדוגמה, אם מבקשים את ComputeClass Scale-Out עבור Pod:
- במצב Autopilot, המערכת מוסיפה טיינט ספציפי ל-
Scale-Outעבור הצמתים האלה. - מצב Autopilot מוסיף סבילות לטעינה הזו לפודים של
Scale-Out.
פודים שלא מבקשים Scale-Out לא יקבלו את ה-toleration. כתוצאה מכך, GKE לא יתזמן את ה-Pods האלה בצומתי Scale-Out.
אם לא מבקשים במפורש ComputeClass במפרט של עומס העבודה, Autopilot מתזמן Pods בצמתים שמשתמשים בפלטפורמת ברירת המחדל של המחשוב שמותאמת לקונטיינרים. רוב עומסי העבודה למטרות כלליות יכולים לפעול בלי בעיות בפלטפורמה הזו.
אם אתם משתמשים ב-ComputeClasses או מבקשים סדרות מכונות ספציפיות, ודאו שעומסי העבודה שלכם לא משתמשים באחסון לא תואם. לדוגמה, אל תשתמשו בסוגים קודמים של נפחי Persistent Disk, כמו נפחי Persistent Disk רגילים (pd-standard) או נפחי Persistent Disk SSD (pd-ssd), בסדרות של מכונות שלא תומכות בהם.
שימוש באחסון לא תואם עלול לגרום לפודים להישאר במצב Pending אם GKE לא יכול למצוא או להקצות צומת שעומד בכל המגבלות. אם Pod מתוזמן אבל האחסון לא מצליח להתחבר או להיטען, ה-Pod נשאר במצב ContainerCreating.
מידע נוסף על פתרון בעיות בתאימות האחסון זמין במאמר עומס העבודה מתוזמן בסדרת מכונות ישנה יותר או תקוע במצב Pending בגלל חוסר תאימות של האחסון.
איך מבקשים ארכיטקטורת מעבד (CPU)
במקרים מסוימים, יכול להיות שעומסי העבודה שלכם נוצרו לארכיטקטורה ספציפית, כמו Arm. Scale-Out ComputeClass תומך בכמה ארכיטקטורות מעבד (CPU). אתם יכולים לבקש ארכיטקטורה ספציפית לצד בקשת ComputeClass, על ידי ציון תווית בבורר הצמתים או בכלל הזיקה של הצומת, כמו בדוגמה הבאה:
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
מחליפים את ARCHITECTURE בארכיטקטורת המעבד (CPU) הרצויה, למשל arm64 או amd64. אפשר לבחור רק ארכיטקטורה אחת בעומס העבודה. ה-ComputeClass שבוחרים חייב לתמוך בארכיטקטורה שצוינה.
אם לא מבקשים ארכיטקטורה באופן מפורש, Autopilot משתמש בארכיטקטורת ברירת המחדל של ComputeClass.
ארכיטקטורת Arm ב-Autopilot
ב-Autopilot יש תמיכה בבקשות לצמתים שמשתמשים בארכיטקטורת מעבד (CPU) של Arm. צומתי Arm חסכוניים יותר מצומתי x86 דומים, וגם משפרים את הביצועים. במאמר פריסת עומסי עבודה של Autopilot בארכיטקטורת Arm מוסבר איך מבקשים צומתי Arm.
חשוב לוודא שאתם משתמשים בתמונות הנכונות בפריסות שלכם. אם ה-Pods משתמשים בתמונות Arm ולא מבקשים צומתי Arm, Autopilot מתזמן את ה-Pods בצומתי x86 וה-Pods יקרסו. באופן דומה, אם תשתמשו בטעות בתמונות x86 אבל תבקשו צומתי Arm בשביל ה-Pods, ה-Pods יקרסו.
בקשות ברירת מחדל, מינימום ומקסימום למשאבים
כשבוחרים ComputeClass לעומסי העבודה ב-Autopilot, חשוב לוודא שאתם מציינים בקשות למשאבים שעומדות בבקשות המינימליות והמקסימליות של אותו ComputeClass. במאמר בקשות למשאבים ומגבלות ב-GKE Autopilot מפורט מידע על בקשות ברירת המחדל, וגם על בקשות המינימום והמקסימום לכל ComputeClass.
המאמרים הבאים
- מידע על שיטות מומלצות לשימוש ב-ComputeClasses
- איך בוחרים ComputeClasses ספציפיים בעומסי העבודה ב-Autopilot
- מידע על בקשות המשאבים המינימליות, המקסימליות וברירת המחדל לכל פלטפורמה.