Pour améliorer la stabilité des charges de travail, le mode Autopilot de Google Kubernetes Engine (GKE) gère les valeurs des requêtes de ressources des pods, telles que le processeur, la mémoire ou le stockage éphémère. Cette page contient les informations suivantes, que vous pouvez utiliser pour planifier des charges de travail efficaces, stables et rentables :
- Valeurs par défaut qu'Autopilot applique aux pods qui ne spécifient pas de valeurs.
- Valeurs minimales et maximales qu'Autopilot applique aux requêtes de ressources.
- Comment les valeurs par défaut, minimale et maximale varient en fonction du matériel demandé par vos pods.
Cette page est destinée aux opérateurs et aux développeurs qui provisionnent et configurent des ressources cloud, et déploient des charges de travail. Pour en savoir plus sur les rôles courants et les exemples de tâches que nous citons dans le contenu Google Cloud, consultez Rôles utilisateur et tâches courantes de GKE.
Vous devez déjà connaître la gestion des ressources Kubernetes.
Présentation des requêtes de ressources dans Autopilot
Autopilot utilise les requêtes de ressources que vous spécifiez dans la configuration de votre charge de travail pour configurer les nœuds qui les exécutent. Autopilot applique des requêtes de ressources minimales et maximales en fonction de la classe de calcul ou de la configuration matérielle utilisée par vos charges de travail. Si vous ne spécifiez pas de requêtes pour certains conteneurs, Autopilot attribue des valeurs par défaut pour permettre à ces conteneurs de s'exécuter correctement.
Lorsque vous déployez une charge de travail dans un cluster Autopilot, GKE valide la configuration de la charge de travail par rapport aux valeurs minimales et maximales autorisées pour la classe de calcul sélectionnée ou la configuration matérielle (tels que les GPU). Si les requêtes sont inférieures au minimum, Autopilot modifie automatiquement la configuration de votre charge de travail pour que les requêtes soient comprises dans la plage autorisée. Si les requêtes sont supérieures au maximum, Autopilot rejette votre charge de travail et affiche un message d'erreur.
La liste suivante récapitule les catégories de requêtes de ressources :
- Requêtes de ressources par défaut : Autopilot les ajoute si vous ne spécifiez pas vos propres requêtes pour les charges de travail.
- Nombre minimal et maximal de requêtes de ressources : Autopilot valide les requêtes spécifiées pour s'assurer qu'elles sont dans les limites. Si vos requêtes dépassent les limites, Autopilot modifie vos requêtes de charge de travail.
- Séparation des charges de travail et requêtes de durée étendue : Autopilot possède différentes valeurs par défaut et différentes valeurs minimales pour les charges de travail que vous divisez ou pour les pods qui bénéficient d'une protection étendue avec l'éviction lancée par GKE.
- Requêtes de ressources pour les objets DaemonSet : Autopilot possède des valeurs par défaut, minimales et maximales différentes pour les conteneurs des objets DaemonSet.
Comment demander des ressources
Dans Autopilot, vous demandez des ressources dans la spécification de votre pod. Les ressources minimales et maximales acceptées que vous pouvez demander varient en fonction de la configuration matérielle du nœud sur lequel les pods sont exécutés. Pour savoir comment demander des configurations matérielles spécifiques, reportez-vous aux pages suivantes :
- Choisir des classes de calcul pour les pods Autopilot
- Déployer des charges de travail GPU dans Autopilot
Requêtes de ressources par défaut
Si vous ne spécifiez pas de requêtes de ressources pour certains conteneurs d'un pod, Autopilot applique les valeurs par défaut. Ces valeurs par défaut sont adaptées à de nombreuses charges de travail de faible volume.
De plus, Autopilot applique les requêtes de ressources par défaut suivantes, quelle que soit la classe de calcul sélectionnée ou la configuration matérielle :
Conteneurs dans DaemonSets
- Processeur : 50 mCPU
- Mémoire : 100 Mio
- Stockage éphémère : 100 Mio
Tous les autres conteneurs
- Stockage éphémère : 1 Gio
Pour en savoir plus sur les limites des clusters Autopilot, consultez la section Quotas et limites.
Requêtes par défaut pour les classes de calcul
Autopilot applique les valeurs par défaut suivantes aux ressources qui ne sont pas définies dans la spécification du pod pour les pods exécutés sur des classes de calcul. Si vous ne définissez qu'une seule des requêtes et laissez l'autre vide, GKE utilise le ratio processeur/mémoire défini dans la section Nombre minimal et maximal de requêtes pour définir la requête manquante sur une valeur conforme au ratio.
Autopilot n'applique pas de requêtes par défaut pour les pods GPU et les pods qui utilisent la classe de calcul Performance. Le tableau suivant décrit les requêtes de ressources par défaut pour chaque ComputeClass :
| ComputeClass | Demande de CPU par défaut | Demande de mémoire par défaut |
|---|---|---|
Usage général (autopilot par défaut ou autopilot-arm) |
0,5 vCPU | 2 Gio |
| Équilibré | 0,5 vCPU | 2 Gio |
| Scaling horizontal | 0,5 vCPU | 2 Gio |
Requêtes de ressources minimales et maximales
Le nombre total des ressources demandées par votre configuration de déploiement doit être inférieur aux valeurs minimales et maximales autorisées par Autopilot. Les conditions suivantes s'appliquent :
Requête minimale par nœud : lorsque vous utilisez le modèle de facturation basé sur les pods pour exécuter des charges de travail en mode Autopilot dans des clusters standards, et que la somme des requêtes de ressources des pods facturables sur un nœud est inférieure à la requête minimale qui s'appliquerait à un seul pod, GKE ajoute des frais pour cette requête minimale.
En raison de la façon dont Autopilot modifie vos requêtes de ressources de pod, la somme des requêtes de pod facturables sur un nœud atteint ou dépasse presque toujours cette requête minimale par nœud.
Requêtes de stockage éphémère :
Le stockage éphémère utilise le disque de démarrage de la VM, sauf si des disques SSD locaux sont associés à vos nœuds.
Le matériel de calcul comprenant des disques SSD locaux comme des GPU A100 (80 Go), des GPU H100 (80 Go), des séries de machines Z3 ou des séries de machines Z4D acceptent une requête maximale égale à la taille du disque SSD local moins les frais système. Pour en savoir plus sur cette surcharge du système, consultez Stockage éphémère sauvegardé par les disques SSD locaux.
Dans GKE version 1.29.3-gke.1038000 et ultérieures, les pods de classe Performance et les pods d'accélérateur matériel acceptent une demande de stockage éphémère maximale de 56 Tio, sauf si le matériel inclut des disques SSD locaux.
Dans tous les autres pods Autopilot, quelle que soit la version de GKE, la requête de stockage éphémère totale pour tous les conteneurs du pod doit être comprise entre 10 Mio et 10 Gio, sauf indication contraire.
Pour les volumes plus importants, utilisez des volumes éphémères génériques, qui offrent des fonctionnalités et des performances équivalentes au stockage éphémère, mais avec une flexibilité bien plus importante car ils peuvent s'utiliser avec n'importe quelle option de stockage GKE. Par exemple, la taille maximale d'un volume éphémère générique utilisant
pd-balancedest de 64 Tio.
Pour les pods DaemonSet, les requêtes de ressources minimales sont les suivantes :
- Clusters compatibles avec le bursting : 1 mCPU par pod, 2 Mio de mémoire par pod et 10 Mio de stockage éphémère par conteneur dans le pod.
- Clusters non compatibles avec le bursting : 10 mCPU par pod, 10 Mio de mémoire par pod et 10 Mio de stockage éphémère par conteneur dans le pod.
Pour vérifier si votre cluster est compatible avec le bursting, consultez la page Bursting de la disponibilité dans GKE.
Si votre cluster est compatible avec l'utilisation intensive, Autopilot n'applique pas d'incréments de 0,25 vCPU pour les requêtes de processeurs de votre pod. Si votre cluster n'est pas compatible avec le bursting, Autopilot arrondit vos requêtes de processeur au 0,25 vCPU le plus proche. Pour vérifier si votre cluster est compatible avec le bursting, consultez la page Bursting de la disponibilité dans GKE.
Le ratio processeur/mémoire doit être compris dans la plage autorisée pour la classe de calcul sélectionnée ou la configuration matérielle. Si le ratio processeur/mémoire se situe en dehors de la plage autorisée, Autopilot augmente automatiquement la ressource la plus petite. Par exemple, si vous demandez 1 vCPU et 16 Gio de mémoire (ratio 1:16) pour les pods exécutés sur la classe
Scale-Out, Autopilot augmente la demande de processeur à 4 vCPU, ce qui passe le ratio à 1:4.
Valeurs minimales et maximales pour les classes de calcul
Le tableau suivant décrit le ratio processeur/mémoire minimal, maximal et autorisé pour chaque classe de calcul compatible avec Autopilot :
| Classe de calcul | Ratio processeur:mémoire (processeur virtuel:Gio) | Ressource | Minimum | Maximum |
|---|---|---|---|---|
Usage général (autopilot par défaut ou autopilot-arm) |
Entre 1:1 et 1:6.5 | Processeur | La valeur varie selon que votre cluster est compatible avec le bursting, comme suit :
Pour vérifier si votre cluster est compatible avec le bursting, consultez la page Bursting de la disponibilité dans GKE. |
30 vCPU |
Usage général (autopilot par défaut ou autopilot-arm) |
Entre 1:1 et 1:6.5 | Mémoire | La valeur varie selon que votre cluster est compatible avec le bursting, comme suit :
Pour vérifier si votre cluster est compatible avec le bursting, consultez la page Bursting de la disponibilité dans GKE. |
110 Gio |
| Équilibré | Entre 1:1 et 1:8 | Processeur | 0,25 vCPU | 222 vCPU Si vous avez sélectionné la plate-forme de processeur minimale :
|
| Équilibré | Entre 1:1 et 1:8 | Mémoire | 0,5 Gio | 851 Gio Si vous avez sélectionné la plate-forme de processeur minimale :
|
| Performances | N/A | Processeur | Aucun nombre minimal de demandes n'est appliqué |
|
| Performances | N/A | Mémoire | Aucun nombre minimal de demandes n'est appliqué |
|
| Performances | N/A | Espace de stockage éphémère | Aucun nombre minimal de demandes n'est appliqué |
|
| Scaling horizontal | Exactement 1:4 | Processeur | 0,25 vCPU |
|
| Scaling horizontal | Exactement 1:4 | Mémoire | 1 Gio |
|
Pour savoir comment demander des classes de calcul dans vos pods Autopilot, consultez la section Choisir les classes de calcul pour les pods Autopilot.
Valeurs minimales et maximales pour les accélérateurs
GKE n'applique pas de demandes minimales de processeur, de mémoire ou de stockage éphémère pour les pods qui utilisent des accélérateurs. Sauf indication contraire, la capacité de stockage éphémère maximale est de 56 Tio. Le tableau suivant décrit le nombre maximal de requêtes pour chacune de ces ressources en fonction du nombre et du type d'accélérateur que vous utilisez :
| Type d'accélérateur | Ressource | Maximum |
|---|---|---|
NVIDIA B200
|
Processeur |
|
NVIDIA B200
|
Mémoire |
|
NVIDIA B200
|
Espace de stockage éphémère |
|
NVIDIA H200 (141 Go)
|
Processeur |
|
NVIDIA H200 (141 Go)
|
Mémoire |
|
NVIDIA H200 (141 Go)
|
Espace de stockage éphémère |
|
NVIDIA H100 Mega (80 Go)
|
Processeur |
|
NVIDIA H100 Mega (80 Go)
|
Mémoire |
|
NVIDIA H100 Mega (80 Go)
|
Espace de stockage éphémère |
|
NVIDIA H100 (80 Go)
|
Processeur |
|
NVIDIA H100 (80 Go)
|
Mémoire |
|
NVIDIA H100 (80 Go)
|
Espace de stockage éphémère |
|
NVIDIA A100 (40 Go)
|
Processeur |
La somme des requêtes de processeurs de tous les objets DaemonSet exécutés sur un nœud GPU A100 ne doit pas dépasser 2 processeurs virtuels. |
NVIDIA A100 (40 Go)
|
Mémoire |
La somme des requêtes de mémoire de tous les objets DaemonSet exécutés sur un nœud GPU A100 ne doit pas dépasser 14 Gio. |
NVIDIA A100 (80 Go)
|
Processeur |
La somme des requêtes de processeurs de tous les objets DaemonSet exécutés sur un nœud GPU A100 (80 Go) ne doit pas dépasser 2 processeurs virtuels. |
NVIDIA A100 (80 Go)
|
Mémoire |
La somme des requêtes de mémoire de tous les objets DaemonSet exécutés sur un nœud GPU A100 (80 Go) ne doit pas dépasser 14 Gio. |
NVIDIA A100 (80 Go)
|
Espace de stockage éphémère |
|
NVIDIA RTX PRO 6000
|
Processeur |
|
NVIDIA RTX PRO 6000
|
Mémoire |
|
NVIDIA RTX PRO 6000
|
Espace de stockage éphémère |
|
NVIDIA L4
|
Processeur |
La somme des requêtes de processeurs de tous les objets DaemonSet exécutés sur un nœud GPU L4 ne doit pas dépasser 2 processeurs virtuels. |
NVIDIA L4
|
Mémoire |
La somme des requêtes de mémoire de tous les objets DaemonSet exécutés sur un nœud GPU L4 ne doit pas dépasser 14 Gio. |
NVIDIA Tesla T4
|
Processeur |
|
NVIDIA Tesla T4
|
Mémoire |
|
Ironwood (TPU7x)
|
Processeur |
|
Ironwood (TPU7x)
|
Mémoire |
|
Ironwood (TPU7x)
|
Espace de stockage éphémère | 56 Tio |
TPU v6e (preview)
|
Processeur |
|
TPU v6e (preview)
|
Mémoire |
|
TPU v6e (preview)
|
Espace de stockage éphémère | 56 Tio |
TPU v5e
|
Processeur |
|
TPU v5e
|
Mémoire |
|
TPU v5e
|
Espace de stockage éphémère | 56 Tio |
TPU v5p
|
Processeur | 280 vCPU |
TPU v5p
|
Mémoire | 448 Gio |
TPU v5p
|
Espace de stockage éphémère | 56 Tio |
TPU v4
|
Processeur | 240 vCPU |
TPU v4
|
Mémoire | 407 Gio |
TPU v4
|
Espace de stockage éphémère | 56 Tio |
Pour savoir comment demander des GPU dans vos pods Autopilot, consultez la section Déployer des charges de travail GPU dans Autopilot.
Requêtes de ressources pour la séparation des charges de travail et la durée étendue
Dans les scénarios suivants, Autopilot applique des valeurs plus élevées pour les requêtes de ressources par défaut et minimales :
- Vous utilisez une règle de priorité
podFamilydans n'importe quelle ComputeClass Autopilot personnalisée qui n'est pas la valeur par défaut au niveau du cluster. - Vous déployez des charges de travail qui répondent aux deux critères suivants :
- Utilisez l'une des configurations de calcul suivantes :
- Plate-forme de calcul optimisée pour les conteneurs par défaut dans les clusters Autopilot.
- Toute ComputeClass Autopilot intégrée.
- Règles de priorité
podFamilydans une classe ComputeClass Autopilot personnalisée qui est également la classe par défaut au niveau du cluster. - Les ComputeClasses
BalancedouScale-Outdans les clusters Autopilot.
- Manipulez le comportement de planification et d'éviction de Kubernetes de l'une des manières suivantes :
- Vous utilisez la séparation des charges de travail pour vous assurer que certains pods ne sont placés que sur des nœuds spécifiques.
- Utilisez l'anti-affinité de pod pour empêcher les pods de coexister sur le même nœud.
- Vous utilisez une annotation pour prolonger la durée d'exécution des pods Autopilot, ce qui empêche l'éviction en raison de mises à niveau automatiques des nœuds et d'événements de réduction de capacité pendant sept jours maximum.
- Utilisez l'une des configurations de calcul suivantes :
Par défaut, si vos requêtes de ressources sont inférieures à la valeur minimale autorisée, Autopilot augmente vos requêtes de ressources pour atteindre le minimum. L'exception à ce comportement est l'anti-affinité de pod, où Autopilot rejette le pod avec un message d'erreur.
Le tableau suivant décrit les requêtes par défaut et les requêtes de ressources minimales que vous pouvez spécifier dans ces scénarios :
| Configuration | Par défaut | Minimum |
|---|---|---|
Pods qui modifient le comportement de planification ou d'éviction et utilisent l'une des configurations suivantes :
|
|
|
Pods qui utilisent des règles podFamily dans des ComputeClasses personnalisées autres que celles par défaut |
|
|
Pods qui modifient le comportement de planification ou d'éviction et utilisent la ComputeClass Balanced dans les clusters Autopilot |
|
|
Pods qui modifient le comportement de planification ou d'éviction et utilisent la ComputeClass Scale-Out dans les clusters Autopilot |
|
|
Conteneurs d'initialisation
Les conteneurs d'initialisation s'exécutent de manière séquentielle, et tous les conteneurs d'initialisation doivent se terminer avant que les conteneurs d'application puissent démarrer. Dans les clusters Autopilot, si vous ne spécifiez pas de requêtes de processeur ou de mémoire pour les conteneurs d'initialisation, ou si vous définissez explicitement les requêtes sur 0, Autopilot modifie vos pods lors de la création pour ajouter des requêtes de ressources à chaque conteneur d'initialisation. Les requêtes attribuées à chaque conteneur d'initialisation sont égales à la somme des requêtes pour tous les conteneurs d'application du pod. Il s'agit du comportement par défaut.
Ce comportement est différent de celui des clusters standards, où les conteneurs d'initialisation utilisent toutes les ressources non allouées disponibles sur le nœud sur lequel le pod est planifié.
Allocation automatique des ressources pour les conteneurs d'initialisation
L'allocation automatique des ressources pour les conteneurs d'initialisation se produit lors de la création du pod. Nous vous suggérons de ne pas spécifier manuellement de requêtes de ressources pour les conteneurs d'initialisation dans les clusters Autopilot, afin que chaque conteneur ait accès aux ressources complètes disponibles pour le pod par défaut.
Si vous modifiez les requêtes de ressources des conteneurs non initiaux du pod après sa création, Autopilot n'ajuste pas automatiquement les requêtes de ressources des conteneurs initiaux. Par conséquent, vous pouvez constater des frais qui ne correspondent pas à l'utilisation réelle des ressources du pod. Votre facture est basée sur la requête de ressource effective du pod, qui correspond à la plus élevée des valeurs suivantes :
- La plus grande requête de ressource d'un conteneur d'initialisation unique dans le pod.
- Somme des requêtes pour tous les conteneurs d'application du pod.
Pour en savoir plus, consultez Gestion automatique des ressources dans Autopilot.
Allocation manuelle de ressources pour les conteneurs d'initialisation
Si vous devez modifier les requêtes de ressources existantes pour vos conteneurs d'application afin de gérer les coûts et les ressources, nous vous recommandons d'effectuer l'une des opérations suivantes pour ajuster vos requêtes de conteneur d'initialisation :
- Mettez à jour manuellement les requêtes de ressources pour le conteneur d'initialisation afin qu'elles correspondent aux nouvelles requêtes totales sur le pod. Tenez compte des points suivants lorsque vous spécifiez manuellement les requêtes de ressources :
- Les requêtes inférieures aux ressources totales du pod peuvent limiter le conteneur d'initialisation.
- Les requêtes supérieures aux ressources totales du pod peuvent augmenter les coûts.
- Supprimez les requêtes de ressources pour permettre à Autopilot de les recalculer. Par défaut, Autopilot réalloue les ressources à chaque conteneur d'initialisation en fonction du total actuel des requêtes de ressources demandées par tous les conteneurs d'application du pod.
Définir des limites de ressources dans Autopilot
Kubernetes vous permet de définir requests et limits pour les ressources de votre spécification de pod. Le comportement de vos pods varie selon que votre limits est différent de votre requests, comme décrit dans le tableau suivant :
| Valeurs définies | Comportement d'Autopilot |
|---|---|
requests égal à limits |
Les pods utilisent la classe QoS Guaranteed.
|
requests défini, limits non défini |
Le comportement varie selon que votre cluster est compatible avec le bursting, comme suit :
Pour vérifier si votre cluster est compatible avec le bursting, consultez la page Bursting de la disponibilité dans GKE. |
requests non défini, limits défini. |
Autopilot définit requests sur la valeur de limits, qui est le comportement de Kubernetes par défaut.
Avant : resources:
limits:
cpu: "400m"Après : resources:
requests:
cpu: "400m"
limits:
cpu: "400m" |
requests de moins que limits |
Le comportement varie selon que votre cluster est compatible avec le bursting, comme suit :
Pour vérifier si votre cluster est compatible avec le bursting, consultez la page Bursting de la disponibilité dans GKE. |
requests supérieur à limits |
Autopilot définit requests sur la valeur de limits.
Avant : resources:
requests:
cpu: "450m"
limits:
cpu: "400m"Après : resources:
requests:
cpu: "400m"
limits:
cpu: "400m" |
requests non défini, limits non défini. |
Autopilot définit les valeurs par défaut de Le comportement de
Pour vérifier si votre cluster est compatible avec le bursting, consultez la page Bursting de la disponibilité dans GKE. |
Dans la plupart des cas, définissez des requêtes de ressources adéquates et des limites égales pour vos charges de travail.
Pour les charges de travail nécessitant temporairement plus de ressources que leur état stable, par exemple au démarrage ou pendant les périodes de trafic plus élevées, définissez des limites supérieures à vos requêtes pour permettre aux pods de passer en utilisation intensive. Pour en savoir plus, consultez la page Configurer le bursting des pods dans GKE.
Gestion automatique des ressources dans Autopilot
Si les requêtes de ressources spécifiées pour vos charges de travail se situent en dehors des plages autorisées, ou si vous ne demandez pas de ressources pour certains conteneurs, Autopilot modifie la configuration de votre charge de travail pour respecter les limites autorisées. Autopilot calcule les ratios de ressources et les exigences de scaling des ressources après avoir appliqué les valeurs par défaut aux conteneurs sans spécifier de requête.
- Requêtes manquantes : si vous ne demandez pas de ressources dans certains conteneurs, Autopilot applique les requêtes par défaut pour la classe de calcul ou la configuration matérielle.
- Ratio processeur/mémoire : Autopilot augmente la taille de la ressource la plus petite afin d'atteindre le ratio dans la plage autorisée.
- Stockage éphémère : Autopilot modifie vos requêtes de stockage éphémère afin d'atteindre la quantité minimale requise par chaque conteneur. La valeur cumulative des requêtes de stockage pour tous les conteneurs ne peut pas être supérieure à la valeur maximale autorisée. Avant la version 1.28.6-gke.1317000, Autopilot effectue un scaling à la baisse du stockage éphémère demandé si la valeur dépasse la valeur maximale. Dans la version 1.28.6-gke.1317000 et les versions ultérieures, Autopilot rejette votre charge de travail.
- Requêtes inférieures aux valeurs minimales : si vous demandez moins de ressources que le minimum autorisé pour la configuration matérielle sélectionnée, Autopilot modifie automatiquement le pod pour demander au moins la valeur minimale de ressources.
Par défaut, lorsqu'Autopilot effectue un scaling automatique d'une ressource pour atteindre une valeur de ressource minimale ou par défaut, GKE alloue la capacité supplémentaire au premier conteneur du fichier manifeste du pod. Dans GKE 1.27.2-gke.2200 et versions ultérieures, vous pouvez indiquer à GKE d'allouer les ressources supplémentaires à un conteneur spécifique en ajoutant ce qui suit au champ annotations de votre fichier manifeste de pod :
autopilot.gke.io/primary-container: "CONTAINER_NAME"
Remplacez CONTAINER_NAME par le nom du conteneur.
Exemples de modification de ressources
L'exemple de scénario suivant montre comment Autopilot modifie la configuration de votre charge de travail pour répondre aux exigences de vos pods et conteneurs en cours d'exécution.
Conteneur unique avec un processeur inférieur à 0,05 vCPU
Le tableau suivant montre comment Autopilot modifie la requête de ressource pour un seul conteneur demandant moins de 0,05 vCPU :
| Nombre de conteneurs | Demande initiale | Demande modifiée |
|---|---|---|
| 1 |
|
|
Plusieurs conteneurs avec un processeur total inférieur à 0,05 vCPU
Le tableau suivant montre comment Autopilot modifie les requêtes de ressources pour plusieurs conteneurs lorsque la requête de processeur totale est inférieure à 0,05 vCPU :
| Nombre de conteneurs | Demandes d'origine | Demandes modifiées |
|---|---|---|
| 1 |
|
|
| 2 |
|
|
| 3 |
|
|
| Total des ressources du pod | N/A |
|
Conteneur unique avec une mémoire trop faible pour le processeur demandé
Dans cet exemple, la mémoire est trop faible pour la quantité de processeurs (1 vCPU pour 1 Gio minimum). Le ratio minimal processeur/mémoire autorisé est de 1:1. Si le ratio est inférieur à cette valeur, la demande de mémoire est augmentée, comme indiqué dans le tableau suivant :
| Nombre de conteneurs | Demande initiale | Demande modifiée |
|---|---|---|
| 1 |
|
|
| Total des ressources du pod | N/A |
|
Étapes suivantes
- Découvrez comment configurer le bursting des pods dans GKE.
- Découvrez comment choisir des classes de calcul pour les pods Autopilot.
- Découvrez comment accélérer le démarrage des applications à l'aide de l'optimisation du processeur au démarrage.