超大規模商用 K8s 場景下，阿里巴巴如何動態解決容器資源的按需分配問題？

作者 |?張曉宇（衷源）? 阿里云容器平臺技術專家

導讀：資源利用率一直是很多平臺管理和研發人員關心的話題。本文作者通過阿里巴巴容器平臺團隊在這一領域的工作實踐，整理出了一套資源利用提升的方案，希望能夠帶給大家帶來一些討論和思考。

引言

不知道大家有沒有過這樣的經歷：當我們擁有了一套 Kubernetes 集群，然后開始部署應用的時候，我們應該給容器分配多少資源呢？

這很難說。由于 Kubernetes 自己的機制，我們可以理解容器的資源實質上是一個靜態的配置。

• 如果我發現資源不足，為了分配給容器更多資源，我們需要重建 Pod；
• 如果分配冗余的資源，那么我們的 worker node 節點似乎又部署不了多少容器。

試問，我們能做到容器資源的按需分配嗎？接下來，我們將在本次分享中和大家一起進行探討這個問題的答案。

生產環境中的真實挑戰

首先請允許我們根據我們的實際情況拋出我們實際生產環境的挑戰。或許大家還記得 2018 年的天貓雙 11，這一天的總成交額達到了 2135 億。由此一斑可窺全豹，能夠支撐如此龐大規模的交易量背后的系統，其應用種類和數量應該是怎樣的一種規模。

在這種規模下，我們常常聽到的容器調度，如：容器編排，負載均衡，集群擴縮容，集群升級，應用發布，應用灰度等等這些詞，在被“超大規模集群”這個詞修飾后，都不再是件容易處理的事情。規模本身也就是我們最大的挑戰。如何運營和管理好這么一個龐大的系統，并遵循業界 dev-ops 宣傳的那樣效果，猶如讓大象去跳舞。但是馬老師曾說過，大象就該干大象該干的事情，為什么要去跳舞呢。

Kubernetes 的幫助

cdn.com/a20c0dfb35bf47b45d1f7791daa53c7531222775.png">

大象是否可以跳舞，帶著這個問題，我們需要從淘寶、天貓等 APP 背后系統說起。

這套互聯網系統應用部署大致可分為三個階段，傳統部署，虛擬機部署和容器部署。相比于傳統部署，虛擬機部署有了更好的隔離性和安全性，但是在性能上不可避免的產生了大量損耗。而容器部署又在虛擬機部署實現隔離和安全的背景下，提出了更輕量化的解決方案。我們的系統也是沿著這么一條主航道上運行的。假設底層系統好比一艘巨輪，面對巨量的集裝箱---容器，我們需要一個優秀的船長，對它們進行調度編排，讓系統這艘大船可以避開層層險阻，操作難度降低，且具備更多靈活性，最終達成航行的目的。

理想與現實

在開始之初，想到容器化和 Kubernetes 的各種美好場景，我們理想中的容器編排效果應該是這樣的：

• 從容：我們的工程師更加從容的面對復雜的挑戰，不再眉頭緊鎖而是更多笑容和自信；
• 優雅：每一次線上變更操作都可以像品著紅酒一樣氣定神閑，優雅地按下執行的回車鍵；
• 有序：從開發到測試，再到灰度發布，一氣呵成，行云流水；
• 穩定：系統健壯性良好，任爾東西南北風，我們系統巋然不動。全年系統可用性 N 多個 9；
• 高效：節約出更多人力，實現“快樂工作，認真生活”。

然而理想很豐滿，現實很骨感。迎接我們的卻是雜亂和形態各異的窘迫。

雜亂，是因為作為一個異軍突起的新型技術棧，很多配套工具和工作流的建設處于初級階段。Demo 版本中運行良好的工具，在真實場景下大規模鋪開，各種隱藏的問題就會暴露無遺，層出不窮。從開發到運維，所有的工作人員都在各種被動地疲于奔命。另外，“大規模鋪開”還意味著，要直接面對形態各異的生產環境：異構配置的機器、復雜的需求，甚至是適配用戶的既往的使用習慣等等。

除了讓人心力交瘁的混亂，系統還面臨著應用容器的各種崩潰問題：內存不足導致的 OOM，CPU quota 分配太少，導致進程被 throttle，還有帶寬不足，響應時延大幅上升...甚至是交易量在面對訪問高峰時候由于系統不給力導致的斷崖式下跌等等。這些都使我們在大規模商用 Kubernetes 場景中積累非常多的經驗。

直面問題

穩定性

問題總要進行面對的。正如某位高人說過：如果感覺哪里不太對，那么肯定有些地方出問題了。于是我們就要剖析，問題究竟出在哪里。針對于內存的 OOM，CPU 資源被 throttle，我們可以推斷我們給與容器分配的初始資源不足。

資源不足就勢必造成整個應用服務穩定性下降。例如上圖的場景：雖然是同一種應用的副本，或許是由于負載均衡不夠強大，或者是由于應用自身的原因，甚至是由于機器本身是異構的，相同數值的資源，可能對于同一種應用的不同副本并具有相等的價值和意義。在數值上他們看似分配了相同的資源，然而在實際負載工作時，極有可能出現的現象是肥瘦不均的。

而在資源 overcommit 的場景下，應用在整個節點資源不足，或是在所在的 CPU share pool 資源不足時，也會出現嚴重的資源競爭關系。資源競爭是對應用穩定性最大的威脅之一。所以我們要盡力在生產環境中清除所有的威脅。

我們都知道穩定性是件很重要的事情，尤其對于掌控上百萬容器生殺大權的一線研發人員。或許不經心的一個操作就有可能造成影響面巨大的生產事故。

因此，我們也按照一般流程做了系統預防和兜底工作。

• 在預防維度，我們可以進行全鏈路的壓力測試，并且提前通過科學的手段預判應用需要的副本數和資源量。如果沒法準確預算資源，那就只采用冗余分配資源的方式了。
• 在兜底維度，我們可以在大規模訪問流量抵達后，對不緊要的業務做服務降級并同時對主要應用進行臨時擴容。

但是對于陡然增加幾分鐘的突增流量，這么多組合拳的花費不菲，似乎有些不劃算。或許我們可以提出一些解決方案，達到我們的預期。

資源利用率

回顧一下我們的應用部署情況：節點上的容器一般分屬多種應用，這些應用本身不一定，也一般不會同時處于訪問的高峰。對于混合部署應用的宿主機，如果能都錯峰分配上面運行容器的資源或許更科學。

應用的資源需求可能就像月亮一樣有陰晴圓缺，有周期變化。例如在線業務，尤其是交易業務，它們在資源使用上呈現一定的周期性，例如：在凌晨、上午時，它的使用量并不是很高，而在午間、下午時會比較高。

打個比方：對于 A 應用的重要時刻，對于 B 應用可能不那么重要，適當打壓 B 應用，騰挪出資源給 A 應用，這是個不錯的選擇。這聽起來有點像是分時復用的感覺。但是如果我們按照流量峰值時的需求配置資源就會產生大量的浪費。

除了對于實時性要求很高的在線應用外，我們還有離線應用和實時計算應用等：離線計算對于 CPU 、Memory 或網絡資源的使用以及時間不那么敏感，所以在任何時間段它都可以運行；實時計算，可能對于時間敏感性就會很高。

早期，我們業務是在不同的節點按照應用的類型獨立進行部署。從上面這張圖來看，如果它們進行分時復用資源，針對實時性這個需求層面，我們會發現它實際的最大使用量不是 2+2+1=5，而是某一時刻重要緊急應用需求量的最大值，也就是 3 。如果我們能夠數據監測到每個應用的真實使用量，給它分配合理值，那么就能產生資源利用率提升的實際效果。

對于電商應用，對于采用了重量級 Java 框架和相關技術棧的 Web 應用，短時間內 HPA 或者 VPA 都不是件容易的事情。

先說 HPA，我們或許可以秒級拉起了 Pod，創建新的容器，然而拉起的容器是否真的可用呢。從創建到可用，可能需要比較久的時間，對于大促和搶購秒殺-這種訪問量“洪峰”可能僅維持幾分鐘或者十幾分鐘的實際場景，如果我們等到 HPA 的副本全部可用，可能市場活動早已經結束了。

至于社區目前的 VPA 場景，刪掉舊 Pod，創建新 Pod，這樣的邏輯更難接受。所以綜合考慮，我們需要一個更實際的解決方案彌補 HPA 和 VPA 的在這一單機資源調度的空缺。

解決方案

交付標準

我們首先要對解決方案設定一個可以交付的標準那就是—— “既要穩定性，也要利用率，還要自動化實施，當然如果能夠智能化那就更好”，然后再交付標準進行細化：

• 安全穩定：工具本身高可用。所用的算法和實施手段必須做到可控；
• 業務容器按需分配資源：可以及時根據業務實時資源消耗對不太久遠的將來進行資源消耗預測，讓用戶明白業務接下來對于資源的真實需求；
• 工具本身資源開銷小：工具本身資源的消耗要盡可能小，不要成為運維的負擔；
• 操作方便，擴展性強：能做到無需接受培訓即可玩轉這個工具，當然工具還要具有良好擴展性，供用戶 DIY；
• 快速發現 & 及時響應：實時性，也就是最重要的特質，這也是和HPA或者VPA在解決資源調度問題方式不同的地方。

設計與實現

上圖是我們最初的工具流程設計：當一個應用面臨很高的業務訪問需求時，體現在 CPU、Memory 或其他資源類型需求量變大，我們根據 Data Collector 采集的實時基礎數據，利用 Data Aggregator 生成某個容器或整個應用的畫像，再將畫像反饋給 Policy engine。 Policy engine 會瞬時快速修改容器 Cgroup 文件目錄下的的參數。

我們最早的架構和我們的想法一樣樸實，在 kubelet 進行了侵入式的修改。雖然我們只是加了幾個接口，但是這種方式確實不夠優雅。每次 kubenrnetes 升級，對于 Policy engine 相關組件升級也有一定的挑戰。

為了做到快速迭代并和 Kubelet 解耦，我們對于實現方式進行了新的演進。那就是將關鍵應用容器化。這樣可以達到以下功效：

• 不侵入修改 K8s 核心組件；
• 方便迭代&發布；
• 借助于 Kubernetes 相關的 QoS Class 機制，容器的資源配置，資源開銷可控。

當然在后續演進中，我們也在嘗試和 HPA，VPA 進行打通，畢竟這些和 Policy engine 存在著互補的關系。因此我們架構進一步演進成如下情形。當 Policy engine 在處理一些更多復雜場景搞到無力時，上報事件讓中心端做出更全局的決策。水平擴容或是垂直增加資源。

下面我們具體討論一下 Policy engine 的設計。Policy engine 是單機節點上進行智能調度并執行 Pod 資源調整的核心組件。它主要包括 api server，指揮中心 command center 和執行層 executor。

• 其中 api server 用于服務外界對于 policy engine 運行狀態的查詢和設置的請求；
• command center 根據實時的容器畫像和物理機本身的負載以及資源使用情況，作出 Pod 資源調整的決策；
• Executor 再根據 command center 的決策，對容器的資源限制進行調整。同時，executor 也把每次調整的 revision info 持久化，以便發生故障時可以回滾。

指揮中心定期從 data aggregator 獲取容器的實時畫像，包括聚合的統計數據和預測數據，首先判斷節點狀態，例如節點磁盤異常，或者網絡不通，表示該節點已經發生異常，需要保護現場，不再對Pod進行資源調整，以免造成系統震蕩，影響運維和調試。如果節點狀態正常，指揮中心會策略規則，對容器數據進行再次過濾。比如容器 CPU 率飆高，或者容器的響應時間超過安全閾值。如果條件滿足，則對滿足條件的容器集合給出資源調整建議，傳遞給executor。

在架構設計上，我們遵循了以下原則：

• 插件化：所有的規則和策略被設計為可以通過配置文件來修改，盡量與核心控制流程的代碼解耦，與 data collector 和 data aggregator 等其他組件的更新和發布解耦，提升可擴展性；

• 穩定，這包括以下幾個方面：

  • 控制器穩定性。指揮中心的決策以不影響單機乃至全局穩定性為前提，包括容器的性能穩定和資源分配穩定。例如，目前每個控制器僅負責一種 cgroup 資源的控制，即在同一時間窗口內，Policy engine 不同時調整多種資源，以免造成資源分配震蕩，干擾調整效果；
  • 觸發規則穩定性。例如，某一條規則的原始觸發條件為容器的性能指標超出安全閾值，但是為避免控制動作被某一突發峰值觸發而導致震蕩，我們把觸發規則定制為：過去一段時間窗口內性能指標的低百分位超出安全閾值；如果規則滿足，說明這段時間內絕大部分的性能指標值都已經超出了安全閾值，就需要觸發控制動作了；
  • 另外，與社區版? Vertical-Pod-Autoscaler 不同，Policy engine 不主動驅逐騰挪容器，而是直接修改容器的 cgroup 文件；

• 自愈：資源調整等動作的執行可能會產生一些異常，我們在每個控制器內都加入了自愈回滾機制，保證整個系統的穩定性；

• 不依賴應用先驗知識：為所有不同的應用分別進行壓測、定制策略，或者提前對可能排部在一起的應用進行壓測，會導致巨大開銷，可擴展性降低。我們的策略在設計上盡可能通用，盡量采用不依賴于具體平臺、操作系統、應用的指標和控制策略。

在資源調整方面，Cgroup 支持我們對各個容器的 CPU、內存、網絡和磁盤 IO 帶寬資源進行隔離和限制，目前我們主要對容器的 CPU 資源進行調整，同時在測試中探索在時分復用的場景下動態調整 memory limit 和 swap usage 而避免 OOM 的可行性；在未來我們將支持對容器的網絡和磁盤 IO 的動態調整。

調整效果

上圖展示了我們在測試集群得到的一些實驗結果。我們把高優先級的在線應用和低優先級的離線應用混合部署在測試集群里。SLO 是 250ms，我們希望在線應用的 latency 的 95 百分位值低于閾值 250ms。

在實驗結果中可以看到：

• 在大約90s前，在線應用的負載很低；latency 的均值和百分位都在 250ms 以下；
• 到了? 90s后，我們給在線應用加壓，流量增加，負載也升高，導致在線應用 latency 的 95 百分位值超過了 SLO；
• 在大約 150s 左右，我們的小步快跑控制策略被觸發，漸進式地 throttle 與在線應用發生資源競爭的離線應用；
• 到了大約 200s 左右，在線應用的性能恢復正常，latency 的 95 百分位回落到 SLO 以下。

這說明了我們的控制策略的有效性。

經驗和教訓

下面我們總結一下在整個項目的進行過程中，我們收獲的一些經驗和教訓，希望這些經驗教訓能夠對遇到類似問題和場景的人有所幫助。

1. 避開硬編碼，組件微服務化，不僅便于快速演進和迭代，還有利于熔斷異常服務。
2. 盡可能不要調用類庫中還是 alpha 或者 beta 特性的接口。 例如我們曾經直接調用 CRI 接口讀取容器的一些信息，或者做一些更新操作，但是隨著接口字段或者方法的修改，共建有些功能就會變得不可用，或許有時候，調用不穩定的接口還不如直接獲取某個應用的打印信息可能更靠譜。
3. 基于 QoS 的資源動態調整方面：如我們之前所講，阿里集團內部有上萬個應用，應用之間的調用鏈相當復雜。應用 A 的容器性能發生異常，不一定都是在單機節點上的資源不足或者資源競爭導致，而很有可能是它下游的應用 B、應用 C，或者數據庫、cache 的訪問延遲導致的。由于單機節點上這種信息的局限性，基于單機節點信息的資源調整，只能采用“盡力而為”，也就是 best effort 的策略了。在未來，我們計劃打通單機節點和中心端的資源調控鏈路，由中心端綜合單機節點上報的性能信息和資源調整請求，統一進行資源的重新分配，或者容器的重新編排，或者觸發 HPA，從而形成一個集群級別的閉環的智能資源調控鏈路，這將會大大提高整個集群維度的穩定性和綜合資源利用率。
4. 資源v.s.性能模型：可能有人已經注意到，我們的調整策略里，并沒有明顯地提出為容器建立“資源v.s.性能”的模型。這種模型在學術論文里非常常見，一般是對被測的幾種應用進行了離線壓測或者在線壓測，改變應用的資源分配，測量應用的性能指標，得到性能隨資源變化的曲線，最終用在實時的資源調控算法中。在應用數量比較少，調用鏈比較簡單，集群里的物理機硬件配置也比較少的情況下，這種基于壓測的方法可以窮舉到所有可能的情況，找到最優或者次優的資源調整方案，從而得到比較好的性能。但是在阿里集團的場景下，我們有上萬個應用，很多重點應用的版本發布也非常頻繁，往往新版本發布后，舊的壓測數據，或者說資源性能模型，就不適用了。另外，我們的集群很多是異構集群，在某一種物理機上測試得到的性能數據，在另一臺不同型號的物理機上就不會復現。這些都對我們直接應用學術論文里的資源調控算法帶來了障礙。所以，針對阿里集團內部的場景，我們采用了這樣的策略：不對應用進行離線壓測，獲取顯示的資源性能模型。而是建立實時的動態容器畫像，用過去一段時間窗口內容器資源使用情況的統計數據作為對未來一小段時間內的預測，并且動態更新；最后基于這個動態的容器畫像，執行小步快跑的資源調整策略，邊走邊看，盡力而為。

總結與展望

總結起來，我們的工作主要實現了以下幾方面的收益：

• 通過分時復用以及將不同優先級的容器（也就是在線和離線任務）混合部署，并且通過對容器資源限制的動態調整，保證了在線應用在不同負載情況下都能得到足夠的資源，從而提高集群的綜合資源利用率。
• 通過對單機節點上的容器資源的智能動態調整，降低了應用之間的性能干擾，保障高優先級應用的性能穩定性
• 各種資源調整策略通過 Daemonset 部署，可以自動地、智能地在節點上運行，減少人工干預，降低了運維的人力成本。

展望未來，我們希望在以下幾個方面加強和擴展我們的工作：

• 閉環控制鏈路：前面已經提到，單機節點上由于缺乏全局信息，對于資源的調整有其局限性，只能盡力而為。未來，我們希望能夠打通與 HPA 和 VPA 的通路，使單機節點和中心端聯動進行資源調整，最大化彈性伸縮的收益。
• 容器重新編排：即使是同一個應用，不同容器的負載和所處的物理環境也是動態變化的，單機上調整 pod 的資源，不一定能夠滿足動態的需求。我們希望單機上實時容器畫像，能夠為中心端提供更多的有效信息，幫助中心端的調度器作出更加智能的容器重編排決策。
• 策略智能化：我們現在的資源調整策略仍然比較粗粒度，可以調整的資源也比較有限；后續我們希望讓資源調整策略更加智能化，并且考慮到更多的資源，比如對磁盤和網絡IO帶寬的調整，提高資源調整的有效性。
• 容器畫像精細化：目前的容器畫像也比較粗糙，僅僅依靠統計數據和線性預測；刻畫容器性能的指標種類也比較局限。我們希望找到更加精確的、通用的、反映容器性能的指標，以便更加精細地刻畫容器當前的狀態和對不同資源的需求程度。
• 查找干擾源：我們希望能找到在單機節點上找到行之有效的方案，來精準定位應用性能受損時的干擾源；這對策略智能化也有很大意義。

Q & A

Q1：直接修改 cgroup 容器一定會獲得資源嗎？
A1：容器技術隔離的技術基礎就是 cgroup 層面。在宿主機騰出足夠資源的情況下，給 cgroup 設置更大的值可以獲取更多的資源。同理，對于一般優先級不高的應用，設置較低的 cgroup 資源值就會達到抑制容器運行的效果。

Q2：底層是如何區分在線和離線優先級的？
A2：底層是無法自動獲取誰是在線，誰是離線，或者誰的優先級高，誰的優先級低的。這個我們可以通過各種 Kubernetes 提供的擴展實現。最簡單的是通過 label，Annotation 標識。當然通過擴展 QoS class 也是一種思路。社區版本的 QoS class設置太過于保守，給予用戶發揮的空間不大。我們通過這些方面也進行了增強。在合適的時候或許會推向社區。自動感知是個方向，感知誰是干擾源，感知誰是某種資源型應用，這塊我們還在研發中。做到真正的動態，肯定是具備自動感知的智能系統。

Q3：“與社區版? Vertical-Pod-Autoscaler 不同，Policy engine 不主動驅逐騰挪容器，而是直接修改容器的 cgroup 文件”，想問一下，不主動驅逐的話，如果 Node 的資源達到上線了會怎么處理？
A3：這是一個好問題。首先這里要先區分是哪種資源，如果是 CPU 型的，我們可以調整低優先級容器的 cgroup 下 cpu quota 的值，首先抑制低優先級的容器對于 CPU 的爭搶。然后再適當上調高優先級容器的相關資源值。如果是內存型資源，這個不能直接去縮小低優先級容器的 cgroup 值，否則會造成 OOM，對于學習內存型資源的調整，我們會在其他分享中繼續討論。這個技術比較特殊。

Q4：只修改 cgroup，怎么保證 K8s 對單個物理機能夠分配更多的容器？
A4：文字直播有了一定說明，容器的資源消耗并非是一成不變的，很多時候它們的資源消耗呈現潮汐現象，相同的資源條件下部署更多應用，完成更多作業就是達到資源利用的最大化的效果。資源出現超賣才是我們這個主題討論的最大價值。

Q5：也就是說，低優先級的容器，request 設置的比 limit 小很多，然后你們再動態的調整 cgroup？
A5：在現有 QoS 場景下，你可以理解被調整的 Pod 都是 burstable 的。但是我們并不是直接調整 Pod 元數據的 limit 的值，而是調整 limit 在 cgroup 反映的值，這個值在資源競爭緩和的時候還會被調整回去的。我們并不建議單機的 cgroup 數據和 etcd 的中心數據割裂太久。如果長期偏離，我們會像 VPA 發出警報，聯動 VPA 做調整。當然在容器運行的高峰期，任何重建容器的操作都是不明智的。

Q6：整體的理解就是你們開始就讓物理機超配了一定比例的 pod，然后通過策略動態調整容器的 cgroup 值？
A6：如果資源完全是富足冗余的，這個動態調整也有一定意義。就是并非資源用滿場景下，高優先級應用會被干擾，實際上，當主機的 CPU 達到一定比例，打個比方例如 50%，應用的時延就變大。為了完全確保高優先級應用的 SLO，犧牲低優先級的 CPU 正常運行也是有價值的。

Q7:Policy engine 有沒有考慮開源？
A7：有計劃進行開源，Policy engine 更多的是和自身的應用屬性相關，電商應用或者大數據處理應用的策略都是不相同的，我們開源會首先開源框架和附帶一些簡單的策略，更多的策略可以用戶自定義。

Q8：我之前遇到的大部分應用都無法正確感知 cgroup 的配置，因此很多情況都需要在啟動參數里面根據 cpu 或者 mem 設置參數，那么也就是說即使改變了 cgroup 對于他們來說都無效，那么使用場景也就有限了
A8：限制容器的資源使用這個還是有價值的。限制低優先級應用本身也可以提升高優先級應用的 SLO，雖然效果沒有那么明顯。穩定性的考量同樣也很重要。

Q9:Policy engine 目前在阿里的使用如何？在生產上有多上的規模使用這種方式進行動態調整？是否和社區的 HPA VPA 配合使用？
A9:?Policy engine 在阿里某些集群已經使用。至于規模暫時無法透漏。涉及到很多組件之間的聯動，社區的 HPA 和 VPA 目前都不太能滿足我們的需求。因此阿里的 HPA 和 VPA 都是我們自行開發的，但是和社區的原理是一致的。阿里 HPA 的開源可以關注 Openkruise 社區。VPA 開源計劃我這里還沒有確切消息。

Q10：當單機節點資源不足以提供容器擴容時，目前是否可以進行 HPA 或 VPA 擴容呢？
A10：單機節點不足的時候，應用可以通過 HPA 進行增加副本應對。但是 VPA 如果選擇原節點進行更新的話，是失敗的。只能調度到其他資源豐富的節點。在流量陡升的場景下，重建容器未必能滿足需求，很可能導致雪崩，即重建過程中，整個應用其他未升級的副本接受更多流量，OOM 掉，新啟動的容器再瞬間被 OOM，所以重啟容器需要慎重。快速擴容（HPA）或者快速提升高優先級資源，抑制低優先級容器資源的方式效果更明顯。

關注『阿里巴巴云原生』公眾號，回復關鍵詞“1010”，可獲取本文 PPT。

“ 阿里巴巴云原生微信公眾號（ID：Alicloudnative）關注微服務、Serverless、容器、Service Mesh等技術領域、聚焦云原生流行技術趨勢、云原生大規模的落地實踐，做最懂云原生開發者的技術公眾號。”