Scegli la dimensione giusta per i tuoi carichi di lavoro GKE su larga scala

Crea un repository

Crea il repository per archiviare l'immagine dell'esportatore di metriche.

1. Crea un nuovo repository Docker:

   gcloud artifacts repositories create main --repository-format=docker \
       --location=$REGION \
       --description="docker repository"
   

2. Configura l'autenticazione nei repository Docker:

   gcloud auth configure-docker $REGION-docker.pkg.dev
   

3. Esegui il deployment dell'immagine lanciando questo comando:

   gcloud builds submit metrics-exporter --region=$REGION --tag $IMAGE
   

Esegui il deployment dell'applicazione

Nella sezione seguente, utilizzerai Terraform per eseguire le seguenti attività:

• Crea un account di servizio e assegna le autorizzazioni necessarie per gestire e interagire con le risorse Google Cloud.
• Concedi al service account i ruoli Visualizzatore monitoraggio, Editor dati BigQuery, Proprietario dati BigQuery, Utente job BigQuery e Avvocato Cloud Run.
• Esegui il deployment di un job Cloud Run che estrae un'immagine Docker da Artifact Registry e la esegue con la configurazione specificata.
• Crea un job Cloud Scheduler che attivi il servizio Cloud Run ogni giorno.
• Crea un set di dati, una tabella e una vista BigQuery per archiviare i dati delle metriche e i consigli.

Configura Terraform

1. Imposta le variabili di ambiente di configurazione:

   export TF_VAR_BIGQUERY_DATASET=gke_metrics_dataset
   export TF_VAR_BIGQUERY_TABLE=gke_metrics
   export TF_VAR_RECOMMENDATION_WINDOW_SECONDS=1209600
   export TF_VAR_RECOMMENDATION_DISTANCE=86400
   export TF_VAR_LATEST_WINDOW_SECONDS=600
   export TF_VAR_METRIC_WINDOW=259200
   export TF_VAR_METRIC_DISTANCE=600
   

   Questo comando include quanto segue:

   • TF_VAR_BIGQUERY_DATASET e TF_VAR_BIGQUERY_TABLE: tieni premuti i dati delle metriche GKE.
   • TF_VAR_RECOMMENDATION_WINDOW_SECONDS: il periodo di tempo per i consigli VPA. Il valore predefinito è 1.209.600 secondi o 14 giorni.
   • TF_VAR_RECOMMENDATION_DISTANCE: l'intervallo in cui vengono restituiti i punti dati dei consigli VPA. Il valore predefinito è 86.400 secondi o ogni 1 giorno.
   • TF_VAR_LATEST_WINDOW_SECONDS: il periodo di tempo per ottenere i valori delle risorse limitate e richieste più recenti. Il valore predefinito è 600 secondi, o 10 minuti.
   • METRIC_WINDOW: stabilisce l'intervallo di tempo per le metriche di utilizzo e utilizzo di GKE. Il valore predefinito è 25.9200 secondi o 3 giorni.
   • METRIC_DISTANCE: l'intervallo a cui vengono riportati i punti dati. Il valore predefinito è 600 secondi, ovvero ogni 10 minuti.

   Modifica questi valori in base alle esigenze dei tuoi carichi di lavoro. Ad esempio, per i carichi di lavoro batch che vengono eseguiti una volta al mese, aggiorna TF_VAR_RECOMMENDATION_WINDOW_SECONDS e METRIC_WINDOW in 2592000 secondi (30 giorni).

Esegui il deployment della configurazione Terraform

1. Inizializza, convalida e applica la configurazione:

   terraform -chdir=terraform init
   terraform -chdir=terraform validate
   terraform -chdir=terraform apply -var project_id=$PROJECT_ID -var region=$REGION -var image=$IMAGE
   

   Questo comando fornisce un piano di esecuzione e richiede la tua approvazione prima di apportare modifiche. Esamina il piano e, se tutto è come previsto, digita yes per continuare.

   Una volta completato il comando apply, le risorse vengono create e gestite da Terraform.

2. Esegui manualmente il job Cloud Scheduler:

   gcloud scheduler jobs run recommendation-schedule --location ${REGION}
   

Verifica il deployment

1. Seleziona la scheda Log nella pagina dei dettagli di workload-recommendations.

2. Verifica che i log delle metriche vengano elaborati nella console Cloud Run:

   Vai a Cloud Run

   I log mostrano le metriche scritte in BigQuery. L'output dovrebbe essere simile al seguente:

   INFO - Building Row
   INFO - Successfully wrote 12 rows to BigQuery table [PROJECT_ID].gke_metric_dataset.gke_metrics.
   INFO - Run Completed
   

   Se l'output non corrisponde, attendi cinque minuti ed esegui il comando gcloud scheduler jobs run recommendation-schedule --location $REGION.

Visualizza il consiglio per il contenitore in BigQuery

1. Vai alla pagina BigQuery nella console Google Cloud:

   Vai a BigQuery

2. Verifica che i dati siano visibili nella tabella gke_metrics e nella visualizzazione container_recommendations. A seconda del numero di carichi di lavoro, la scrittura di tutte le metriche in BigQuery potrebbe richiedere alcuni minuti.

3. Nell'editor delle query, seleziona tutte le righe della visualizzazione container_recommendations:

   SELECT * FROM `PROJECT_ID.gke_metrics_dataset.container_recommendations`
   

   Questo programma estrae le seguenti metriche dal monitoraggio del cloud:

   • Dettagli del workload: ID progetto, nome del cluster, nome del controller e del contenitore.

   • Utilizzo e utilizzo della CPU/memoria: la quantità di CPU e memoria in uso dal workload, nonché la percentuale di CPU e memoria in uso.

   • Richiesta e limiti: la quantità di CPU e memoria richiesta per il carico di lavoro, nonché la quantità massima di CPU e memoria consentita per il carico di lavoro.

   • Consigli per i carichi di lavoro relativi a CPU e memoria: consigli su come allocare CPU e memoria al carico di lavoro per assicurarne il funzionamento senza problemi, in base ai consigli VPA per i deployment e all'utilizzo effettivo e agli utilizzi target per gli oggetti non deployment.

Visualizzare i consigli in Looker Studio

Looker Studio è una piattaforma di business intelligence self-service gratuita che consente di creare e utilizzare visualizzazioni dei dati, dashboard e report. Con Looker Studio puoi collegarti ai tuoi dati, creare visualizzazioni e condividere le tue informazioni con altri.

Utilizza Looker Studio per visualizzare i dati nella visualizzazione container_recommendations BigQuery:

1. Apri il modello di dashboard per la scelta della dimensione ottimale dei carichi di lavoro
2. Fai clic su Utilizza i miei dati.
3. Seleziona il progetto.
4. Per Set di dati, seleziona gke_metric_dataset.
5. Per Tabella, seleziona container_recommendations.
6. Fai clic su Aggiungi.
7. Fai clic su Aggiungi al report.

Dettagli del modello di Looker Studio

La pagina dei dettagli del modello di Looker Studio fornisce le seguenti informazioni:

• Panoramica del dimensionamento dei carichi di lavoro GKE: fornisce una panoramica dei tuoi cluster, tra cui:
  • Il numero di carichi di lavoro Best Effort e Burstable che sono a rischio di problemi di affidabilità e prestazioni.
  • Potenziali risparmi di risorse di CPU e memoria. I valori positivi indicano un overprovisioning, mentre i valori negativi indicano un underprovisioning.
• Consigli per i carichi di lavoro: fornisce consigli per le richieste e i limiti di CPU e memoria dei carichi di lavoro.
• Carichi di lavoro GKE a rischio: mostra i carichi di lavoro con il rischio più elevato di riscontrare problemi di affidabilità e prestazioni.
• Cronologia - Ottimizzazione del carico di lavoro - Come va?: Fornisce una visualizzazione storica dell'efficacia con cui è stato implementato il dimensionamento ottimale dei carichi di lavoro e la riduzione del numero di carichi di lavoro di tipo Best Effort.

Consiglio per il container relativo alla CPU richiesta e al limite

Se i valori di CPU richiesti e di limite dei workload sono uguali, la QoS è considerata garantita e il consiglio per la CPU è impostato sul valore massimo nel periodo di 14 giorni. In caso contrario, viene utilizzato il 95° percentile del consiglio richiesto dalla CPU entro 14 giorni.

Quando i valori di richiesta e limite della CPU sono uguali, il consiglio per il limite della CPU è impostato sul consiglio VPA per la richiesta massima della CPU solo per gli oggetti di Deployment e sull'utilizzo della CPU con un utilizzo target del 70%. Se la richiesta e il limite del carico di lavoro non sono identici, viene utilizzato il rapporto limite esistente.

Consiglio per il container per la memoria richiesta e il limite

I consigli per la memoria utilizzano il VPA massimo consigliato solo per gli oggetti Deployment e l'utilizzo massimo della memoria con un utilizzo target dell'80% per garantire l'affidabilità dei carichi di lavoro. Puoi aggiornare i valori di utilizzo target nella query della vista container_recommendation.

È una best practice utilizzare la stessa quantità di memoria per richieste e limiti poiché la memoria è una risorsa non comprimibile. Quando la memoria è esaurita, il pod deve essere ritirato. Per evitare che i pod vengano rimossi e destabilizzino il tuo ambiente, devi impostare la memoria richiesta sul limite di memoria.

Assegnare la priorità ai consigli

A ogni riga viene assegnato un valore di priorità per mostrare i carichi di lavoro che richiedono attenzione immediata in base ai consigli. Le unità di CPU e memoria sono diverse. Per normalizzare le unità, il rapporto tra CPU e memoria predefinite del prezzo on demand del tipo di macchina E2 viene utilizzato come approssimazione per convertire le unità di memoria in unità di CPU.

La priorità viene calcolata utilizzando la seguente formula:

priority = (CPU requested - CPU recommendation) + ((memory requested -
memory recommendation) / (vCPUs on-demand pricing /memory on-demand pricing ))

Per Autopilot, le risorse totali richieste dalla configurazione di deployment devono rientrare nei valori minimi e massimi supportati.

Visualizzare i consigli VPA per più progetti

Per visualizzare i consigli per i contenitori VPA in più progetti, utilizza un nuovo progetto come progetto di definizione dell'ambito.

Quando esegui il deployment di questo progetto nell'ambiente di produzione, aggiungi tutti i progetti che vuoi analizzare all'ambito delle metriche del nuovo progetto.