Questa pagina descrive le classi di calcolo che puoi utilizzare per eseguire i carichi di lavoro di Google Kubernetes Engine (GKE) Autopilot con requisiti hardware specifici. Per le istruzioni, consulta Eseguire pod Autopilot su classi di calcolo specifiche.
Panoramica delle classi di calcolo di Autopilot
Per impostazione predefinita, i pod GKE Autopilot vengono eseguiti su una piattaforma di calcolo ottimizzata per carichi di lavoro generici come il servizio web e i job batch di media intensità. Questa piattaforma generale fornisce una configurazione hardware affidabile e ottimizzata in termini di costi in grado di soddisfare i requisiti della maggior parte dei carichi di lavoro.
Se hai carichi di lavoro con requisiti hardware unici, ad esempio l'esecuzione di attività di machine learning o AI, l'esecuzione di database ad alto traffico in tempo reale o la necessità di piattaforme e architetture CPU specifiche, Autopilot offre classi di calcolo. Queste classi di calcolo sono un sottoinsieme selezionato delle serie di macchine Compute Engine e offrono una flessibilità superiore alla classe di calcolo Autopilot predefinita. Ad esempio, la classe di calcolo Scale-Out
utilizza VM che disattivano il multithreading simultaneo e sono ottimizzate per lo scale out.
Puoi richiedere nodi supportati da classi di calcolo specifiche in base ai requisiti di ciascun carico di lavoro. Analogamente alla classe di calcolo generica predefinita, Autopilot gestisce le dimensioni e l'allocazione delle risorse delle classi di calcolo richieste in base ai pod in esecuzione. Puoi richiedere classi di calcolo a livello di pod per ottimizzare l'efficienza in termini di costi scegliendo la soluzione più adatta alle esigenze di ciascun pod.
Scegli un'architettura CPU specifica
Se i tuoi carichi di lavoro sono progettati per architetture o piattaforme CPU specifiche, puoi selezionare facoltativamente queste piattaforme o architetture nelle specifiche del pod. Ad esempio, se vuoi che i pod vengano eseguiti su nodi che utilizzano l'architettura Arm, puoi scegliere arm64
all'interno della classe di calcolo Scale-Out
.
Prezzi
I prezzi dei pod GKE Autopilot si basano sui nodi su cui vengono pianificati i pod. Per informazioni sui prezzi per i carichi di lavoro generici e i pod Spot su classi di calcolo specifiche, nonché per informazioni su eventuali sconti per impegno di utilizzo, consulta la pagina relativa ai prezzi della modalità Autopilot.
I pod Spot in classi di calcolo generiche o specializzate non sono idonei per gli sconti per impegno di utilizzo.
Quando utilizzare classi di calcolo specifiche
La tabella seguente fornisce una panoramica tecnica delle classi di calcolo predefinite supportate da Autopilot e casi d'uso di esempio per i pod in esecuzione su ogni piattaforma. Se non richiedi una classe di calcolo, Autopilot colloca i pod sulla piattaforma di calcolo generica, progettata per eseguire la maggior parte dei carichi di lavoro in modo ottimale.
Se nessuna di queste opzioni soddisfa i tuoi requisiti, puoi definire ed eseguire il deployment delle tue classi di calcolo personalizzate che specificano le proprietà dei nodi da utilizzare da parte di GKE durante l'aumento di scala del cluster. Per maggiori dettagli, consulta Informazioni sui tipi di calcolo personalizzati.
Requisito del workload | Classe di calcolo | Descrizione | Esempi di casi d'uso |
---|---|---|---|
Carichi di lavoro che non richiedono hardware specifico | Per uso generico |
Autopilot utilizza la piattaforma di calcolo generica se non richiedi esplicitamente una classe di calcolo nella specifica del pod. Non puoi selezionare esplicitamente la piattaforma generica nella tua specifica. Supportato dalla serie di macchine E2. A volte potresti visualizzare |
|
Carichi di lavoro che richiedono GPU | Accelerator |
I tipi di GPU compatibili sono:
|
|
Richieste di CPU o memoria superiori ai valori massimi della classe di calcolo generica o a piattaforme CPU specifiche | Balanced |
Supportato dalla serie di macchine N2 (Intel) o dalla serie di macchine N2D (AMD). |
|
Carichi di lavoro con requisiti per serie di macchine specifiche che non sono coperti da altre classi di calcolo | Serie di macchine specifiche |
Per maggiori dettagli, vedi Ottimizzare il rendimento del pod Autopilot scegliendo una serie di macchine. |
|
Workload che richiedono un'elevata intensità di risorse CPU, come l'addestramento AI/ML o il calcolo ad alte prestazioni (HPC) | Performance |
Per un elenco delle serie di macchine Compute Engine disponibili con la classe di calcolo ad alte prestazioni, consulta Serie di macchine supportate. |
|
Calcolo con un solo thread per core e scalabilità orizzontale | Scale-Out |
Supportato dalla serie di macchine Tau T2A (Arm) o dalla serie di macchine Tau T2D (x86). |
|
Come selezionare una classe di calcolo in Autopilot
Per istruzioni dettagliate, consulta Scegliere le classi di calcolo per i pod Autopilot.
Per indicare ad Autopilot di posizionare i pod in una classe di calcolo specifica, specifica l'etichettacloud.google.com/compute-class
in un
nodeSelector
o in una regola di affinità dei nodi,
come nei seguenti esempi:
nodeSelector
apiVersion: apps/v1 kind: Deployment metadata: name: hello-app spec: replicas: 3 selector: matchLabels: app: hello-app template: metadata: labels: app: hello-app spec: nodeSelector: cloud.google.com/compute-class: "COMPUTE_CLASS" containers: - name: hello-app image: us-docker.pkg.dev/google-samples/containers/gke/hello-app:1.0 resources: requests: cpu: "2000m" memory: "2Gi"
Sostituisci COMPUTE_CLASS
con il nome della classe di calcolo
in base al tuo caso d'uso, ad esempio Scale-Out
. Se selezioni Accelerator
,
devi anche specificare una GPU compatibile. Per le istruzioni, vedi Eseguire il deployment dei carichi di lavoro GPU in Autopilot. Se selezioni Performance
, puoi facoltativamente selezionare una serie di macchine Compute Engine nel selettore dei nodi. Se non specifichi una serie di macchine, GKE utilizza la serie di macchine C4 in base alla disponibilità regionale. Per le istruzioni, vedi Eseguire carichi di lavoro incentrati sulla CPU con prestazioni ottimali.
nodeAffinity
apiVersion: apps/v1 kind: Deployment metadata: name: hello-app spec: replicas: 3 selector: matchLabels: app: hello-app template: metadata: labels: app: hello-app spec: terminationGracePeriodSeconds: 25 containers: - name: hello-app image: us-docker.pkg.dev/google-samples/containers/gke/hello-app:1.0 resources: requests: cpu: "2000m" memory: "2Gi" ephemeral-storage: "1Gi" affinity: nodeAffinity: requiredDuringSchedulingIgnoredDuringExecution: nodeSelectorTerms: - matchExpressions: - key: cloud.google.com/compute-class operator: In values: - "COMPUTE_CLASS"
Sostituisci COMPUTE_CLASS
con il nome della
classe
di calcolo in base al tuo caso d'uso, ad esempio Scale-Out
. Se selezioni
Accelerator
, devi anche specificare una GPU compatibile. Per le istruzioni, vedi Eseguire il deployment dei carichi di lavoro GPU in Autopilot.
Se selezioni Performance
, puoi facoltativamente selezionare una serie di macchine Compute Engine nel selettore dei nodi. Se non specifichi una serie di macchine, GKE utilizza la serie di macchine C4 in base alla disponibilità regionale. Per istruzioni, vedi Eseguire carichi di lavoro con utilizzo intensivo della CPU con
prestazioni ottimali.
Quando esegui il deployment del carico di lavoro, Autopilot esegue le seguenti operazioni:
- Esegue il provisioning automatico dei nodi supportati dalla configurazione specificata per eseguire i pod.
- Aggiunge automaticamente incompatibilità ai nuovi nodi per impedire la pianificazione di altri pod su questi nodi. I contami sono unici per ogni classe di calcolo. Se selezioni anche un'architettura CPU, GKE aggiunge un'alterazione distinta specifica per quell'architettura.
- Aggiunge automaticamente le tolleranze corrispondenti alle incompatibilità applicate ai pod di cui è stato eseguito il deployment, il che consente a GKE di posizionare questi pod sui nuovi nodi.
Ad esempio, se richiedi la classe di calcolo Scale-Out
per un pod:
- Autopilot aggiunge un'alterazione specifica per
Scale-Out
per questi nodi. - Autopilot aggiunge una tolleranza per l'alterazione ai pod
Scale-Out
.
I pod che non richiedono Scale-Out
non riceveranno la tolleranza. Di conseguenza, GKE non pianificherà questi pod sui nodi Scale-Out
.
Se non richiedi esplicitamente una classe di calcolo nella specifica del carico di lavoro, Autopilot pianifica i pod sui nodi che utilizzano la classe di calcolo generica predefinita. La maggior parte dei carichi di lavoro può essere eseguita senza problemi sulla classe di calcolo generica.
Come richiedere un'architettura CPU
In alcuni casi, i carichi di lavoro potrebbero essere creati per un'architettura specifica, come Arm. Alcune classi di calcolo, come Equilibrato o Scalabile, supportano più architetture CPU. Puoi richiedere un'architettura specifica insieme alla richiesta della classe di calcolo specificando un'etichetta nel selettore di nodi o nella regola di affinità dei nodi, come nell'esempio seguente:
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
Sostituisci ARCHITECTURE
con l'architettura della CPU che preferisci, ad esempio arm64
o amd64
.
Se non richiedi esplicitamente un'architettura, Autopilot utilizza l'architettura predefinita della classe di calcolo specificata.
Architettura Arm su Autopilot
Autopilot supporta le richieste di nodi che utilizzano l'architettura della CPU Arm. I nodi Arm sono più convenienti rispetto a nodi x86 simili, offrendo al contempo miglioramenti delle prestazioni. Per istruzioni su come richiedere nodi Arm, consulta Eseguire il deployment dei workload Autopilot sull'architettura Arm.
Assicurati di utilizzare le immagini corrette nei tuoi implementazioni. Se i tuoi pod utilizzano immagini Arm e non richiedi nodi Arm, Autopilot pianifica i pod su nodi x86 e i pod si arresteranno in modo anomalo. Allo stesso modo, se utilizzi erroneamente immagini x86, ma richiedi nodi Arm per i pod, questi ultimi andranno in crash.
Convalide di Autopilot per i carichi di lavoro della classe di calcolo
Autopilot convalida i manifest del carico di lavoro per assicurarsi che le richieste di classe di calcolo e architettura nei selettori di nodi o nelle regole di affinità dei nodi siano formattate correttamente. Si applicano le seguenti regole:
- Non più di una classe di calcolo.
- Nessuna classe di calcolo non supportata.
- La versione GKE deve supportare la classe di calcolo.
- Non più di un'architettura selezionata.
- La classe di calcolo deve supportare l'architettura selezionata.
Se il manifest del carico di lavoro non supera una di queste convalide, Autopilot rifiuta il carico di lavoro.
Disponibilità regionale della classe di calcolo
La tabella seguente descrive le regioni in cui sono disponibili classi di calcolo e architetture CPU specifiche:
Disponibilità delle classi di calcolo | |
---|---|
Per uso generico | Tutte le regioni |
Balanced |
Tutte le regioni |
Performance |
Tutte le regioni che contengono una serie di macchine supportate. |
Scale-Out |
Tutte le regioni che contengono una serie di macchine Compute Engine corrispondente. Per visualizzare la disponibilità di serie di macchine specifiche, utilizza i filtri in Regioni e zone disponibili. |
Se una classe di calcolo è disponibile in una regione specifica, l'hardware è disponibile almeno in due zone della regione.
Richieste di risorse predefinite, minime e massime
Quando scegli una classe di calcolo per i tuoi workload Autopilot, assicurati di specificare richieste di risorse che soddisfino le richieste minime e massime per quella classe di calcolo. Per informazioni sulle richieste predefinite, nonché sulle richieste minime e massime per ogni classe di calcolo, consulta Richieste e limiti di risorse in GKE Autopilot.
Passaggi successivi
- Scopri come selezionare classi di calcolo specifiche nei carichi di lavoro Autopilot.
- Scopri le richieste di risorse predefinite, minime e massime per ogni piattaforma.