Scegliere le classi di calcolo per i pod Autopilot

Questo documento mostra come selezionare classi di calcolo specifiche per eseguire carichi di lavoro con requisiti hardware unici nei cluster Autopilot di Google Kubernetes Engine (GKE). Prima di leggere questo documento, assicurati di conoscere il concetto di classi di calcolo in GKE Autopilot.

Panoramica delle classi di calcolo di Autopilot

Autopilot offre classi di calcolo progettate per eseguire carichi di lavoro con requisiti hardware specifici. Queste classi di calcolo sono utili per carichi di lavoro come attività di machine learning e AI o l'esecuzione di database ad alto traffico in tempo reale.

Queste classi di calcolo sono un sottoinsieme delle serie di macchine Compute Engine e offrono una flessibilità superiore alla classe di calcolo generica predefinita di Autopilot. Ad esempio, la classe Scale-Out disattiva il multi-threading simultaneo in modo che ogni vCPU sia un core fisico.

In base alle esigenze dei singoli pod, puoi configurare i pod Autopilot o Spot regolari in modo che richiedano i nodi supportati da queste classi di calcolo. Puoi anche richiedere un'architettura della CPU specifica, ad esempio Arm, nei classi di calcolo che supportano questa architettura.

Prima di iniziare

Prima di iniziare, assicurati di aver eseguito le seguenti operazioni:

  • Attiva l'API Google Kubernetes Engine.
    • Attiva l'API Google Kubernetes Engine
  • Se vuoi utilizzare Google Cloud CLI per questa attività, installa e poi inizializza gcloud CLI. Se hai già installato gcloud CLI, ottieni la versione più recente eseguendo gcloud components update.

Richiedere una classe di calcolo nel pod Autopilot

Per indicare ad Autopilot di posizionare i pod in una classe di calcolo specifica, specifica l'etichetta cloud.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, consulta Eseguire il deployment dei carichi di lavoro GPU in Autopilot. Se selezioni Performance, devi anche selezionare una serie di macchine Compute Engine nel selettore dei nodi. Per le istruzioni, consulta Eseguire carichi di lavoro con utilizzo intensivo della 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, consulta Eseguire il deployment dei carichi di lavoro GPU in Autopilot. Se selezioni Performance, devi anche selezionare una serie di macchine Compute Engine nel selettore dei nodi. Per le istruzioni, consulta Eseguire carichi di lavoro con utilizzo intensivo della CPU con prestazioni ottimali.

Puoi anche richiedere classi di calcolo specifiche per i tuoi pod Spot.

Specifica le richieste di risorse

Quando scegli una classe di calcolo, assicurati di specificare le richieste di risorse per i tuoi pod in base alle richieste di risorse minime e massime per la classe selezionata. Se le richieste sono inferiori al minimo, Autopilot esegue automaticamente lo scale up delle richieste. Tuttavia, se le richieste sono superiori al numero massimo, Autopilot non esegue il deployment dei pod e mostra un messaggio di errore.

Scegli un'architettura CPU

Alcune classi di calcolo supportano più architetture CPU. Ad esempio, la classeScale-Out supporta sia le architetture ARM che x86. Se non richiedi un'architettura specifica, Autopilot esegue il provisioning dei nodi che hanno l'architettura predefinita della classe di calcolo specificata. Se i pod devono utilizzare un'architettura diversa, richiedi questa architettura nel selettore dei nodi o nella regola di affinità dei nodi, insieme alla richiesta della classe di calcolo. La classe di calcolo richiesta deve supportare l'architettura della CPU specificata.

Per le istruzioni, consulta Eseguire il deployment di pod Autopilot sull'architettura Arm.

Passaggi successivi