Questa pagina è stata tradotta dall'API Cloud Translation.

Ridimensiona i carichi di lavoro GKE su larga scala

Questo tutorial mostra come dimensionare correttamente i workload Google Kubernetes Engine (GKE) con i suggerimenti VPA e le metriche di utilizzo.

Comprendere perché il dimensionamento corretto delle risorse è importante

Il provisioning insufficiente può privare i container delle risorse necessarie per eseguire le applicazioni, rendendole lente e inaffidabili. Il provisioning eccessivo non influisce sul rendimento delle tue applicazioni, ma potrebbe aumentare la fattura mensile.

La seguente tabella descrive le implicazioni del provisioning insufficiente e del provisioning eccessivo di CPU e memoria:

Risorsa	Stato del provisioning	Rischio	Spiegazione
CPU	Oltre	Costo	Aumenta il costo dei tuoi workload riservando risorse non necessarie.
	Sotto	Prestazioni	Può causare il rallentamento o la mancata risposta dei carichi di lavoro.
	Non impostato	Affidabilità	La CPU può essere limitata a 0, causando la mancata risposta dei carichi di lavoro.
Memoria	Oltre	Costo	Aumenta il costo dei tuoi workload riservando risorse non necessarie.
	Sotto	Affidabilità	Può causare l'interruzione delle applicazioni con un errore di esaurimento della memoria.
	Non impostato	Affidabilità	`kubelet` può interrompere i tuoi pod in qualsiasi momento e contrassegnarli come non riusciti.

Crea un repository

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

Crea un nuovo repository Docker:

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

Configura l'autenticazione nei repository Docker:

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

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 service account e assegna le autorizzazioni necessarie per gestire e interagire con Google Cloud le risorse.
Concedi al service account i ruoli Visualizzatore monitoraggio, Editor dati BigQuery, Proprietario dati BigQuery, Utente job BigQuery e Invocatore 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

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: contengono i dati delle metriche GKE.
- TF_VAR_RECOMMENDATION_WINDOW_SECONDS: il periodo di tempo per i suggerimenti di VPA. Il valore predefinito è 1.209.600 secondi, ovvero 14 giorni.
- TF_VAR_RECOMMENDATION_DISTANCE: l'intervallo in cui vengono restituiti i punti dati del suggerimento di VPA. Il valore predefinito è 86.400 secondi, ovvero ogni giorno.
- TF_VAR_LATEST_WINDOW_SECONDS: il periodo di tempo per ottenere i valori più recenti delle risorse richieste e limite. Il valore predefinito è 600 secondi, ovvero 10 minuti.
- METRIC_WINDOW: stabilisce il periodo di tempo per le metriche di utilizzo e utilizzazione di GKE. Il valore predefinito è 259.200 secondi, ovvero 3 giorni.
- METRIC_DISTANCE: l'intervallo in cui vengono restituiti 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 workload batch eseguiti una volta al mese, aggiorna TF_VAR_RECOMMENDATION_WINDOW_SECONDS e METRIC_WINDOW a 2592000 secondi (30 giorni).

Esegui il deployment della configurazione Terraform

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 chiede la tua approvazione prima di apportare modifiche. Esamina il piano e, se tutto è come previsto, digita yes per procedere.

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

Esegui manualmente il job Cloud Scheduler:

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

Verifica il deployment

Seleziona la scheda Log nella pagina dei dettagli di workload-recommendations.
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 suggerimento per il container in BigQuery

Vai alla pagina BigQuery nella console Google Cloud :

Vai a BigQuery
Verifica che i dati siano visibili nella tabella gke_metrics e nella visualizzazione container_recommendations. A seconda del numero di carichi di lavoro, potrebbe essere necessario qualche minuto per scrivere tutte le metriche in BigQuery.
Nell'editor di query, seleziona tutte le righe nella visualizzazione container_recommendations:
```
SELECT * FROM `PROJECT_ID.gke_metrics_dataset.container_recommendations`
```
Questo programma estrae le seguenti metriche da Cloud Monitoring:
- Dettagli del workload: ID progetto, nome del cluster, controller e nome del container.
- Utilizzo e sfruttamento di CPU/memoria: la quantità di CPU e memoria utilizzata dal workload, nonché la percentuale di CPU e memoria utilizzata.
- Richieste e limiti: la quantità di CPU e memoria richiesta per il workload, nonché la quantità massima di CPU e memoria consentita per il workload.
- Consigli per il carico di lavoro di CPU e memoria: consigli su quanta CPU e memoria devono essere allocate al carico di lavoro per garantire che venga eseguito senza problemi, in base ai consigli di VPA per i deployment e all'utilizzo effettivo e agli utilizzi target per gli oggetti non di deployment.

Visualizzare i consigli in Looker Studio

Looker Studio è una piattaforma di business intelligence self-service gratuita che ti consente di creare e utilizzare visualizzazioni dei dati, dashboard e report. Con Looker Studio puoi connetterti ai tuoi dati, creare visualizzazioni e condividere i tuoi approfondimenti con altri.

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

Apri il modello di dashboard di ridimensionamento dei workload
Fai clic su Utilizza i miei dati.
Seleziona il progetto.
Per Set di dati, seleziona gke_metric_dataset.
Per Tabella, seleziona container_recommendations.
Fai clic su Aggiungi.
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 corretto dei workload GKE: fornisce una panoramica dei tuoi cluster, tra cui:
- Il numero di workload Best Effort e Burstable a rischio di problemi di affidabilità e prestazioni.
- Potenziali risparmi sulle risorse di CPU e memoria. I valori positivi indicano un provisioning eccessivo, mentre i valori negativi indicano un provisioning insufficiente.
Suggerimenti per i workload: fornisce suggerimenti per le richieste e i limiti di CPU e memoria dei workload.
Carichi di lavoro GKE a rischio: mostra i carichi di lavoro che sono a maggior rischio di riscontrare problemi di affidabilità e prestazioni.
Cronologia - Ridimensionamento del workload - Come valuti la tua esperienza?: Fornisce una visualizzazione storica di quanto bene è stato implementato il dimensionamento ottimale del workload e la riduzione del numero di workload Best Effort.

Consigli per i container con CPU richiesta e limite

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

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

Memoria richiesta e suggerimento per il limite del container

I consigli sulla memoria utilizzano il consiglio VPA massimo solo per gli oggetti Deployments e l'utilizzo massimo della memoria con un utilizzo target dell'80% per garantire l'affidabilità dei workload. 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 perché la memoria è una risorsa incomprimibile. Quando la memoria è esaurita, il pod deve essere rimosso. Per evitare l'arresto dei pod e la destabilizzazione dell'ambiente, devi impostare la memoria richiesta sul limite di memoria.

Assegnare la priorità ai suggerimenti

A ogni riga viene assegnato un valore di priorità per visualizzare i carichi di lavoro che richiedono attenzione immediata in base ai suggerimenti. Le unità di CPU e memoria sono diverse. Per normalizzare le unità, il prezzo on demand del tipo di macchina E2 tra CPU e memoria predefinite 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 del deployment devono rientrare nei valori minimi e massimi supportati.

Visualizzare i suggerimenti per le VPA per più progetti

Per visualizzare i suggerimenti per i container 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.