k8s CPU limit和throttling的迷思

      ☕ 5 分钟
🏷️
  • #k8s
  • 你应当小心设定k8s中负载的CPU limit,太小的值会给你的程序带来额外的、无意义的延迟,太大的值会带来过大的爆炸半径,削弱集群的整体稳定性。

    request和limit

    k8s的一大好处就是资源隔离,通过设定负载的request和limit,我们可以方便地让不同程序共存于合适的节点上。

    其中,request是给调度看的,调度会确保节点上所有负载的CPU request合计与内存request合计分别都不大于节点本身能够提供的CPU和内存,limit是给节点(kubelet)看的,节点会保证负载在节点上只使用这么多CPU和内存。例如,下面配置意味着单个负载会调度到一个剩余CPU request大于0.1核,剩余request内存大于200MB的节点,并且负载运行时的CPU使用率不能高于0.4核(超过将被限流),内存使用不多余300MB(超过将被OOM Kill并重启)。

    1
    2
    3
    4
    5
    6
    7
    
    resources:
      requests:
        memory: 200Mi
        cpu: "0.1"
      limits:
        memory: 300Mi
        cpu: "0.4"
    

    CPU的利用率

    CPU和内存不一样,它是量子化的,只有“使用中”和“空闲”两个状态。

    我和老婆聊了聊CPU和内存的不同,她帮我画了一张插图 图/我的妻子
    我和老婆聊了聊CPU和内存的不同,她帮我画了一张插图 图/我的妻子

    当我们说内存的使用率是60%时,我们是在说内存有60%在空间上已被使用,还有40%的空间可以放入负载。但是,当我们说CPU的某个核的使用率是60%时,我们是在说采样时间段内,CPU的这个核在时间上有60%的时间在忙,40%的时间在睡大觉。

    你设定负载的CPU limit时,这个时空区别可能会带来一个让你意想不到的效果——过分的降速限流, 节点CPU明明不忙,但是节点故意不让你的负载全速使用CPU,服务延时上升。

    CPU限流

    k8s使用CFS(Completely Fair Scheduler,完全公平调度)限制负载的CPU使用率,CFS本身的机制比较复杂,但是k8s的文档中给了一个简明的解释,要点如下:

    • CPU使用量的计量周期为100ms;
    • CPU limit决定每计量周期(100ms)内容器可以使用的CPU时间的上限;
    • 本周期内若容器的CPU时间用量达到上限,CPU限流开始,容器只能在下个周期继续执行;
    • 1 CPU = 100ms CPU时间每计量周期,以此类推,0.2 CPU = 20ms CPU时间每计量周期,2.5 CPU = 250ms CPU时间每计量周期;
    • 如果程序用了多个核,CPU时间会累加统计。

    举个例子,假设一个API服务在响应请求时需要使用A, B两个线程(2个核),分别使用60ms和80ms,其中B线程晚触发20ms,我们看到API服务在100ms后可给出响应:

    没有CPU限制的情况,响应时间为100ms
    没有CPU限制的情况,响应时间为100ms

    如果CPU limit被设为0.8核,即每100ms内最多使用80ms CPU时间,API服务的线程B会受到一次限流(灰色部分),服务在140ms后响应:

    CPU limit = 0.8,响应时间为140ms
    CPU limit = 0.8,响应时间为140ms

    如果CPU limit被设为0.6核,即每100ms内最多使用60ms CPU时间,API服务的线程A会受到一次限流(灰色部分),线程B受到两次限流,服务在220ms后响应:

    CPU limit = 0.6,响应时间为220ms
    CPU limit = 0.6,响应时间为220ms

    注意,即使此时CPU没有其他的工作要做,限流一样会执行,这是个死板不通融的机制。

    这是一个比较夸张的例子,一般的API服务是IO密集型的,CPU时间使用量没那么大(你在跑模型推理?当我没说),但还是可以看到,限流会实打实地延伸API服务的延时。因此,对于延时敏感的服务,我们都应该尽量避免触发k8s的限流机制。

    下面这张图是我工作中一个API服务在pod级别的CPU使用率和CPU限流比率(CPU Throttling),我们看到,CPU限流的情况在一天内的大部分时候都存在,限流比例在10%上下浮动,这意味着服务的工作没能全速完成,在速度上打了9折。值得一提,这时pod所在节点仍然有富余的CPU资源,节点的整体CPU使用率没有超过50%.

    一个实际的降速限流的例子,服务的处理速度被kubelet降低了10%
    一个实际的降速限流的例子,服务的处理速度被kubelet降低了10%

    你可能注意到,监控图表里的CPU使用率看上去没有达到CPU limit(橙色横线),这是由于CPU使用率的统计周期(1min)太长造成的信号混叠(Aliasing),如果它的统计统计周期和CFS的一样(100ms),我们就能看到高过CPU limit的尖刺了。(这不是bug,这是feature)

    不过,内核版本低于4.18的Linux还真有个bug会造成不必要的CPU限流。┑( ̄Д  ̄)┍

    避免CPU限流

    有的开发者倾向于完全弃用CPU limit,裸奔直接跑,特别是内核版本不够有bug的时候

    我认为这么做还是太过放飞自我了,如果程序里有耗尽CPU的bug(例如死循环,我不幸地遇到过),整个节点及其负载都会陷入不可用的状态,爆炸半径太大,特别是在大号的节点上(16核及以上)。

    我有两个建议:

    1. 监控一段时间应用的CPU利用率,基于利用率设定一个合适的CPU limit(例如,日常利用率的95分位 * 10),同时该limit不要占到节点CPU核数的太大比例(例如2/3),这样可以达到性能和安全的一个平衡。
    2. 使用automaxprocs一类的工具让程序适配CFS调度环境,各个语言应该都有类似的库或者执行参数,根据CFS的特点调整后,程序更不容易遇到CPU限流

    结语

    上面说到的信号混叠(采样频率不足)和Linux内核bug让我困扰了一年多,现在想想,主要还是望文生义惹的祸,文档还是应该好好读,基础概念还是要搞清,遂记此文章于错而知新

    题外话,性能和资源利用率有时是相互矛盾的。对于延时不敏感的程序,CPU限流率控制在10%以内应该都是比较健康可接受的,量体裁衣,在线离线负载混合部署,可以提升硬件的资源利用率。 有消息说腾讯云研发投产了基于服务优先级的抢占式调度,这是一条更难但更有效的路,希望有朝一日在上游能看到他们的相关贡献。

    致谢

    感谢腾讯云的客服和TKE技术人员的多次协查和答疑。

    更新记录

    • (2022/01)修正了错误的图注,感谢知乎网友 Pnmlgb 和 童话音乐 的指正。

    参考资料


    nanmu42
    作者
    nanmu42
    用心构建美好事物。

    目录