Robusta KRR - 一個(gè)優(yōu)化 Kubernetes 的資源分配工具
Robusta KRR（Kubernetes Resource Recommender）是一個(gè)用于優(yōu)化 Kubernetes 集群中資源分配的命令行工具，它從 Prometheus 收集 pod 使用數(shù)據(jù)，并建議 CPU 和內(nèi)存的 requests 和 limits 值，這可以大大降低成本并提高性能。
特征
- 無需代理：Robusta KRR 是一個(gè)在本地機(jī)器上運(yùn)行的 CLI 工具，它不需要在你的集群中運(yùn)行 Pods。
- Prometheus 集成：使用內(nèi)置的 Prometheus 查詢收集資源使用數(shù)據(jù)，自定義查詢支持也即將推出。
- 可擴(kuò)展策略：輕松創(chuàng)建和使用你自己的策略來計(jì)算資源推薦。
- 未來支持：即將推出的版本將支持自定義資源（例如 GPU）和自定義指標(biāo)。
根據(jù) Sysdig 最近的一項(xiàng)研究(https://sysdig.com/blog/millions-wasted-kubernetes/)，平均而言，Kubernetes 集群有：
- 69％未使用的 CPU
- 18％未使用內(nèi)存
通過使用 KRR 調(diào)整容器大小，你可以平均節(jié)省 69% 的云成本。
如果你使用 Robusta SaaS，從 v0.10.15 開始回集成 KRR，你可以查看所有建議（也包括以前的建議），按集群、命名空間或名稱過濾和排序它們。
工作原理
指標(biāo)收集
Robusta KRR 使用以下 Prometheus 查詢來收集使用數(shù)據(jù)：
- CPU 使用：sum(irate(container_cpu_usage_seconds_total{{namespace="{object.namespace}", pod="{pod}", cnotallow="{object.container}"}}[{step}]))。
- 內(nèi)存使用：sum(container_memory_working_set_bytes{job="kubelet", metrics_path="/metrics/cadvisor", image!="", namespace="{object.namespace}", pod="{pod}", cnotallow="{object.container}"})。
算法
默認(rèn)情況下，KRR 使用一個(gè)簡單的策略來計(jì)算資源推薦。它的計(jì)算方法如下（確切的數(shù)字可以在 CLI 參數(shù)中自定義）：
- 對于 CPU，將請求設(shè)置為第 99 個(gè)百分位數(shù)，并且沒有限制。這意味著，在 99%的情況下，您的 CPU 請求是足夠的。對于剩余的 1％，我們沒有設(shè)置限制。這意味著您的 Pod 可以突發(fā)并使用節(jié)點(diǎn)上可用的任何 CPU - 例如其他 Pod 請求但現(xiàn)在未使用的 CPU。
- 對于內(nèi)存，使用過去一周內(nèi)最大值并添加 5％緩沖區(qū)。
安裝使用
MacOS/Linux 用戶可以使用 brew 進(jìn)行一鍵安裝：
brew tap robusta-dev/homebrew-krr
brew install krr安裝完成后可以執(zhí)行下面的命令來檢查是否安裝成功：
krr --help # 第一次可能會花較長時(shí)間如果想要手動進(jìn)行安裝，則首先確保在你的機(jī)器上安裝了 Python 3.9 或以上版本。然后 Clone 代碼：
git clone https://github.com/robusta-dev/krr
cd krr安裝依賴：
pip install -r requirements.txt最后，運(yùn)行下面的命令來運(yùn)行工具：
python krr.py --help請注意，使用源代碼需要您作為 python 腳本運(yùn)行，當(dāng)使用 brew 安裝時(shí)允許運(yùn)行 krr。以上所有示例都將運(yùn)行命令顯示為 krr ...，如果您使用的是手動安裝，請將其替換為 python krr.py ...。
安裝完成后就可以來使用 KRR 工具了，比如可以運(yùn)行一個(gè)簡單的策略：
krr simple如果你只需要特定的命名空間（default 和 ingress-nginx）：
krr simple -n default -n ingress-nginx默認(rèn)情況下，krr 將在當(dāng)前上下文中運(yùn)行，如果你想在不同的上下文中運(yùn)行它：
krr simple -c my-cluster-1 -c my-cluster-2如果想獲得 JSON 格式的輸出（需要 --logtostderr，這樣就不會將日志轉(zhuǎn)到結(jié)果文件）：
krr simple --logtostderr -f json > result.json如果你想獲得 YAML 格式的輸出：
krr simple --logtostderr -f yaml > result.yaml如果您想查看其他調(diào)試日志：
krr simple -v關(guān)于策略設(shè)置的更多信息，可以通過以下方式找到:
krr simple --help默認(rèn)情況下，KRR 將嘗試通過掃描下面的這些標(biāo)簽來自動發(fā)現(xiàn)正在運(yùn)行的 Prometheus：
"app=kube-prometheus-stack-prometheus"
"app=prometheus,compnotallow=server"
"app=prometheus-server"
"app=prometheus-operator-prometheus"
"app=prometheus-msteams"
"app=rancher-monitoring-prometheus"
"app=prometheus-prometheus"如果這些標(biāo)簽都沒有找到 Prometheus，則將收到錯(cuò)誤消息，那么就必須顯式傳遞 url 了（使用 -p 標(biāo)志）。
如果你的 prometheus 沒有自動連接，我們可以使用 kubectl port-forward 手動轉(zhuǎn)發(fā) Prometheus。
例如有一個(gè)名為 kube-prometheus-st-prometheus-0 的 Prometheus Pod，則我們可以下面的命令對其進(jìn)行端口轉(zhuǎn)發(fā)：
kubectl port-forward pod/kube-prometheus-st-prometheus-0 9090然后，打開另一個(gè)終端并在其中運(yùn)行 krr，給出一個(gè)顯式的 prometheus url:
krr simple -p http://127.0.0.1:9090此外我們還可以根據(jù)自己的需求來創(chuàng)建自定義的策略，比如下面的代碼就是創(chuàng)建一個(gè)自定義的策略：
# This is an example on how to create your own custom strategy
import pydantic as pd
import robusta_krr
from robusta_krr.api.models import HistoryData, K8sObjectData, ResourceRecommendation, ResourceType, RunResult
from robusta_krr.api.strategies import BaseStrategy, StrategySettings
# Providing description to the settings will make it available in the CLI help
class CustomStrategySettings(StrategySettings):
param_1: float = pd.Field(99, gt=0, descriptinotallow="First example parameter")
param_2: float = pd.Field(105_000, gt=0, descriptinotallow="Second example parameter")
class CustomStrategy(BaseStrategy[CustomStrategySettings]):
"""
A custom strategy that uses the provided parameters for CPU and memory.
Made only in order to demonstrate how to create a custom strategy.
"""
def run(self, history_data: HistoryData, object_data: K8sObjectData) -> RunResult:
return {
ResourceType.CPU: ResourceRecommendation(request=self.settings.param_1, limit=None),
ResourceType.Memory: ResourceRecommendation(request=self.settings.param_2, limit=self.settings.param_2),
}
# Running this file will register the strategy and make it available to the CLI
# Run it as `python ./custom_strategy.py my_strategy`
if __name__ == "__main__":
robusta_krr.run()GitHub 地址：https://github.com/robusta-dev/krr
