资源请求与限制的精确配置
资源配额（Resource Quota）和限制范围（Limit Range）是Kubernetes资源管理的基石。不合理的CPU/内存请求会导致：
- 节点资源碎片化（资源请求过高时）
- 资源竞争引发的OOM Kill（资源请求过低时）
最佳实践是通过历史监控数据设置基准值。例如使用Vertical Pod Autoscaler自动计算：
apiVersion: autoscaling.k8s.io/v1
kind: VerticalPodAutoscaler
metadata:
name: my-app-vpa
spec:
targetRef:
apiVersion: "apps/v1"
kind: Deployment
name: my-app
updatePolicy:
updateMode: "Auto"
优缺点分析：
– 优点：避免静态配置的猜测性工作
– 缺点：需要至少一周的监控数据才能准确推荐
– 适用场景：长期运行的稳定工作负载
节点选择与亲和性策略优化
通过节点亲和性（Node Affinity）和污点容忍（Tolerations）实现工作负载的智能调度：
affinity:
nodeAffinity:
requiredDuringSchedulingIgnoredDuringExecution:
nodeSelectorTerms:
- matchExpressions:
- key: "node-type"
operator: In
values: ["compute-optimized"]
tolerations:
- key: "gpu-accelerated"
operator: "Exists"
性能影响：
– 减少跨NUMA节点通信（对延迟敏感型应用提升30%+）
– 避免非优化节点上的资源争抢
行业实践表明，结合拓扑分布约束（Topology Spread Constraints）可进一步优化：
topologySpreadConstraints:
- maxSkew: 1
topologyKey: zone
whenUnsatisfiable: DoNotSchedule
容器运行时调优
containerd参数调优可显著降低容器启动延迟：
# /etc/containerd/config.toml
[plugins."io.containerd.grpc.v1.cri"]
sandbox_image = "registry.k8s.io/pause:3.9"
[plugins."io.containerd.runtime.v1.linux"]
shim = "containerd-shim"
runtime = "runc"
runtime_root = "/var/run/containerd/runc"
[plugins."io.containerd.runtime.v2.task"]
platforms = ["linux/amd64"]
关键参数调整：
– 设置SystemdCgroup = true（systemd作为cgroup driver时）
– 调整snapshotter为stargz（镜像分层优化）
– 启用discard_unpacked_layers（节省节点存储）
实测数据：某电商平台通过优化使容器启动时间从4.2s降至1.8s。
网络策略性能提升
eBPF取代iptables可大幅提升kube-proxy性能：
# 使用eBPF模式启动kube-proxy
kube-proxy --proxy-mode=ebpf --bpf-masquerade
网络性能对比：
| 模式 | 连接建立延迟 | CPU消耗 |
|---|---|---|
| iptables | 2.3ms | 高 |
| IPVS | 1.8ms | 中 |
| eBPF | 0.9ms | 低 |
注意事项：
– 需要Linux内核≥5.7
– 部分CNI插件兼容性需要验证
– 建议先在非生产环境测试
存储I/O优化技巧
对于持久卷（Persistent Volume）的性能关键型应用：
- 使用Local PV替代网络存储：
apiVersion: v1
kind: PersistentVolume
metadata:
name: local-pv
spec:
capacity:
storage: 100Gi
accessModes:
- ReadWriteOnce
persistentVolumeReclaimPolicy: Retain
storageClassName: local-storage
local:
path: /mnt/ssd
nodeAffinity:
required:
nodeSelectorTerms:
- matchExpressions:
- key: kubernetes.io/hostname
operator: In
values: ["node-1"]
- 调整文件系统挂载参数：
# /etc/fstab
/dev/nvme0n1 /mnt/ssd ext4 noatime,nodiratime,discard 0 0
性能对比：
– 本地SSD PV：随机读写IOPS可达50K+
– 网络存储（如EBS gp3）：通常≤16K IOPS
API Server调优策略
kube-apiserver关键参数优化：
# /etc/kubernetes/manifests/kube-apiserver.yaml
spec:
containers:
- command:
- kube-apiserver
- --watch-cache=true
- --watch-cache-sizes=secrets=100,configmaps=500
- --max-requests-inflight=3000
- --max-mutating-requests-inflight=1000
- --target-ram-mb=16384
监控指标重点关注：
– apiserver_request_duration_seconds（P99应<500ms）
– etcd_db_total_size（建议<8GB）
大规模集群实践：
– 阿里云公开案例显示，优化后API调用延迟降低60%
– 建议每1000节点部署独立的API Server副本
监控与持续优化
建立完整的性能基准体系：
- 关键指标采集：
# 使用kubectl-top获取实时数据
kubectl top pods --containers --use-protocol-buffers
kubectl top nodes
- Prometheus监控规则示例：
- alert: HighContainerCPUThrottling
expr: sum(rate(container_cpu_cfs_throttled_seconds_total[1m])) by (container,pod,namespace) / sum(rate(container_cpu_usage_seconds_total[1m])) by (container,pod,namespace) > 0.2
for: 5m
优化闭环流程：
1. 性能基准测试 → 2. 监控告警 → 3. 参数调整 → 4. A/B测试验证 → 5. 配置固化