# 性能规划
– 集群规模规划：
– 根据应用需求和负载预测，确定集群规模
– 小型集群：1-5个节点，适合开发和测试环境
– 中型集群：6-20个节点，适合中小型应用
– 大型集群：20个以上节点，适合大型应用和企业级环境
– 硬件配置规划：
– 控制平面节点：
– CPU：至少4核，推荐8核以上
– 内存：至少8GB，推荐16GB以上
– 存储：SSD，至少100GB
– 工作节点：
– CPU：根据应用需求，推荐4核以上
– 内存：根据应用需求，推荐8GB以上
– 存储：根据应用需求，推荐SSD
– 网络规划：
– 网络带宽：根据集群规模和应用需求，推荐1Gbps以上
– 网络延迟：尽量低，推荐小于1ms
– 网络拓扑：扁平化网络，减少网络跳数
– 存储规划：
– 存储类型：根据应用需求选择，如SSD、NVMe等
– 存储性能：根据应用需求，推荐IOPS和吞吐量满足应用要求
– 存储容量：根据应用数据量，预留足够的存储空间
– 应用规划：
– 应用特性：分析应用的CPU、内存、网络、存储需求
– 应用架构：合理设计应用架构，避免单点故障
– 应用部署：合理配置Pod资源请求和限制

# 优化策略
– 控制平面优化：
– 调整API Server参数，如–max-requests-inflight、–max-mutating-requests-inflight等
– 优化etcd配置，如增加内存、使用SSD存储、配置合适的压缩策略
– 配置控制平面节点的资源预留，确保控制平面组件有足够的资源
– 节点优化：
– 调整kubelet参数，如–max-pods、–kube-api-qps等
– 优化节点内核参数，如网络、文件系统、内存管理等
– 配置节点资源预留，确保系统进程有足够的资源
– 应用优化：
– 合理配置Pod资源请求和限制
– 使用Horizontal Pod Autoscaler（HPA）自动调整Pod数量
– 优化应用代码，减少资源消耗
– 使用就绪探针和存活探针，确保应用健康
– 资源调优：
– 合理配置资源配额和限制范围
– 使用资源预留和超分策略，提高资源利用率
– 监控资源使用情况，及时调整资源配置
– 网络优化：
– 选择合适的网络插件，如Calico、Flannel、Cilium等
– 优化网络策略，减少网络延迟和丢包
– 配置网络QoS，确保关键应用的网络带宽
– 存储优化：
– 选择合适的存储类，如本地存储、NFS、Ceph等
– 优化存储配置，如调整IOPS、吞吐量等参数
– 使用缓存机制，减少存储访问延迟，风哥提示：。

# 最佳实践规划
– 监控和分析：
– 部署Prometheus和Grafana，监控集群性能
– 使用Kubernetes Dashboard，查看集群状态
– 分析性能瓶颈，确定优化方向
– 资源管理：
– 为所有Pod设置资源请求和限制
– 使用资源配额限制命名空间的资源使用
– 定期检查和调整资源配置
– 应用部署：
– 使用Deployment和StatefulSet部署应用
– 配置滚动更新策略，减少部署影响
– 使用Health Check确保应用健康
– 网络管理：
– 配置网络策略，限制不必要的网络通信
– 使用Service和Ingress暴露应用
– 优化网络插件配置，提高网络性能
– 存储管理：
– 使用PersistentVolume和PersistentVolumeClaim管理存储
– 配置StorageClass，支持动态存储 provisioning
– 定期备份存储数据，确保数据安全
– 安全管理：
– 配置Pod安全策略，限制Pod特权
– 使用RBAC控制访问权限
– 定期更新Kubernetes版本，修复安全漏洞
– 自动化管理：
– 使用CI/CD流水线自动化部署和更新
– 使用Helm管理应用部署
– 实现自动化监控和告警

# 控制平面优化
– 调整API Server参数：
$ cat > kube-apiserver.yaml << 'EOF' apiVersion: kubeadm.k8s.io/v1beta3 kind: ClusterConfiguration kubernetesVersion: v1.24.0 apiServer: extraArgs: max-requests-inflight: "400" max-mutating-requests-inflight: "200" request-timeout: "300s" enable-admission-plugins: "NamespaceLifecycle,LimitRanger,ServiceAccount,DefaultStorageClass,DefaultTolerationSeconds,NodeRestriction,ResourceQuota" EOF $ kubeadm init --config=kube-apiserver.yaml - 优化etcd配置： $ cat > etcd.yaml << 'EOF' apiVersion: v1 kind: Pod metadata: name: etcd namespace: kube-system spec: containers: - name: etcd image: k8s.gcr.io/etcd:3.5.3 command: - /usr/local/bin/etcd args: - --name=etcd0 - --data-dir=/var/lib/etcd - --listen-client-urls=https://127.0.0.1:2379 - --advertise-client-urls=https://127.0.0.1:2379 - --listen-peer-urls=https://127.0.0.1:2380 - --initial-advertise-peer-urls=https://127.0.0.1:2380 - --initial-cluster=etcd0=https://127.0.0.1:2380 - --initial-cluster-token=etcd-cluster-token - --initial-cluster-state=new - --cert-file=/etc/kubernetes/pki/etcd/server.crt - --key-file=/etc/kubernetes/pki/etcd/server.key - --peer-cert-file=/etc/kubernetes/pki/etcd/peer.crt - --peer-key-file=/etc/kubernetes/pki/etcd/peer.key - --client-cert-auth=true - --trusted-ca-file=/etc/kubernetes/pki/etcd/ca.crt，学习交流加群风哥微信: itpux-com。 - --peer-client-cert-auth=true - --peer-trusted-ca-file=/etc/kubernetes/pki/etcd/ca.crt - --auto-compaction-retention=2h - --compact-hash-check-interval=10m - --quota-backend-bytes=8589934592 resources: requests: cpu: "1" memory: "2Gi" limits: cpu: "2" memory: "4Gi" EOF $ kubectl apply -f etcd.yaml - 配置控制平面节点资源预留： $ cat > kubelet-config.yaml << 'EOF' apiVersion: kubelet.config.k8s.io/v1beta1 kind: KubeletConfiguration systemReserved: cpu: "1" memory: "1Gi" kubeReserved: cpu: "500m" memory: "512Mi" reservedSystemCPUs: "0" EOF $ kubectl apply -f kubelet-config.yaml - 验证控制平面优化： $ kubectl get pods -n kube-system NAME READY STATUS RESTARTS AGE etcd-fgedu-master 1/1 Running 0 10m kube-apiserver-fgedu-master 1/1 Running 0 10m kube-controller-manager-fgedu-master 1/1 Running 0 10m kube-scheduler-fgedu-master 1/1 Running 0 10m $ kubectl top nodes NAME CPU(cores) CPU% MEMORY(bytes) MEMORY% fgedu-master 500m 12% 2048Mi 25% fgedu-node1 200m 5% 1024Mi 12% fgedu-node2 200m 5% 1024Mi 12%

# 节点优化
– 调整kubelet参数：
$ cat > kubelet-config.yaml << 'EOF' apiVersion: kubelet.config.k8s.io/v1beta1 kind: KubeletConfiguration maxPods: 100 kubeAPIQPS: 100 kubeAPIBurst: 200 serializeImagePulls: false imagePullParallelism: 5 EOF $ kubectl apply -f kubelet-config.yaml - 优化节点内核参数： $ cat > /etc/sysctl.d/kubernetes.conf << 'EOF' # 网络优化 net.core.somaxconn = 65535 net.ipv4.tcp_max_syn_backlog = 65535 net.ipv4.tcp_fin_timeout = 30 net.ipv4.tcp_keepalive_time = 300 net.ipv4.tcp_keepalive_probes = 5 net.ipv4.tcp_keepalive_intvl = 15 # 内存管理 vm.swappiness = 0 vm.overcommit_memory = 1 vm.panic_on_oom = 0 # 文件系统 fs.inotify.max_user_watches = 65536 fs.file-max = 655360 EOF $ sysctl -p /etc/sysctl.d/kubernetes.conf - 配置节点资源预留： $ cat > kubelet-config.yaml << 'EOF' apiVersion: kubelet.config.k8s.io/v1beta1 kind: KubeletConfiguration systemReserved: cpu: "500m" memory: "1Gi" kubeReserved: cpu: "200m" memory: "256Mi" reservedSystemCPUs: "0"，学习交流加群风哥QQ113257174。 EOF $ kubectl apply -f kubelet-config.yaml - 验证节点优化： $ kubectl get nodes NAME STATUS ROLES AGE VERSION fgedu-master Ready control-plane,master 1d v1.24.0 fgedu-node1 Ready 1d v1.24.0
fgedu-node2 Ready 1d v1.24.0
$ kubectl top nodes
NAME CPU(cores) CPU% MEMORY(bytes) MEMORY%
fgedu-master 500m 12% 2048Mi 25%
fgedu-node1 200m 5% 1024Mi 12%
fgedu-node2 200m 5% 1024Mi 12%

# 应用优化
– 合理配置Pod资源请求和限制：
$ cat > app-deployment.yaml << 'EOF' apiVersion: apps/v1 kind: Deployment metadata: name: fgedu-app namespace: default spec: replicas: 3 selector: matchLabels: app: fgedu-app template: metadata: labels: app: fgedu-app spec: containers: - name: fgedu-app image: nginx:latest ports: - containerPort: 80 resources: requests: cpu: "100m" memory: "128Mi" limits: cpu: "200m" memory: "256Mi" readinessProbe: httpGet: path: / port: 80 initialDelaySeconds: 5 periodSeconds: 10 livenessProbe: httpGet: path: / port: 80 initialDelaySeconds: 15 periodSeconds: 20 EOF $ kubectl apply -f app-deployment.yaml - 使用Horizontal Pod Autoscaler（HPA）： $ cat > app-hpa.yaml << 'EOF' apiVersion: autoscaling/v2 kind: HorizontalPodAutoscaler metadata: name: fgedu-app-hpa namespace: default spec: scaleTargetRef: apiVersion: apps/v1 kind: Deployment name: fgedu-app minReplicas: 3 maxReplicas: 10 metrics: - type: Resource resource: name: cpu target: type: Utilization averageUtilization: 50 - type: Resource，更多视频教程www.fgedu.net.cn。 resource: name: memory target: type: Utilization averageUtilization: 60 EOF $ kubectl apply -f app-hpa.yaml - 优化应用代码： - 减少不必要的计算和I/O操作 - 使用缓存机制，减少重复计算 - 优化数据库查询，使用索引 - 减少网络请求，合并API调用 - 验证应用优化： $ kubectl get pods NAME READY STATUS RESTARTS AGE fgedu-app-6d6f58987b-7f5f8 1/1 Running 0 5m fgedu-app-6d6f58987b-8d2k3 1/1 Running 0 5m fgedu-app-6d6f58987b-9f5g7 1/1 Running 0 5m $ kubectl get hpa NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE fgedu-app-hpa Deployment/fgedu-app 10%/50%, 20%/60% 3 10 3 5m

# 资源调优
– 配置资源配额：
$ cat > namespace-resource-quota.yaml << 'EOF' apiVersion: v1 kind: ResourceQuota metadata: name: default-quota namespace: default spec: hard: pods: "100" requests.cpu: "10" requests.memory: "20Gi" limits.cpu: "20" limits.memory: "40Gi" requests.storage: "100Gi" EOF $ kubectl apply -f namespace-resource-quota.yaml - 配置限制范围： $ cat > namespace-limit-range.yaml << 'EOF' apiVersion: v1 kind: LimitRange metadata: name: default-limit-range namespace: default spec: limits: - default: cpu: "200m" memory: "256Mi" defaultRequest: cpu: "100m" memory: "128Mi" type: Container EOF $ kubectl apply -f namespace-limit-range.yaml - 监控资源使用情况： $ kubectl top pods NAME CPU(cores) MEMORY(bytes) fgedu-app-6d6f58987b-7f5f8 50m 64Mi fgedu-app-6d6f58987b-8d2k3 50m 64Mi fgedu-app-6d6f58987b-9f5g7 50m 64Mi $ kubectl top nodes NAME CPU(cores) CPU% MEMORY(bytes) MEMORY% fgedu-master 500m 12% 2048Mi 25% fgedu-node1 200m 5% 1024Mi 12% fgedu-node2 200m 5% 1024Mi 12% - 调整资源配置： $ kubectl edit deployment fgedu-app # 修改resources部分 resources: requests: cpu: "150m" memory: "192Mi" limits: cpu: "300m" memory: "384Mi" - 验证资源调优： $ kubectl get pods，更多学习教程公众号风哥教程itpux_com。 NAME READY STATUS RESTARTS AGE fgedu-app-6d6f58987b-7f5f8 1/1 Running 0 10m fgedu-app-6d6f58987b-8d2k3 1/1 Running 0 10m fgedu-app-6d6f58987b-9f5g7 1/1 Running 0 10m $ kubectl top pods NAME CPU(cores) MEMORY(bytes) fgedu-app-6d6f58987b-7f5f8 75m 96Mi fgedu-app-6d6f58987b-8d2k3 75m 96Mi fgedu-app-6d6f58987b-9f5g7 75m 96Mi

# 案例：大型集群性能优化
# 场景：100节点Kubernetes集群，运行多个微服务应用
# 问题：集群响应缓慢，Pod启动时间长，服务可用性低
# 解决方案：
1. 控制平面优化：
– 部署多主节点控制平面，提高可用性
– 调整API Server参数，增加并发请求处理能力
– 优化etcd配置，使用SSD存储，增加内存
2. 节点优化：
– 调整kubelet参数，增加maxPods和kubeAPIQPS
– 优化节点内核参数，提高网络和内存性能
– 配置节点资源预留，确保系统进程有足够的资源
3. 应用优化：
– 合理配置Pod资源请求和限制
– 使用Horizontal Pod Autoscaler自动调整Pod数量
– 优化应用代码，减少资源消耗
4. 网络优化：
– 使用Calico网络插件，优化网络性能
– 配置网络策略，减少不必要的网络通信
– 增加网络带宽，提高网络吞吐量
5. 存储优化：
– 使用Ceph存储，提高存储性能
– 配置StorageClass，支持动态存储 provisioning
– 使用缓存机制，减少存储访问延迟
# 优化结果：
– 集群响应时间：从500ms减少到100ms
– Pod启动时间：从30秒减少到5秒
– 服务可用性：从99.5%提高到99.99%
– 资源利用率：从50%提高到70%

# 案例：高并发应用优化
# 场景：电商平台，高峰期每秒处理1000个请求
# 问题：应用响应缓慢，Pod频繁重启，服务不可用
# 解决方案：
1. 应用优化：
– 优化应用代码，减少计算和I/O操作
– 使用缓存机制，减少数据库查询
– 优化数据库查询，使用索引
2. 资源调优：
– 增加Pod资源请求和限制
– 使用Horizontal Pod Autoscaler，根据CPU和内存使用自动调整Pod数量
– 配置Pod Disruption Budget，减少部署影响
3. 网络优化：
– 使用Ingress Controller，优化流量路由
– 配置网络QoS，确保关键应用的网络带宽
– 增加网络带宽，提高网络吞吐量
4. 存储优化：
– 使用本地存储，减少存储延迟
– 配置存储缓存，提高存储性能
– 优化存储I/O，提高存储吞吐量
# 优化结果：
– 应用响应时间：从500ms减少到100ms
– 每秒处理请求数：从1000增加到5000
– Pod重启次数：从每小时10次减少到0次
– 服务可用性：从99%提高到99.99%

# 案例：数据库应用调优
# 场景：MySQL数据库，存储500GB数据，每秒处理1000个查询
# 问题：数据库响应缓慢，查询延迟高，系统负载高，from K8S+DB视频:www.itpux.com。
# 解决方案：
1. 资源调优：
– 增加Pod资源请求和限制，确保数据库有足够的CPU和内存
– 使用StatefulSet部署数据库，确保数据持久化
– 配置PersistentVolumeClaim，使用SSD存储
2. 应用调优：
– 优化MySQL配置，调整innodb_buffer_pool_size、innodb_log_file_size等参数
– 使用连接池，减少数据库连接开销
– 优化SQL语句，使用索引，减少全表扫描
3. 存储调优：。
– 使用本地SSD存储，减少存储延迟
– 配置存储I/O调度策略，提高存储性能
– 定期优化数据库表，减少碎片
4. 监控和告警：
– 部署Prometheus和Grafana，监控数据库性能
– 配置告警规则，及时发现数据库问题
– 定期分析数据库性能，调整配置
# 优化结果：
– 数据库响应时间：从200ms减少到50ms
– 查询延迟：从500ms减少到100ms
– 系统负载：从80%减少到30%
– 数据库可用性：从99%提高到99.99%