Scegliere le classi di calcolo per i pod Autopilot


Questo documento mostra come selezionare classi di calcolo specifiche per eseguire carichi di lavoro che hanno requisiti hardware unici nei cluster Google Kubernetes Engine (GKE) Autopilot. Prima di leggere questo documento, assicurati di conoscere il concetto di classi di computing in GKE Autopilot.

Panoramica delle classi di computing Autopilot

Autopilot offre classi di computing progettate per eseguire carichi di lavoro con requisiti hardware specifici. Queste classi di computing sono utili per workload come il machine learning e le attività di AI o per l'esecuzione di database ad alto traffico in tempo reale.

Queste classi di computing sono un sottoinsieme delle serie di macchine di Compute Engine e offrono una flessibilità maggiore rispetto alla classe di computing per uso generico Autopilot predefinita. Ad esempio, la classe Scale-Out disattiva il multi-threading simultaneo in modo che ogni vCPU sia un core fisico.

In base alle esigenze dei singoli pod, puoi configurare i pod Autopilot regolari o i pod Spot per richiedere nodi supportati da queste classi di calcolo. Puoi anche richiedere un'architettura della CPU specifica, ad esempio Arm, nelle classi di calcolo che supportano questa architettura.

Prima di iniziare

Prima di iniziare, assicurati di aver eseguito le seguenti operazioni:

  • Attiva l'API Google Kubernetes Engine.
  • Attiva l'API Google Kubernetes Engine
  • Se vuoi utilizzare Google Cloud CLI per questa attività, installala e poi inizializza gcloud CLI. Se hai già installato gcloud CLI, scarica l'ultima versione eseguendo gcloud components update.

Richiedere una classe di computing nel pod Autopilot

Per indicare ad Autopilot di posizionare i pod su una classe di calcolo specifica, specifica l'etichetta cloud.google.com/compute-class in un nodeSelector o in una regola di affinità dei nodi, come nei seguenti esempi:

nodeSelector

    apiVersion: apps/v1
    kind: Deployment
    metadata:
      name: hello-app
    spec:
      replicas: 3
      selector:
        matchLabels:
          app: hello-app
      template:
        metadata:
          labels:
            app: hello-app
        spec:
          nodeSelector:
            cloud.google.com/compute-class: "COMPUTE_CLASS"
          containers:
          - name: hello-app
            image: us-docker.pkg.dev/google-samples/containers/gke/hello-app:1.0
            resources:
              requests:
                cpu: "2000m"
                memory: "2Gi"
    

Sostituisci COMPUTE_CLASS con il nome della classe di calcolo in base al tuo caso d'uso, ad esempio Scale-Out. Se selezioni Accelerator, devi specificare anche una GPU compatibile. Per istruzioni, vedi Esegui il deployment dei carichi di lavoro GPU in Autopilot. Se selezioni Performance, puoi facoltativamente selezionare una serie di macchine Compute Engine nel selettore di nodi. Se non specifichi una serie di macchine, GKE utilizza la serie di macchine C4 a seconda della disponibilità a livello di regione. Per istruzioni, vedi Esegui workload che richiedono un utilizzo elevato della CPU con prestazioni ottimali.

nodeAffinity

    apiVersion: apps/v1
    kind: Deployment
    metadata:
      name: hello-app
    spec:
      replicas: 3
      selector:
        matchLabels:
          app: hello-app
      template:
        metadata:
          labels:
            app: hello-app
        spec:
          terminationGracePeriodSeconds: 25
          containers:
          - name: hello-app
            image: us-docker.pkg.dev/google-samples/containers/gke/hello-app:1.0
            resources:
              requests:
                cpu: "2000m"
                memory: "2Gi"
                ephemeral-storage: "1Gi"
          affinity:
            nodeAffinity:
              requiredDuringSchedulingIgnoredDuringExecution:
                nodeSelectorTerms:
                - matchExpressions:
                  - key: cloud.google.com/compute-class
                    operator: In
                    values:
                    - "COMPUTE_CLASS"
      

Sostituisci COMPUTE_CLASS con il nome della classe compute in base al tuo caso d'uso, ad esempio Scale-Out. Se selezioni Accelerator, devi anche specificare una GPU compatibile. Per istruzioni, vedi Esegui il deployment dei carichi di lavoro GPU in Autopilot. Se selezioni Performance, puoi facoltativamente selezionare una serie di macchine Compute Engine nel selettore dei nodi. Se non specifichi una serie di macchine, GKE utilizza la serie di macchine C4 a seconda della disponibilità regionale. Per istruzioni, consulta Esegui workload che richiedono un utilizzo elevato della CPU con prestazioni ottimali.

Puoi anche richiedere classi di calcolo specifiche per i tuoi Spot Pod.

Specifica le richieste di risorse

Quando scegli una classe di calcolo, assicurati di specificare le richieste di risorse per i tuoi pod in base alle richieste di risorse minime e massime per la classe selezionata. Se le richieste sono inferiori al minimo, Autopilot le aumenta automaticamente. Tuttavia, se le tue richieste sono superiori al massimo, Autopilot non esegue il deployment dei pod e visualizza un messaggio di errore.

Scegliere un'architettura CPU

Alcune classi di calcolo supportano più architetture CPU. Ad esempio, la classe Scale-Out supporta le architetture Arm e x86. Se non richiedi un'architettura specifica, Autopilot esegue il provisioning dei nodi con l'architettura predefinita della classe di computing specificata. Se i tuoi pod devono utilizzare un'architettura diversa, richiedila nel selettore di nodi o nella regola di affinità dei nodi, insieme alla richiesta di classe di calcolo. La classe di calcolo che richiedi deve supportare l'architettura della CPU specificata.

Per istruzioni, consulta Esegui il deployment dei pod Autopilot sull'architettura Arm.

Passaggi successivi