Robusta KRR - 一個優化 Kubernetes 的資源分配工具
Robusta KRR（Kubernetes Resource Recommender）是一個用于優化 Kubernetes 集群中資源分配的命令行工具，它從 Prometheus 收集 pod 使用數據，并建議 CPU 和內存的 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 是一個在本地機器上運行的 CLI 工具，它不需要在你的集群中運行 Pods。
- Prometheus 集成：使用內置的 Prometheus 查詢收集資源使用數據，自定義查詢支持也即將推出。
- 可擴展策略：輕松創建和使用你自己的策略來計算資源推薦。
- 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。
根據 Sysdig 最近的一項研究(https://sysdig.com/blog/millions-wasted-kubernetes/)，平均而言，Kubernetes 集群有：
- 69％未使用的 CPU
- 18％未使用內存
通過使用 KRR 調整容器大小，你可以平均節省 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
指標收集
Robusta KRR 使用以下 Prometheus 查詢來收集使用數據：
- CPU 使用：sum(irate(container_cpu_usage_seconds_total{{namespace="{object.namespace}", pod="{pod}", cnotallow="{object.container}"}}[{step}]))。
- 內存使用：sum(container_memory_working_set_bytes{job="kubelet", metrics_path="/metrics/cadvisor", image!="", namespace="{object.namespace}", pod="{pod}", cnotallow="{object.container}"})。
算法
默認情況下，KRR 使用一個簡單的策略來計算資源推薦。它的計算方法如下（確切的數字可以在 CLI 參數中自定義）：
- 對于 CPU，將請求設置為第 99 個百分位數，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％，我們沒有設置限制。這意味著您的 Pod 可以突發并使用節點上可用的任何 CPU - 例如其他 Pod 請求但現在未使用的 CPU。
- 對于內存，使用過去一周內最大值并添加 5％緩沖區。
安裝使用
MacOS/Linux 用戶可以使用 brew 進行一鍵安裝：
brew tap robusta-dev/homebrew-krr
brew install krr安裝完成后可以執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間如果想要手動進行安裝，則首先確保在你的機器上安裝了 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，運行下面的命令來運行工具：
python krr.py --help請注意，使用源代碼需要您作為 python 腳本運行，當使用 brew 安裝時允許運行 krr。以上所有示例都將運行命令顯示為 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，比如可以運行一個簡單的策略：
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默認情況下，krr 將在當前上下文中運行，如果你想在不同的上下文中運行它：
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到結果文件）：
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試日志：
krr simple -v關于策略設置的更多信息，可以通過以下方式找到:
krr simple --help默認情況下，KRR 將嘗試通過掃描下面的這些標簽來自動發現正在運行的 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"如果這些標簽都沒有找到 Prometheus，則將收到錯誤消息，那么就必須顯式傳遞 url 了（使用 -p 標志）。
如果你的 prometheus 沒有自動連接，我們可以使用 kubectl port-forward 手動轉發 Prometheus。
例如有一個名為 kube-prometheus-st-prometheus-0 的 Prometheus Pod，則我們可以下面的命令對其進行端口轉發：
kubectl port-forward pod/kube-prometheus-st-prometheus-0 9090然后，打開另一個終端并在其中運行 krr，給出一個顯式的 prometheus url:
krr simple -p http://127.0.0.1:9090此外我們還可以根據自己的需求來創建自定義的策略，比如下面的代碼就是創建一個自定義的策略：
# 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
