容量规划与管理

容量规划原则

1. 预测需求：基于历史数据和业务预测
2. 保留缓冲：预留20-30%的余量
3. 定期评估：每月/季度审查容量
4. 自动化伸缩：使用HPA和Cluster Autoscaler

容量指标

# 容量指标定义
capacity_metrics:
  compute:
    cpu_utilization: "目标<70%"
    memory_utilization: "目标<80%"
  
  storage:
    disk_utilization: "目标<80%"
    iops_utilization: "目标<70%"
  
  network:
    bandwidth_utilization: "目标<60%"
    connection_count: "监控趋势"

预测分析

趋势预测

import pandas as pd
from sklearn.linear_model import LinearRegression
import numpy as np

# 历史数据
data = pd.DataFrame({
    'month': range(1, 13),
    'requests': [100000, 120000, 150000, 180000, 220000, 280000,
                 350000, 420000, 500000, 600000, 720000, 860000]
})

# 线性回归预测
X = data['month'](/notes/month)
y = data['requests']
model = LinearRegression()
model.fit(X, y)

# 预测未来3个月
future_months = np.array([[13], [14], [15]])
predictions = model.predict(future_months)
print(f"未来3个月预测: {predictions}")

季节性分析

from statsmodels.tsa.seasonal import seasonal_decompose

# 季节性分解
result = seasonal_decompose(data['requests'], model='additive', period=12)
trend = result.trend
seasonal = result.seasonal
residual = result.resid

Kubernetes容量规划

# 资源配额
apiVersion: v1
kind: ResourceQuota
metadata:
  name: compute-quota
  namespace: production
spec:
  hard:
    requests.cpu: "20"
    requests.memory: 40Gi
    limits.cpu: "40"
    limits.memory: 80Gi
    pods: "100"

---
# HPA配置
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: myapp-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: myapp
  minReplicas: 3
  maxReplicas: 50
  metrics:
    - type: Resource
      resource:
        name: cpu
        target:
          type: Utilization
          averageUtilization: 70

---
# Cluster Autoscaler
apiVersion: apps/v1
kind: Deployment
metadata:
  name: cluster-autoscaler
  namespace: kube-system
spec:
  template:
    spec:
      containers:
        - name: cluster-autoscaler
          command:
            - ./cluster-autoscaler
            - --scale-down-enabled=true
            - --scale-down-delay-after-add=10m
            - --scale-down-unneeded-time=10m
            - --max-node-provision-time=15m
            - --min-nodes=3
            - --max-nodes=50

实践：容量规划脚本

#!/bin/bash

echo "=== 容量规划报告 ==="

# 1. 当前资源使用
echo ""
echo "--- 当前资源使用 ---"
kubectl top nodes
kubectl top pods --all-namespaces

# 2. 资源请求 vs 实际使用
echo ""
echo "--- 资源效率 ---"
kubectl get pods --all-namespaces -o json | jq -r '
  .items[] | 
  {
    namespace: .metadata.namespace,
    pod: .metadata.name,
    cpu_request: .spec.containers[].resources.requests.cpu,
    cpu_limit: .spec.containers[].resources.limits.cpu
  }'

# 3. 历史趋势
echo ""
echo "--- 资源趋势 ---"
kubectl top nodes --sort-by=cpu | head -10

# 4. 容量建议
echo ""
echo "--- 容量建议 ---"
echo "基于当前使用率，建议:"
echo "- 扩容节点池: +2节点"
echo "- 调整HPA: maxReplicas=50"

容量报告模板

# 容量规划报告

## 摘要
- 报告周期: 2024年1月
- 当前容量: 80%
- 预测容量需求: +30%
- 建议操作: 扩容

## 详细分析

### 计算资源
- CPU使用率: 65%
- 内存使用率: 72%
- 预计增长: 25%

### 存储资源
- 磁盘使用率: 58%
- 预计增长: 40%

### 网络资源
- 带宽使用率: 45%
- 预计增长: 30%

## 建议
1. 扩容节点池: +5节点
2. 增加存储: +500GB
3. 升级网络: 1Gbps → 10Gbps

最佳实践

1. 建立基线
2. 持续监控
3. 定期审查
4. 预测分析
5. 自动化伸缩

总结

容量规划是确保系统稳定运行的关键。通过数据驱动的预测和自动化伸缩，可以有效管理资源容量。