Kubernetes中requests与limits分别影响什么,应该如何设置?

发布人:A5数据发布时间:2026-11-12 11:14阅读量:54

很多 Kubernetes 使用问题都源于一个误解:requests 不是容器“必须拿到的最低资源”,limits 也不只是给调度器看的上限。更准确地说,requests 主要参与 Pod 调度、资源竞争和部分自动扩缩容计算;limits 主要由节点运行时通过 cgroup 约束容器实际使用量。CPU 和内存对这两个字段的表现也并不相同。

例如,一个容器设置 cpu: 500m 的 request,并不意味着它始终获得半个 CPU;当节点空闲时,它可能使用更多 CPU,受到 limit 或节点整体资源的限制。相反,如果 CPU limit 设置为 500m,容器即使所在节点仍有空闲 CPU,也可能因为达到配额而被限流。内存则更接近硬上限,超过 memory limit 可能触发 OOM,造成进程或容器被终止。

正文开头配图

一、先划清 requests 与 limits 的概念边界

1. requests 影响“能否调度”和“资源竞争”

resources.requests 表示 Kubernetes 在调度和资源管理中,按照该容器需要的资源量进行计算。

常见影响包括:

  • Scheduler 根据 Pod 的 requests 与节点可分配资源进行匹配;
  • CPU request 会影响容器在 CPU 竞争时的相对权重;
  • memory request 会参与内存压力下的驱逐判断;
  • HPA 使用 CPU 或内存利用率时,通常会以 request 作为计算基准;
  • Cluster Autoscaler 等容量管理组件会根据 Pod request 判断是否需要增加节点;
  • Pod 的 QoS 类别也会受到 requests 是否设置的影响。

requests 更接近“调度账本中的需求量”,而不是一块已经物理切割给容器的独占资源。节点上所有 Pod 的 request 总和不能随意超过节点的 allocatable,但这并不等于每个容器都拥有独立的 CPU 核心或固定的内存分区。

2. limits 影响“运行时最多能使用多少”

resources.limits 通常由容器运行时和 Linux cgroup 实施。

对 CPU 来说,limit 主要表现为 CPU 配额。容器达到配额后,通常会被 throttling,也就是暂时无法继续获得 CPU 时间。它通常不会因为 CPU 达到 limit 而被杀死。

对内存来说,limit 是 cgroup 层面的内存上限。容器使用量持续达到上限时,内核可能触发 cgroup OOM,最终表现为容器退出、进程被杀死或 Kubernetes 状态中出现 OOMKilled。

可以用下面的对照理解:

配置项主要作用超过或低于该值时的典型表现
CPU request调度容量计算、CPU 竞争权重、HPA 利用率基准不会因为使用量超过 request 就被杀死
CPU limit运行时 CPU 配额可能发生 CPU throttling
Memory request调度容量计算、内存压力下的驱逐参考使用量超过 request 不会直接 OOM
Memory limit容器内存硬约束可能触发 OOMKilled
Ephemeral-storage request本地临时存储调度和驱逐参考影响节点磁盘压力下的判断
Ephemeral-storage limit容器可使用的临时存储上限可能因临时存储超限或节点压力被驱逐

需要注意,requests 和 limits 是容器级别字段,不是简单的 Pod 级别开关。一个包含主应用、日志代理和监控 sidecar 的 Pod,需要分别检查每个容器的设置。

对于调度而言,普通应用容器的 request 通常会被累加。例如:

  • 主容器 CPU request 为 500m;
  • sidecar CPU request 为 100m;
  • 该 Pod 的 CPU 调度需求大约就是 600m。

初始化容器还会影响有效 request:在某个资源维度上,Pod 的有效调度需求通常要考虑应用容器 request 总和与初始化容器 request 的较大值。因此,初始化容器配置过大,也可能导致 Pod 因资源不足而无法调度。

3. request 不等于保底,limit 也不等于建议值

下面三种理解都不准确:

  • “request 是容器一定能得到的最低资源。”
  • “limit 是应该设置成越大越好的容量。”
  • “request 和 limit 相等,性能就一定稳定。”

在普通 Kubernetes 调度模式下,request 主要用于资源计算和相对权重。只有在特定 CPU 管理策略、节点隔离方式和资源配置同时满足时,才可能实现更强的 CPU 独占效果,不能仅凭设置 cpu request 就推断出独占核心。

同样,limit 设得很高,可能减少人为限流,却不能增加节点物理容量。如果多个 Pod 的 limits 总和远超节点实际资源,节点仍可能出现内存压力、CPU 争用或本地磁盘耗尽。

二、Kubernetes 如何实际使用这两个字段

1. 调度器主要看 requests 和节点 allocatable

调度时,Kubernetes 通常会比较:

  • Pod 对 CPU、内存和临时存储等资源的 request;
  • 节点的 allocatable;
  • 节点标签、污点、亲和性和拓扑约束;
  • 其他调度策略。

节点的 allocatable 不是机器的全部物理资源。系统进程、kubelet、容器运行时等可能预留一部分资源,因此不能直接用“物理内存减去已运行容器使用量”来估算 Kubernetes 还能调度多少 Pod。

例如,一个节点显示:

最外层为 capacity,标注 CPU 8、内存 32Gi;中间部分以系统进程、kubelet、容器运行时等简洁区域表示预留;内层为 allocatable,

capacity:
  cpu: 8
  memory: 32Gi

allocatable:
  cpu: 7800m
  memory: 29Gi

这时 Pod 调度计算应主要参考 allocatable。即使当前节点实际 CPU 使用量只有 20%,如果剩余可调度 CPU request 不足,新的 Pod 仍可能处于 Pending,并出现 Insufficient cpu 之类的事件。

2. CPU request 和 CPU limit 的作用不同

假设容器配置如下:

resources:
  requests:
    cpu: "500m"
  limits:
    cpu: "1"

在没有 CPU 竞争时,容器可能使用接近一个 CPU;在多个容器竞争 CPU 时,500m 会影响其相对获得量。若容器持续尝试使用超过 1 CPU,则可能受到 CPU 配额限制。

这会带来一个常见现象:节点还有空闲 CPU,但应用延迟升高。原因可能不是节点整体 CPU 不够,而是单个容器已经碰到自己的 CPU limit,发生了 throttling。

因此,CPU limit 对延迟敏感型服务需要谨慎设置。限得过低,可能让请求处理、垃圾回收、编译或批量任务在短时间内频繁被暂停;完全不设置 limit,则意味着容器在节点空闲时可以使用更多 CPU,但在多租户环境中需要依靠合理 request、优先级和监控控制竞争风险。

3. Memory request 不会限制内存使用

假设容器配置为:

resources:
  requests:
    memory: "512Mi"
  limits:
    memory: "1Gi"

容器实际使用 700Mi 并不会因为超过 512Mi 就立刻被杀死。512Mi 主要用于调度和压力判断,1Gi 才是运行时的内存上限。

但如果容器的工作集继续增长并接近 1Gi,就可能出现以下情况:

  • 应用分配内存失败;
  • cgroup 触发 OOM;
  • 容器状态变为 OOMKilled;
  • Pod 被重启,或者因为反复失败进入重启循环。

内存 limit 不是应用内存泄漏的修复方式。它可以限制单个容器对节点的破坏范围,却不能解决缓存无界增长、请求堆积、连接泄漏或堆外内存不断增加等根因。

4. QoS 类别会改变压力场景下的风险

Kubernetes 会根据 Pod 中容器的 requests 和 limits,将 Pod 归入不同 QoS 类别:

QoS 类别典型条件主要特点
Guaranteed所有相关容器的 CPU、内存 request 和 limit 都设置,且对应值相等资源边界清晰,通常具有更高的压力场景保护程度
Burstable至少设置了一部分 request 或 limit,但不满足 Guaranteed 条件最常见,具体风险取决于资源使用量、request 和优先级
BestEffort容器没有设置 CPU 和内存 request、limit缺少资源需求声明,内存压力下通常更容易受到影响

QoS 不是“性能等级”,也不意味着 Guaranteed Pod 一定不会被驱逐。节点发生内存压力时,Pod 的 QoS、资源使用是否超过 request、PriorityClass 以及节点整体状态都会参与判断。

一个容易忽略的情况是:如果只设置了 limit,没有设置 request,Kubernetes 在常见配置下可能将 limit 作为 request 使用;但命名空间中的 LimitRange 也可能自动注入默认值。实际结果应查看 Pod 已创建对象,而不能只看提交前的 YAML。

三、哪些因素决定 requests 和 limits 应该设置多大

1. 先看资源曲线,不要只凭机器规格估算

同一个应用,在开发环境中使用几十 MiB 内存,在生产环境中可能因为缓存、并发连接和数据量增长而使用数百 MiB。设置值应基于一段具有代表性的运行数据,至少覆盖:

  • 正常低负载;
  • 平均业务负载;
  • 高峰并发;
  • 启动和初始化阶段;
  • 定时任务、批量处理或缓存刷新;
  • 发布、扩容和流量切换期间的短时波动。

CPU 适合观察利用率、峰值和 throttling;内存则应重点观察 working set、堆内存、堆外内存、缓存和 OOM 记录。不同监控系统对“内存使用量”的统计口径可能不同,不能机械地把 RSS、working set 和 cgroup usage 当成同一个指标。

2. CPU request 通常按可接受的持续负载设置

CPU request 可以根据延迟目标和容量规划在 p50、p95 或其他分位点之间取舍:

  • 偏向 p50:调度密度较高,但高峰时更容易发生 CPU 竞争;
  • 偏向 p95:容量预留更充足,调度密度会下降;
  • 接近峰值:性能余量较大,但可能造成节点资源长期闲置。

示例数据如下:

  • 常态 CPU 使用量约为 180m;
  • 高峰 p95 约为 420m;
  • 短时峰值约为 800m。

一种可验证的初始配置可以是:

resources:
  requests:
    cpu: "450m"
  limits:
    cpu: "1"

这里的 450m 不是固定规则,只是接近持续高峰的示例;1 CPU 则为短时突发留下空间。若监控显示应用经常触发 CPU throttling,应优先检查 CPU limit,而不是简单增加 request。增加 request 主要改变调度和竞争权重,不能解除 limit 带来的配额限制。

3. Memory request 应覆盖稳定运行所需的工作集

内存不能像 CPU 一样依靠“暂时借用空闲资源”来安全处理所有突发。设置 memory request 时,应覆盖稳定工作集,并为正常业务波动留出空间。

例如:

memory request 600Mi、memory limit 1Gi

  • 正常工作集约 420Mi;
  • 高峰工作集约 560Mi;
  • 启动阶段短时达到 700Mi;
  • 应用还存在约 100Mi 的运行波动。

可以将下面配置作为测试起点:

resources:
  requests:
    memory: "600Mi"
  limits:
    memory: "1Gi"

600Mi 主要服务于调度和压力判断,1Gi 则覆盖示例中的高峰和启动波动。若实际监控发现容器在高峰经常达到 900Mi,应先确认这些内存是否属于正常业务需求,再决定提高 limit、提高 request,还是修复缓存或内存泄漏。

不要把 limit 设置得刚好等于一次观测到的峰值。监控采样存在间隔,业务流量也可能出现未被样本覆盖的峰值。反过来,也不宜为了“保险”给所有服务设置远高于实际需求的内存 limit,否则会掩盖容量规划问题,并降低节点调度密度。

4. HPA 会受到 request 变化的影响

当 HPA 按 CPU 利用率扩缩容时,常见计算方式可以理解为:

CPU 利用率 = 当前 CPU 使用量 ÷ CPU request

例如:

左侧配置为“CPU usage 350m / request 500m = 70%”,右侧配置为“CPU usage 350m / request 1000m

  • 容器当前使用 350m;
  • CPU request 为 500m;
  • 利用率约为 350 ÷ 500 = 70%。

如果只把 request 改成 1 CPU,而应用实际使用量没有变化,则利用率约为 350 ÷ 1000 = 35%。这可能改变 HPA 的扩容时机,但没有让应用实际获得更多 CPU。

因此,修改 request 不只是容量配置变化,也可能改变自动扩缩容行为。使用内存作为 HPA 指标时同样需要关注 request 的分母以及监控指标的统计口径。若容器缺少相应资源 request,HPA 可能无法按预期计算利用率。

5. sidecar、LimitRange 和 ResourceQuota 不能忽略

一个 Pod 的主容器设置合理,并不代表整个 Pod 的资源声明合理。日志采集、服务网格、监控代理等 sidecar 都会增加 request 和 limit。

命名空间策略也会改变最终效果:

  • LimitRange 可以为容器注入默认 request 或 limit;
  • ResourceQuota 可以限制命名空间总 request、总 limit 或 Pod 数量;
  • 某些集群策略可能要求每个容器必须设置资源字段;
  • 节点上的 DaemonSet 会长期占用 allocatable,不能只按业务 Pod 计算容量。

如果 YAML 中没有资源字段,但创建后的 Pod 却显示了 request 或 limit,应检查命名空间中的策略配置,而不是认为 Kubernetes 随机修改了配置。

四、如何验证设置是否真正符合预期

1. 先确认 Pod 实际采用的配置

不要只查看本地 YAML。先检查 API Server 中已经创建的 Pod:

kubectl describe pod POD_NAME -n NAMESPACE

重点查看:

  • Requests 和 Limits;
  • 每个容器的资源配置;
  • QoS Class;
  • Events 中是否有调度失败、驱逐或 OOM 信息。

也可以用 JSONPath 查看 QoS:

kubectl get pod POD_NAME -n NAMESPACE \
  -o jsonpath='{.status.qosClass}{"\n"}'

查看容器级资源配置时,可以使用:

kubectl get pod POD_NAME -n NAMESPACE \
  -o jsonpath='{range .spec.containers[*]}{.name}{" requests="}{.resources.requests}{" limits="}{.resources.limits}{"\n"}{end}'

如果检查的是 Deployment,需同时查看 Deployment 模板和实际 Pod。Deployment 更新后,旧 Pod 可能仍然使用旧配置。

2. 对比使用量、request 和 limit

kubectl top 需要集群中已经部署并正常工作的 Metrics Server 或兼容指标服务:

kubectl top pod -n NAMESPACE --containers
kubectl top node

示例输出可以这样理解:

POD             NAME       CPU(cores)   MEMORY(bytes)
api-7d8f...     api        430m         612Mi
api-7d8f...     log-agent  18m          42Mi

如果主容器的 CPU 使用量长期接近 450m request,但没有达到 1 CPU limit,这通常说明它正在按照较高的资源需求参与竞争,并不表示已经被 CPU limit 限制。

如果内存使用量达到 900Mi,而 limit 是 1Gi,则应重点观察:

  • 是否存在 OOMKilled;
  • 使用量是短时峰值还是持续增长;
  • limit 是否覆盖启动和高峰阶段;
  • 节点是否同时发生内存压力。

检查容器退出原因:

kubectl get pod POD_NAME -n NAMESPACE \
  -o jsonpath='{range .status.containerStatuses[*]}{.name}{" reason="}{.lastState.terminated.reason}{" exitCode="}{.lastState.terminated.exitCode}{"\n"}{end}'

检查 Pod 事件:

kubectl get events -n NAMESPACE \
  --field-selector involvedObject.name=POD_NAME \
  --sort-by='.lastTimestamp'

3. 验证节点到底还能调度多少资源

查看节点的 capacity 和 allocatable:

kubectl describe node NODE_NAME

也可以直接读取 allocatable:

kubectl get node NODE_NAME \
  -o jsonpath='{.status.allocatable}{"\n"}'

将所有待调度 Pod 的 request 与节点 allocatable 对照。如果 Pod 处于 Pending,而事件提示 Insufficient cpu 或 Insufficient memory,应先检查 request 总量,而不能只看节点当前实时使用率。

常见判断方式如下:

观察结果更可能的含义优先检查方向
使用量低,但 Pod 因资源不足无法调度request 声明偏大或节点 allocatable 偏小Pod request、DaemonSet、节点预留
CPU 使用量接近 limit,出现 throttlingCPU limit 偏低或应用突发需求未覆盖CPU limit、应用并发模型
内存使用量接近 limit,随后 OOMKilled内存 limit 不足或应用存在泄漏工作集、堆外内存、缓存、limit
内存压力下 Burstable Pod 被驱逐节点可回收内存不足,Pod 使用量与 request 的关系不利memory request、QoS、优先级
HPA 利用率异常偏低或偏高request 改变了利用率分母request、指标口径、HPA 配置

4. 进一步确认 CPU throttling 和 cgroup 上限

在使用 cgroup v2 的节点上,容器内可能可以读取:

kubectl exec POD_NAME -n NAMESPACE -c CONTAINER_NAME -- \
  sh -c 'cat /sys/fs/cgroup/cpu.max; echo; cat /sys/fs/cgroup/memory.max'

在使用 cgroup v1 的环境中,常见路径是:

kubectl exec POD_NAME -n NAMESPACE -c CONTAINER_NAME -- \
  sh -c 'cat /sys/fs/cgroup/cpu/cpu.cfs_quota_us; echo; cat /sys/fs/cgroup/cpu/cpu.cfs_period_us; echo; cat /sys/fs/cgroup/memory/memory.limit_in_bytes'

不同容器运行时、权限配置和挂载方式可能导致这些路径不可见,因此命令失败不代表没有资源限制。此时应使用节点监控、容器运行时指标或 Prometheus 指标确认。

如果集群采集了 cAdvisor 或兼容指标,可以观察 CPU 使用量与 throttling 计数,例如:

  • container_cpu_usage_seconds_total
  • container_cpu_cfs_throttled_seconds_total
  • container_cpu_cfs_throttled_periods_total

具体指标名称会因监控组件和采集配置而变化。判断重点是:CPU limit 是否被频繁触发,以及 throttling 是否与延迟、请求排队同时出现。

5. 用逐步调整而不是一次性改到极限

资源设置更适合采用小步调整:

  1. 先用代表性负载运行一段时间,记录 CPU、内存、重启、OOM 和 throttling;
  2. 将 CPU request 调整到能够覆盖大部分持续负载的位置;
  3. 将 memory request 调整到稳定工作集加正常波动的位置;
  4. 将 CPU limit 和 memory limit 分别验证,避免把 CPU 限流问题与内存 OOM 混为一谈;
  5. 观察 HPA、Pod 调度成功率和节点资源分布;
  6. 再根据高峰数据调整,而不是直接使用单次最大值或极大的保险值。

资源配置修改本身一般不会删除数据,但更新 Deployment 可能触发滚动替换,造成新旧 Pod 并存和短时容量变化。生产环境调整前,应确认副本数、更新策略、PodDisruptionBudget 和节点余量能够承受这次变更。

五、适用限制与最终判断边界

requests 和 limits 解决的是 Kubernetes 资源声明、调度和运行时约束问题,不能替代应用容量测试。它们无法直接保证接口延迟、吞吐量、垃圾回收时间或数据库处理能力。

还需要特别注意以下边界:

  • request 是调度参考和竞争权重,普通配置下不是独占资源;
  • CPU limit 主要导致 throttling,不等同于进程被终止;
  • memory limit 可能引发 OOM,但提高 limit 不等于修复内存泄漏;
  • memory request 不会阻止容器使用超过该值;
  • limit 和 request 通常应满足 request 不大于 limit;
  • 资源设置作用于容器,sidecar 也必须单独评估;
  • Pod 的 requests 可能受初始化容器影响;
  • 节点压力下的驱逐还会受到 QoS、优先级、使用量和系统预留影响;
  • HPA、ResourceQuota、LimitRange 和集群自动扩容都会放大 request 变化的影响;
  • 没有 request 或 limit 的 Pod 可能进入 BestEffort,不能据此推断它会获得“全部空闲资源”;
  • CPU、内存和临时存储的行为不同,不能使用一套阈值套用所有资源。

实际判断时,可以先回答三个问题:这个 Pod 在正常高峰需要多少资源,超过 request 后是否仍能接受竞争,达到 limit 后应用会出现什么行为。再通过 Pod 实际配置、kubectl top、节点事件、OOM 状态和 CPU throttling 指标进行验证。只有当调度结果、运行时限制和业务指标同时符合预期时,requests 与 limits 才算设置合理。

Kubernetes资源配置与节点承载能力密切相关,A5idc数据提供香港、美国、日本、韩国、中国台湾、新加坡和马来西亚等地区的物理服务器,涵盖常规建站、AMD计算及不同内存、存储配置,可为容器化业务、数据库和接口服务提供多样的硬件与网络资源基础。香港和美国也有GPU服务器,适用于AI推理、模型测试等计算负载;多地区产品则便于结合业务部署位置与访问范围规划基础设施。

本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/8999.html

相关推荐