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

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:

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:

- 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:

- 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 throttling | CPU 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_totalcontainer_cpu_cfs_throttled_seconds_totalcontainer_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:
- 先用代表性负载运行一段时间,记录 CPU、内存、重启、OOM 和 throttling;
- 将 CPU request 调整到能够覆盖大部分持续负载的位置;
- 将 memory request 调整到稳定工作集加正常波动的位置;
- 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;
- 观察 HPA、Pod 调度成功率和节点资源分布;
- 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



