作者：常懷鑫、丁天琛

讓人討厭的 CPU 限流影響容器運行，有時人們不得不犧牲容器部署密度來避免 CPU 限流出現(xiàn)。我們設(shè)計的 CPU Burst 技術(shù)既能保證容器運行服務(wù)質(zhì)量，又不降低容器部署密度。CPU Burst 特性已合入 Linux 5.14，Anolis OS 8.2、Alibaba Cloud Linux2、Alibaba Cloud Linux3 也都支持 CPU Burst 特性。

在 K8s 容器調(diào)度中，容器的 CPU 資源上限是由 CPU limits 參數(shù)指定。設(shè)置 CPU 資源上限可以限制個別容器消耗過多的 CPU 運行時間，并確保其他容器拿到足夠的 CPU 資源。CPU limits 限制在 Linux 內(nèi)核中是用 CPU Bandwidth Controller 實現(xiàn)的，它通過 CPU 限流限制 cgroup 的資源消耗。所以當一個容器中的進程使用了超過 CPU limits 的資源的時候，這些進程就會被 CPU 限流，他們使用的 CPU 時間就會受到限制，進程中一些關(guān)鍵的延遲指標就會變差。

面對這種情況，我們應(yīng)該怎么辦呢？一般情況下，我們會結(jié)合這個容器日常峰值的 CPU 利用率并乘以一個相對安全的系數(shù)來設(shè)置這個容器的 CPU limits ，這樣我們既可以避免容器因為限流而導(dǎo)致的服務(wù)質(zhì)量變差，同時也可以兼顧 CPU 資源的利用。舉個簡單的例子，我們有一個容器，他日常峰值的 CPU 使用率在 250% 左右，那么我們就把容器 CPU limits 設(shè)置到 400% 來保證容器服務(wù)質(zhì)量，此時容器的 CPU 利用率是 62.5%（250%/400%）。

然而生活真的那么美好嗎？顯然不是！CPU 限流的出現(xiàn)比預(yù)期頻繁了很多。怎么辦？似乎看上去我們只能繼續(xù)調(diào)大 CPU limits 來解決這個問題。很多時候，當容器的 CPU limits 被放大 5~10 倍的時候，這個容器的服務(wù)質(zhì)量才得到了比較好的保障，相應(yīng)的這時容器的總 CPU 利用率只有 10%~20%。所以為了應(yīng)對可能的容器 CPU 使用高峰，容器的部署密度必須大大降低。

歷史上人們在 CPU Bandwidth Controller 中修復(fù)了一些 BUG 導(dǎo)致的 CPU 限流問題，我們發(fā)現(xiàn)當前非預(yù)期限流是由于 100ms 級別 CPU 突發(fā)使用引起，并且提出 CPU Burst 技術(shù)允許一定的 CPU 突發(fā)使用，避免平均 CPU 利用率低于限制時的 CPU 限流。在云計算場景中，CPU Burst 技術(shù)的價值有：

不提高 CPU 配置的前提下改善 CPU 資源服務(wù)質(zhì)量；

允許資源所有者不犧牲資源服務(wù)質(zhì)量降低 CPU 資源配置，提升 CPU 資源利用率；

降低資源成本（TCO，Total Cost of Ownership）。

你看到的 CPU 利用率不是全部真相

秒級 CPU 利用率不能反映 Bandwidth Controller 工作的 100ms 級別 CPU 使用情況，是導(dǎo)致非預(yù)期 CPU 限流出現(xiàn)的原因。

Bandwidth Controller 適用于 CFS 任務(wù)，用 period 和 quota 管理 cgroup 的 CPU 時間消耗。若 cgroup 的 period 是 100ms quota 是 50ms，cgroup 的進程每 100ms 周期內(nèi)最多使用 50ms CPU 時間。當 100ms 周期的 CPU 使用超過 50ms 時進程會被限流，cgroup 的 CPU 使用被限制到 50%。

CPU 利用率是一段時間內(nèi) CPU 使用的平均，以較粗的粒度統(tǒng)計 CPU 的使用需求，CPU 利用率趨向穩(wěn)定；當觀察的粒度變細，CPU 使用的突發(fā)特征更明顯。以 1s 粒度和 100ms 粒度同時觀測容器負載運行，當觀測粒度是 1s 時 CPU 利用率的秒級平均在 250% 左右，而在 Bandwidth Controller 工作的 100ms 級別觀測 CPU 利用率的峰值已經(jīng)突破 400% 。

根據(jù)秒級觀察到的 CPU 利用率 250% 設(shè)置容器 quota 和 period 分別為 400ms 和 100ms ，容器進程的細粒度突發(fā)被 Bandwidth Controller 限流，容器進程的 CPU 使用受到影響。

如何改善

我們用 CPU Burst 技術(shù)來滿足這種細粒度 CPU 突發(fā)需求，在傳統(tǒng)的 CPU Bandwidth Controller quota 和 period 基礎(chǔ)上引入 burst 的概念。當容器的 CPU 使用低于 quota 時，可用于突發(fā)的 burst 資源累積下來；當容器的 CPU 使用超過 quota，允許使用累積的 burst 資源。最終達到的效果是將容器更長時間的平均 CPU 消耗限制在 quota 范圍內(nèi)，允許短時間內(nèi)的 CPU 使用超過其 quota。

如果用 Bandwidth Controller 算法來管理休假，假期管理的周期（period）是一年，一年里假期的額度是 quota ，有了 CPU Burst 技術(shù)之后今年修不完的假期可以放到以后來休了。

在容器場景中使用 CPU Burst 之后，測試容器的服務(wù)質(zhì)量顯著提升。觀察到 RT 均值下降 68%（從 30+ms 下降到 9.6ms ）；99% RT 下降 94.5%（從 500+ms 下降到 27.37ms ）。

CPU Bandwidth Controller 的保證

使用 CPU Bandwidth Controller 可以避免某些進程消耗過多 CPU 時間，并確保所有需要 CPU 的進程都拿到足夠的 CPU 時間。之所以有這樣好的穩(wěn)定性保證，是因為當 Bandwidth Controller 設(shè)置滿足下述情況時，

有如下的調(diào)度穩(wěn)定性約束：

其中，

是第 i 個 cgroup 的 quota，是一個 period 內(nèi)該 cgroup 的 CPU 需求。Bandwidth Controller 對每個周期分別做 CPU 時間統(tǒng)計，調(diào)度穩(wěn)定性約束保證在一個 period 內(nèi)提交的全部任務(wù)都能在該周期內(nèi)處理完；對每個 CPU cgroup 而言，這意味著任何時候提交的任務(wù)都能在一個 period 內(nèi)執(zhí)行完，即任務(wù)實時性約束：

不管任務(wù)優(yōu)先級如何，最壞情況下任務(wù)執(zhí)行時間（WCET, Worst-Case Execution Time）不超過一個 period。

假如持續(xù)出現(xiàn)

調(diào)度器穩(wěn)定性被打破，在每個 period 都有任務(wù)積攢下來，新提交的作業(yè)執(zhí)行時間不斷增加。

使用 CPU Burst 的影響

出于改善服務(wù)質(zhì)量的需要，我們使用 CPU Burst 允許突發(fā)的 CPU 使用之后，對調(diào)度器的穩(wěn)定性產(chǎn)生什么影響？答案是當多個 cgroup 同時突發(fā)使用 CPU，調(diào)度器穩(wěn)定性約束和任務(wù)實時性保證有可能被打破。這時候兩個約束得到保證的概率是關(guān)鍵，如果兩個約束得到保證的概率很高，對大多數(shù)周期來任務(wù)實時性都得到保證，可以放心大膽使用 CPU Burst；如果任務(wù)實時性得到保證的概率很低，這時候要改善服務(wù)質(zhì)量不能直接使用 CPU Burst，應(yīng)該先降低部署密度提高 CPU 資源配置。

于是下一個關(guān)心的問題是，怎么計算特定場景下兩個約束被打破的概率。

評估影響大小

定量計算可以定義成經(jīng)典的排隊論問題，并且用蒙特卡洛模擬方法求解。定量計算的結(jié)果表明，判斷當前場景是否可以使用 CPU Burst 的主要影響因素是平均 CPU 利用率和 cgroup 數(shù)目。CPU 利用率越低，或者 cgroup 數(shù)目越多，兩個約束越不容易被打破可以放心使用 CPU Burst。反之如果 CPU 利用率很高或者 cgroup 數(shù)目較少，要消除 CPU 限流對進程執(zhí)行的影響，應(yīng)該降低部署提高配置再使用 CPU Burst。

問題定義是：一共有 m 個 cgroup，每個 cgroup 的 quota 限制為 1/m，每個 cgroup 在每個周期產(chǎn)生的計算需求（CPU 利用率）服從某個具體分布，這些分布是相互獨立的。假設(shè)任務(wù)在每個周期的開始到達，如果該周期內(nèi)的 CPU 需求超過 100%，當前周期任務(wù) WCET 超過 1 個 period，超過的部分累積下來和下個周期新產(chǎn)生的 CPU 需求一起在下個需求處理。輸入是 cgroup 的數(shù)目 m 和每個 CPU 需求滿足的具體分布，輸出是每個周期結(jié)束 WCET > period 的概率和 WCET 期望。

以輸入的 CPU 需求為帕累托分布、m=10/20/30 的結(jié)果為例進行說明。選擇帕累托分布進行說明的原因是它產(chǎn)生比較多的長尾 CPU 突發(fā)使用，容易產(chǎn)生較大影響。表格中數(shù)據(jù)項的格式為

其中

越接近 1 越好，

概率越低越好。

結(jié)果跟直覺是吻合的。一方面，CPU 需求（CPU 利用率）越高，CPU 突發(fā)越容易打破穩(wěn)定性約束，造成任務(wù) WCET 期望變長。另一方面，CPU 需求獨立分布的 cgroup 數(shù)目越多，它們同時產(chǎn)生 CPU 突發(fā)需求的可能性越低，調(diào)度器穩(wěn)定性約束越容易保持，WCET 的期望越接近 1 個 period。

場景和參數(shù)設(shè)定

我們設(shè)定整個系統(tǒng)存在 m 個 cgroup，每個 cgroup 公平瓜分總量為 100% 的 CPU 資源，即 quota=1/m。每個 cgoup 按相同規(guī)律（獨立同分布）產(chǎn)生計算需求并交給 CPU 執(zhí)行。

我們參考排隊論的模型，將每個 cgroup 視為一位顧客，CPU 即為服務(wù)臺，每位顧客的服務(wù)時間受到 quota 的限制。為了簡化模型，我們離散化地定義所有顧客的到達時間間隔為常數(shù)，然后在該間隔內(nèi) CPU 最多能服務(wù) 100% 的計算需求，這個時間間隔即為一個周期。

然后我們需要定義每位顧客在一個周期內(nèi)的服務(wù)時間。我們假定顧客產(chǎn)生的計算需求是獨立同分布的，其平均值是自身 quota 的 u_avg 倍。顧客在每個周期得不到滿足的計算需求會一直累積，它每個周期向服務(wù)臺提交的服務(wù)時間取決于它自身的計算需求和系統(tǒng)允許的最大 CPU time（即其 quota 加上之前周期累積的 token）。

最后，CPU Burst 技術(shù)中有一項可調(diào)參數(shù) buffer，表示允許累積的 token 上限。它決定了每個 cgroup 的瞬時突發(fā)能力，我們將其大小用 quota 的 b 倍表示。

我們對上述定義的參數(shù)作出了如下設(shè)置：

負指數(shù)分布是排隊論模型中最常見、最多被使用的分布之一。其密度函數(shù)為

其中

帕累托分布是計算機調(diào)度系統(tǒng)中比較常見的分布，且它能夠模擬出較大的延遲長尾，從而體現(xiàn) CPU Burst 的效果。其密度函數(shù)為：

為了抑制尾部的概率分布使其不至于過于夸張，我們設(shè)置了：

此時當 u_avg=30% 時可能產(chǎn)生的最大計算需求約為 500%。

數(shù)據(jù)展示

按上述參數(shù)設(shè)置進行蒙特卡洛模擬的結(jié)果如下所示。我們將第一張（WCET 期望）的圖表 y 軸進行顛倒來更好地符合直覺。同樣地，第二張圖表（WCET 等于 1 的概率）表示調(diào)度的實時性得到保證的概率，以百分制表示。

負指數(shù)分布

帕累托分布

結(jié)論*

一般來說，u_avg（計算需求的負荷）越高，m（cgroup 數(shù)量）越少，WCET 越大。前者是顯然的結(jié)論，后者是因為獨立同分布情況下任務(wù)數(shù)量越多，整體產(chǎn)生需求越趨于平均，超出 quota 需求的任務(wù)和低于 quota 從而空出 cpu 時間的任務(wù)更容易互補。

提高 buffer 會使得 CPU Burst 發(fā)揮更好的效果，對單個任務(wù)的優(yōu)化收益更明顯；但同時也會增大 WCET，意味著增加對相鄰任務(wù)的干擾。這也是符合直覺的結(jié)論。

在設(shè)置 buffer 大小時，我們建議根據(jù)具體業(yè)務(wù)場景的計算需求（包括分布和均值）和容器數(shù)量，以及自身需求來決定。如果希望增加整體系統(tǒng)的吞吐量，以及在平均負荷不高的情況下優(yōu)化容器性能，可以增大 buffer；反之如果希望保證調(diào)度的穩(wěn)定性和公平性，在整體負荷較高的情況下減少容器受到的影響，可以適當減小 buffer。

一般而言，在低于 70% 平均 CPU 利用率的場景中，CPU Burst 不會對相鄰容器造成較大影響。

模擬工具與使用方法

說完了枯燥的數(shù)據(jù)和結(jié)論，接下來介紹可能有許多讀者關(guān)心的問題：CPU Burst 會不會對我的實際業(yè)務(wù)場景造成影響？為了解決這個疑惑，我們將蒙特卡洛模擬方法所用工具稍加改造，從而能幫助大家在自己的實際場景中測試具體的影響～

工具可以在這里獲取：https://codeup.openanolis.cn/codeup/yingyu/cpuburst-simulator

詳細的使用說明也附在 README 中了，下面讓我們看一個具體的例子吧。

小 A 想在他的服務(wù)器上部署 10 臺容器用于相同業(yè)務(wù)。為了獲取準確的測量數(shù)據(jù)，他先啟動了一臺容器正常運行業(yè)務(wù)，綁定到名為 cg1 的 cgroup 中，不設(shè)限流以獲取該業(yè)務(wù)的真實表現(xiàn)。

然后調(diào)用 sample.py 進行數(shù)據(jù)采集：（演示效果只采集了 1000 次，實際建議有條件的情況下采集次數(shù)越大越好）

這些數(shù)據(jù)被存儲到了./data/cg1_data.npy 中。最后輸出的提示說明該業(yè)務(wù)平均占用了約 6.5% 的 CPU，部署 10 臺容器的情況下總的平均 CPU 利用率約為 65%。（PS：方差數(shù)據(jù)同樣打印出來作為參考，也許方差越大，越能從 CPU Burst 中受益哦）

接下來，他利用 simu_from_data.py 計算配置 10 個 和 cg1 相同場景的 cgroup 時，將 buffer 設(shè)置為 200% 的影響：

根據(jù)模擬結(jié)果，開啟 CPU Burst 功能對該業(yè)務(wù)場景下的容器幾乎沒有負面影響，小 A 可以放心使用啦。

想要進一步了解該工具的用法，或是出于對理論的興趣去改變分布查看模擬結(jié)果，都可以訪問上面的倉庫鏈接找到答案～

關(guān)于作者

常懷鑫（一齋），阿里云內(nèi)核組工程師，擅長 CPU 調(diào)度領(lǐng)域。

丁天琛（鷹羽），2021 年加入阿里云內(nèi)核組，目前在調(diào)度領(lǐng)域等方面學(xué)習(xí)研究。

點擊此處，即可查看阿里云專有云敏捷版云原生 Stack 相關(guān)介紹！

《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的让容器跑得更快：CPU Burst 技术实践的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。