专题演讲嘉宾：李洋

在 Kubernetes（简称 K8s）场景中，很多原生包括扩展的策略都是依托于不同维度的资源数据进行开发的，可以理解为资源数据是最能直接影响到策略结果的因素之一。然而无论是小到容器，还是大到集群，都拥有各自独特的资源属性，不能一概而论。但在通用型场景下，也不能重复造轮子。

资源画像，就是朝着K8s中最根本的资源方向，对不同类型的负载分层分类的刻画出更高维度的聚合数据，用数据丰富上游各种维度策略或提升现有策略准确性，从而解决“稳定性”、“交付”和“成本”等场景中的实际问题。本次分享将为大家介绍小米内部在资源画像方面的实践，以及解决了哪些业务场景问题，带来了哪些收益，希望能为大家提供一些新的思路。

演讲提纲

1. 从真实场景中分析不同维度遇到的挑战

• 交付&成本：资源浪费导致集群容量不足，发布“pending”，间接导致无法容纳更多的业务，导致集群资源利用率低。
• 稳定性：静态分配调度转实时负载感知调度后仍然有单机热点问题，影响业务稳定性。
• 稳定性：弹性扩缩滞后，业务稳定性受到影响。

2. 画像体系构建与架构设计

• 组织阵型搭建：资源画像研发小组及基础架构的设计。
• 画像架构设计：能力拆解、组件划分、目标一致、各司其职。

3. 业务场景实践

• 预测workload申请资源压缩，减少浪费，提高利用率。
• 预测node真实用量调度，减少热点，提高稳定性。
• 预测HPA提前扩容，避免无效缩容，提高稳定性。

4. 总结展望

• 总结小米在资源画像实践中的效果。
• 探讨更多机制设计与思考。

内容亮点

1. 很少有项目能从“资源预测”与“特征训练”等层面直接解决用户与 K8s 间的痛点问题。
2. 贴近实际业务场景来讲解如何使用资源画像增强策略，带来收益。

听众收益

1. 学习如何通过特征提取、预测与算法等技术，为 K8s 场景赋能。
2. 了解小米内部如何通过资源画像解决真实业务问题