Pular para o conteúdo principal
System AdministrationMédioMúltipla Escolha

Questão de System Administration

Enunciado

Vamos supor que uma organização precisa processar grandes quantidades de dados em rajadas, em um cluster Kubernetes baseado em nuvem. Por exemplo: toda segunda-feira de manhã, eles precisam executar um lote de 1000 jobs computacionais de 1 hora cada, e esses jobs devem ser concluídos até segunda-feira à noite. Qual será o método mais econômico?

#kubernetes#cluster-autoscaler#cost-optimization#cloud-computing
A

Executar um grupo de nós com o tamanho exato necessário para concluir o lote no prazo e usar uma combinação de taints, tolerations e nodeSelectors para reservar esses nós para os jobs em lote.

B

Aproveitar o Kubernetes Cluster Autoscaler para iniciar e parar nós automaticamente conforme necessário.

Correta
C

Comprometer-se com um nível específico de gastos para obter preços com desconto (com, por exemplo, "instâncias reservadas" ou mecanismos similares).

D

Usar PriorityClasses para que o job semanal em lote tenha prioridade sobre outras cargas de trabalho em execução no cluster e possa ser concluído no prazo.

Resolução e Comentários

O método mais econômico para lidar com cargas de trabalho em rajada em um cluster Kubernetes baseado em nuvem é usar o Kubernetes Cluster Autoscaler para iniciar e parar nós automaticamente conforme necessário. Essa abordagem ajusta dinamicamente o tamanho do cluster com base nos pods pendentes, garantindo que os recursos sejam provisionados apenas quando necessário e reduzidos durante períodos ociosos, minimizando custos.

Como Funciona

O Cluster Autoscaler monitora o status de agendamento dos pods. Quando os pods não podem ser agendados devido a recursos insuficientes, ele aciona a API do provedor de nuvem para adicionar novos nós. Por outro lado, quando os nós estão subutilizados por um período configurável, ele os remove. Isso alinha o consumo de recursos com a demanda real, eliminando desperdícios de superprovisionamento.

Por que a Resposta Correta está Certa

  • Eficiência de Custos: O Cluster Autoscaler garante que os nós existam apenas quando necessário. Para o cenário de rajada, os nós serão adicionados na segunda-feira de manhã para lidar com os 1000 jobs e removidos após a conclusão, evitando cobranças por recursos ociosos.
  • Automação: Nenhuma intervenção manual é necessária; o autoscaler reage automaticamente às mudanças na carga de trabalho.
  • Integração Nativa com Nuvem: Funciona com os principais provedores de nuvem (AWS, GCP, Azure) e respeita tipos de instância, zonas e políticas de escalonamento.

Por que as Respostas Incorretas estão Erradas

  • Executar um grupo de nós com o tamanho exato necessário usando taints, tolerations e nodeSelectors: Essa abordagem requer dimensionamento e provisionamento manuais. Se a carga de trabalho variar ou a estimativa estiver errada, os recursos podem ser desperdiçados ou insuficientes. Também carece de escalonamento dinâmico, levando a possível superprovisionamento.
  • Comprometer-se com um nível específico de gastos com instâncias reservadas: Instâncias reservadas oferecem descontos para cargas de trabalho estáveis, mas são inflexíveis. Para cargas de trabalho em rajada, você paga por capacidade que fica ociosa a maior parte da semana, tornando-se antieconômico.
  • Usar PriorityClasses para dar prioridade aos jobs em lote: PriorityClasses afetam a ordem de agendamento, mas não adicionam ou removem nós. Se o cluster não tiver capacidade, os pods de alta prioridade podem permanecer pendentes. Isso não aborda o provisionamento de recursos e pode levar a jobs incompletos ou preempção de outras cargas de trabalho sem economia de custos.