📚 课程目录第1章课程导论

1. 课程导论：Cilium数据面概述、资源消耗与资源画像联合优化的意义

Cilium 基于 eBPF（extended Berkeley Packet Filter）技术，将数据面从传统的 iptables/IPVS 内核模块迁移到内核内 eBPF 虚拟机中执行。其数据面主要由以下组件构成：

eBPF 程序挂载点：XDP（eXpress Data Path）、TC（Traffic Control） ingress/egress、cgroup/sockops、kprobe/tracepoint。
Cilium Agent：用户态守护进程，负责策略下发、BPF Map 更新、端点管理。
BPF Map：内核态与用户态共享的键值存储，承载策略规则、连接跟踪、NAT 映射。
CNI 插件：负责 Pod 网络接口创建与 IP 分配。
Envoy（可选）：L7 代理，用于 HTTP/gRPC 协议感知与策略执行。

  关键认知： Cilium 数据面并非单一程序，而是一组协同工作的 eBPF 程序集合，其资源消耗模式随挂载点、策略复杂度、流量特征动态变化。

Cilium 数据面资源消耗并非单一指标，而是多维度交织的结果。在生产环境中，以下四个维度最为关键：

资源维度	主要消耗来源	典型瓶颈	优化关注点
CPU	eBPF 程序执行、BPF Map 查找、策略匹配、连接跟踪	高 PPS（包/秒）场景下 CPU 软中断过载	减少每包指令数、优化 Map 查找路径
内存	BPF Map 条目（CT、NAT、策略）、eBPF 程序本身、Agent 缓存	大量短连接导致 CT Map 膨胀	Map 容量规划、条目老化策略
网络带宽	封装开销（VXLAN/Geneve）、隧道包头、L7 代理转发	小包场景下封装开销占比过高	选择轻量封装模式（Direct Routing）
锁/同步开销	BPF Map 并发访问、Agent 与内核通信、eBPF 尾调用	高并发下 Map 更新锁竞争	Per-CPU Map 设计、减少全局锁依赖

实践提示： 在 Kubernetes 集群中，CPU 和内存通常是首要关注维度。建议在压测阶段使用 bpftool prog show 和 cilium monitor --verbose 采集基线数据。

传统优化方式往往孤立地调整单一参数（如增大 BPF Map 大小、调整 GC 间隔），缺乏对整体资源消耗模式的系统性理解。资源画像联合优化 的核心思想是：

  核心价值： 联合优化可将资源利用率提升 30%~50%，同时降低 P99 延迟抖动。例如，某头部云厂商通过 CT Map 条目画像与 GC 频率联合调优，将内存占用降低 40%，CPU 开销降低 25%。

本课程旨在帮助学员掌握 Cilium 数据面资源消耗的深度分析方法，并能够独立完成资源画像构建与联合优化。具体目标如下：

模块	核心目标	关键产出
基础篇（第 1-5 章）	理解 Cilium 数据面架构与 eBPF 资源模型	能使用 bpftool、perf、cilium monitor 采集基础指标
画像篇（第 6-12 章）	掌握 CPU、内存、网络、锁的 profiling 方法	输出标准化的资源画像报告模板
优化篇（第 13-22 章）	实施 eBPF 程序、Map、Agent、内核参数联合调优	形成可复用的优化策略清单与脚本
实战篇（第 23-30 章）	在真实 Kubernetes 集群中完成端到端优化项目	交付优化前后对比报告与生产部署建议

前置要求： 学员需具备基本的 Kubernetes 网络知识（Pod 网络、Service、CNI 概念），了解 Linux 内核网络栈基础（netfilter、tc、XDP）。建议提前搭建一套包含 3 个 worker 节点的测试集群。

推荐学习路径：