1. 课程导论：资源预留的背景与挑战、准入控制与资源画像的核心概念、课程目标与学习路径
1.1 资源预留的背景与挑战
在 Kubernetes 集群中，资源管理是保障服务质量（QoS）与集群效率的核心难题。传统做法依赖 静态资源预留（如通过 requests 和 limits 直接指定），但这种方式面临三大结构性矛盾：
- 资源碎片化：静态预留导致大量资源被“锁定”但未被实际使用，集群整体利用率通常低于 40%。
- 过载风险：突发流量或高优先级作业无法获得即时资源，引发 Pod 驱逐或 OOMKill。
- 运维复杂度：人工调整预留参数需要反复压测与调优，难以适应动态负载。
关键指标对比： 静态预留 vs 动态预留
| 维度 | 静态预留（传统） | 动态预留（本课程） |
|---|---|---|
| 资源利用率 | 30% – 45% | 60% – 85% |
| 响应延迟 | 秒级（需人工介入） | 毫秒级（自动调整） |
| 过载保护 | 被动（OOMKill） | 主动（准入拦截 + 重调度） |
| 运维成本 | 高（反复压测） | 低（数据驱动） |
1.2 准入控制与资源画像的核心概念
本课程围绕两个核心技术支柱展开：准入控制（Admission Control） 与 资源画像（Resource Profiling）。两者协同工作，形成“感知-决策-执行”的闭环。
1.2.1 准入控制：资源预留的执行关口
Kubernetes 准入控制器在 API 请求持久化之前拦截并校验资源声明。本课程聚焦 MutatingAdmissionWebhook 与 ValidatingAdmissionWebhook，实现资源预留的动态注入与校验。
- Mutating Webhook：根据资源画像结果，自动修改 Pod 的
requests和limits。 - Validating Webhook：校验预留策略是否违反集群资源配额或 QoS 约束。
1.2.2 资源画像：数据驱动的预留依据
资源画像通过历史监控数据（CPU、内存、网络 I/O）构建 Pod 的资源使用特征模型。核心输出包括：
- 基线资源需求：P50/P90/P99 分位的资源使用量。
- 突发特征：峰值持续时间、增长速率、周期模式。
- 资源冗余度：当前预留与实际使用的差值，用于优化预留策略。
实践要点： 资源画像数据源通常来自 Prometheus 或 Metrics Server，采样周期建议 ≤ 30 秒，窗口长度 ≥ 7 天以覆盖完整业务周期。
1.3 课程目标与学习路径
本课程旨在培养学员独立设计、实现并优化 准入控制框架下资源画像驱动的 Pod 资源预留系统。完成本课程后，学员将具备以下能力：
- 理解核心原理：掌握资源画像的数学模型（分位统计、时间序列预测、异常检测）与准入控制的工作机制。
- 工程实现能力：使用 Go 语言开发自定义 Admission Webhook，集成 Prometheus 数据源，构建资源画像流水线。
- 策略调优：基于真实负载数据调整预留冗余度、突发容忍窗口、QoS 降级策略。
- 生产级部署：配置高可用 Webhook、灰度发布、监控告警与回滚机制。
前置要求： 学员需具备 Kubernetes 基础操作能力（Pod/Deployment/Service）、Go 语言基础语法、PromQL 查询基础。建议先完成《Kubernetes 入门与实战》或同等课程。
1.3.1 课程章节总览
| 模块 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第 1 – 5 章 | 资源画像数据采集与特征工程 |
| 核心篇 | 第 6 – 15 章 | Admission Webhook 开发与预留策略引擎 |
| 进阶篇 | 第 16 – 24 章 | 多维度画像融合、QoS 保障、成本优化 |
| 实战篇 | 第 25 – 30 章 | 生产级部署、混沌工程验证、案例复盘 |