1. 课程导论：Cilium与Helm在云原生网络中的定位、资源配额与性能调优的重要性、课程目标与学习路径
1.1 云原生网络的双引擎：Cilium 与 Helm
在 Kubernetes 生态中，Cilium 与 Helm 分别承担着数据平面与控制平面的关键角色。Cilium 基于 eBPF 技术提供高性能网络、可观测性与安全策略；Helm 则作为 Kubernetes 的包管理器，负责 Cilium 及其依赖组件的声明式部署与生命周期管理。两者结合，构成了现代云原生基础设施中网络层的“黄金组合”。
| 维度 | Cilium | Helm |
|---|---|---|
| 核心定位 | Kubernetes CNI 网络插件 + 网络安全 + 可观测性 | Kubernetes 应用包管理、部署、升级与回滚 |
| 技术基础 | eBPF (Extended Berkeley Packet Filter) | Go 模板引擎 + Kubernetes API 客户端 |
| 管理对象 | Pod 网络、Service 负载均衡、网络策略、Hubble 观测 | Chart、Release、Values、依赖子 Chart |
| 性能敏感点 | eBPF 程序复杂度、BPF Map 大小、内核旁路效率 | 模板渲染效率、资源配额声明、升级策略 |
| 调优目标 | 降低延迟、提升吞吐、减少 CPU 开销 | 精确资源预留、避免 OOMKill、控制集群负载 |
关键认知： Helm 是 Cilium 进入集群的“入口”，资源配额是 Cilium 稳定运行的“底线”，性能调优则是将 eBPF 网络能力发挥到极致的“引擎”。三者缺一不可。
1.2 资源配额与性能调优的重要性
在生产环境中，Cilium 的 DaemonSet 组件（如 cilium-agent）直接运行在每个节点上，处理所有 Pod 的进出流量。如果资源配额设置不当，轻则导致 Pod 启动缓慢、网络延迟抖动，重则引发节点级 OOM、CNI 插件崩溃，甚至整个集群网络瘫痪。
- 资源配额（Resource Quotas）： 为 Cilium 组件设置合理的 CPU 请求/限制、内存请求/限制，确保其在流量高峰时有足够的资源，同时避免抢占业务 Pod 的资源。
- 性能调优（Performance Tuning）： 调整 eBPF 参数（如
bpf-map-size、max-connected-nodes）、启用或禁用特定特性（如带宽管理器、KubeProxy 替换），以匹配集群规模与流量模型。
常见陷阱： 很多团队直接使用 Helm Chart 的默认 values.yaml 部署 Cilium，未根据节点规格（如 4C8G vs 32C128G）调整资源配额，导致大规模集群下 cilium-agent 频繁被 OOMKill，网络策略生效延迟高达数秒。
1.3 课程目标与学习路径
本课程旨在帮助学员掌握在 Cilium 网络环境下，通过 Helm 进行精确资源配额配置与系统性性能调优的工程方法。课程覆盖从基础原理到生产实战的全链路知识。
课程核心目标
- 理解 Cilium 的 eBPF 数据路径与 Helm Chart 的渲染机制。
- 掌握 Cilium Helm Chart 中所有关键资源配额字段的含义与调优策略。
- 学会使用 Hubble、Prometheus、Grafana 等工具进行性能基准测试与瓶颈定位。
- 能够独立完成从单集群到多集群场景下的 Cilium 性能调优方案设计。
推荐学习路径
| 阶段 | 内容 | 产出 |
|---|---|---|
| 基础篇（第1-5章） | Cilium 架构、Helm 原理、资源配额基础、eBPF 核心概念 | 能独立部署 Cilium 并理解其资源模型 |
| 进阶篇（第6-15章） | Helm Values 深度解析、资源配额计算模型、性能调优参数矩阵 | 能针对不同节点规格制定资源配额方案 |
| 实战篇（第16-25章） | 大规模集群调优、KubeProxy 替换、带宽管理、多集群网络 | 能独立完成生产级 Cilium 性能调优项目 |
| 高阶篇（第26-30章） | eBPF 源码级调试、自定义 Helm Chart、CI/CD 集成 | 具备 Cilium 二次开发与自动化运维能力 |
学习建议： 建议学员在开始本课程前，具备基本的 Kubernetes 集群操作经验（kubectl、Pod、Service 概念）以及 Linux 网络基础（iptables、网络命名空间）。课程中涉及 eBPF 的部分会从原理讲起，无需提前掌握。