1. 课程导论：CPU管理在容器化中的重要性、containerd的定位与作用、课程目标与受众
1.1 为什么CPU管理是容器化中的核心挑战？
在云原生环境中，CPU 是容器最核心的竞争性资源。多租户共享、微服务拓扑、延迟敏感型业务（如实时交易、视频转码）都对 CPU 分配与隔离提出了极高要求。若缺乏精细的 CPU 管理策略，容器化集群将面临以下典型问题：
- CPU 争抢与噪声干扰：多个容器争用同一物理核，导致延迟抖动，影响服务质量（SLA）。
- 缓存与内存带宽污染：容器频繁迁移核，造成 L1/L2 缓存失效，内存带宽利用率下降。
- NUMA 跨域访问惩罚：容器被调度到非本地 NUMA 节点，内存访问延迟增加 30%~50%。
- 资源利用率与 QoS 失衡：过度超卖导致部分容器饥饿，而预留过多则造成浪费。
关键数据：在 48 核服务器上，未绑核的容器相比绑核容器，P99 延迟可高出 3~8 倍，吞吐量下降 15%~25%。
1.2 containerd 在 CPU 管理中的定位与作用
containerd 是 Kubernetes 默认的容器运行时（CRI 实现），位于 kubelet 与 runc/kata 之间，承担着容器生命周期管理、镜像分发、资源隔离等核心职责。在 CPU 管理方面，containerd 通过以下机制实现精细化控制：
| 层次 | 组件/接口 | CPU 管理能力 |
|---|---|---|
| CRI 层 | kubelet → containerd | 传递 CPU 请求/限制（CFS 配额）、CPU 管理器策略（static/ none） |
| 运行时层 | containerd → runc | 生成 OCI spec，设置 cgroups v2 cpu 子系统（cpuset、cpu.weight、cpu.max） |
| 内核层 | Linux cgroups v2 | CPU 绑核（cpuset.cpus）、CFS 带宽控制、NUMA 亲和性 |
| 扩展层 | containerd 插件 / NRI | 自定义 CPU 分配策略、动态绑核、拓扑感知调度 |
核心定位：containerd 是 CPU 管理策略的“执行枢纽”——它接收上层调度决策，将其转化为内核可执行的 cgroup 配置，同时通过 NRI（Node Resource Interface）暴露扩展点，允许第三方策略注入。
1.3 课程目标与受众
课程目标
完成本课程后，学员将能够：
- 理解原理：掌握 Linux CPU 调度、cgroups v2 cpu 子系统、NUMA 拓扑、绑核（CPU pinning）的核心机制。
- 配置策略：在 containerd + Kubernetes 环境中正确配置 CPU Manager 策略（static / none）、CPU 管理器策略选项（如 topology-manager-policy）。
- 性能调优：针对延迟敏感型、批处理型、混合型工作负载，设计并实施绑核、独占核、共享核、NUMA 亲和性等方案。
- 排障与监控：使用 perf、ftrace、cgroup 调试接口、containerd 日志等手段定位 CPU 争抢、绑核失效、NUMA 跨域等问题。
- 扩展开发：基于 NRI 编写自定义 CPU 分配插件，实现动态绑核与拓扑感知调度。
目标受众
| 角色 | 前置知识要求 | 主要收益 |
|---|---|---|
| 云原生运维 / SRE | Kubernetes 基础、Linux 基本操作 | 掌握生产级 CPU 隔离与绑核配置，提升集群稳定性 |
| 系统架构师 | 容器运行时原理、Linux 内核基础 | 设计高性能容器化基础设施，优化资源利用率 |
| 内核 / 平台开发工程师 | cgroups、调度器、NUMA 基本概念 | 深入理解 containerd CPU 管理实现，开发自定义策略 |
| 性能调优工程师 | perf / ftrace 基础、延迟分析经验 | 系统化掌握 CPU 绑核调优方法论与工具链 |
重要提示：本课程涉及大量内核级配置与生产环境操作。建议在测试集群或非生产环境中先行验证，避免因绑核策略错误导致节点不可用或容器启动失败。