1. 课程导论：K8s资源限制的重要性、压测库调优的目标、课程面向的受众与前置知识
1.1 为什么Kubernetes资源限制如此重要？
在Kubernetes集群中，资源限制（Resource Limits）是保障集群稳定性、公平性和可预测性的核心机制。没有合理的资源限制，一个异常或恶意的Pod可能耗尽节点资源，导致“邻居干扰”（Noisy Neighbor）问题，甚至引发级联故障。
核心痛点： 未设置资源限制的Pod在CPU或内存压力下，可能导致kubelet驱逐其他正常Pod、节点OOM（Out Of Memory）或整个控制平面响应变慢。
资源限制主要解决以下三个关键问题：
| 维度 | 无资源限制的风险 | 有资源限制的收益 |
|---|---|---|
| 稳定性 | 单Pod内存泄漏拖垮节点 | Pod内存超限被OOM Kill，节点存活 |
| 公平性 | 突发流量Pod抢占所有CPU | CPU限流保证其他Pod基础服务能力 |
| 可预测性 | 调度器无法准确评估节点容量 | 基于Request精确调度，避免超卖失控 |
下图展示了Kubernetes中资源限制如何作用于Pod生命周期，从调度到运行时隔离：
1.2 压测库调优的目标
本课程聚焦于后端压测库（如基于 Go 的 vegeta、wrk2、k6 或自研压测框架）在 Kubernetes 资源限制场景下的调优。调优目标分为三个层次：
- 准确模拟：压测库必须能精确控制请求速率、并发数和超时，以复现资源限制下的真实行为。
- 资源感知：压测库自身应避免成为瓶颈，在受限容器内高效利用 CPU 和内存。
- 指标可观测：压测结果需与 K8s 指标（CPU Throttle、OOM 事件、QoS 降级）关联分析。
调优核心公式： 压测吞吐量 = min( 应用处理能力 , 压测库自身效率 , 资源限制天花板 )。本课程将逐一拆解这三个变量。
1.3 课程面向的受众
| 角色 | 关注点 | 课程价值 |
|---|---|---|
| SRE / 平台工程师 | 集群稳定性、资源水位管理 | 掌握压测驱动资源限制配置的最佳实践 |
| 性能测试工程师 | 压测脚本编写、结果分析 | 学会在 K8s 环境下校准压测工具参数 |
| 后端开发 | 服务限流降级、容器化部署 | 理解资源限制对应用性能的直接影响 |
1.4 前置知识要求
为了跟上课程节奏，建议学习者具备以下基础：
- Kubernetes 基础：理解 Pod、Deployment、Resource Quota、LimitRange 概念；能使用
kubectl查看资源状态。 - Linux 容器原理：了解 cgroups v1/v2、namespace 隔离、OOM Killer 机制。
- HTTP 压测基础：熟悉 QPS、延迟百分位（p50/p99）、并发连接等术语。
- Go 或 Python 基础：能阅读和修改简单的压测脚本（课程以 Go 生态为主）。
注意： 如果对
kubectl top pod 或 docker stats 的输出不熟悉，建议先花 30 分钟查阅官方文档补齐基础。
1.5 课程知识体系概览
下图展示了本课程的核心知识模块及其依赖关系：
1.6 课程预期收益
完成本课程后，你将能够：
- 独立设计一套针对 K8s 资源限制场景的压测方案。
- 识别并解决压测库在容器化环境中的常见性能陷阱（如连接复用失效、goroutine 泄漏）。
- 通过压测数据反向推导合理的
requests和limits配置值。 - 编写可复用的压测脚本，集成到 CI/CD 流水线中作为稳定性门禁。
一句话总结： 本课程不是泛泛的 K8s 入门，而是专门解决“在资源受限的容器里，如何让压测库跑得准、跑得快、跑得稳”的实战指南。