云起香江：CloudPilot AI 与你相约 KubeCon 中国 2025！

在初夏蝉鸣与海风交织的时节，云原生的浪潮轻拂香江。香港，这颗在南海上熠熠生辉的东方之珠，曾以金融闻名全球，如今正迎来科技的蓬勃新生。

2025年6月10日-11日，KubeCon + CloudNativeCon China 将登陆香港。

本届大会 CFP 阶段共收到 571 份提案，CloudPilot AI 的议题脱颖而出，入选“Operations + Performance”主题板块，将于大会首日下午分享 Kubernetes 资源优化的实战方案。

此外，CloudPilot AI 的工程师还将以 Karpenter committer 身份，在开源展台（展位号：P-1）与全球开发者进行互动交流，共同探讨云原生领域的最新进展。

议题分享

从瓶颈到突破： 搞定 Kubernetes 中的应用程序启动高峰

在 Kubernetes 中，各类应用程序在启动阶段通常需要更高的内存或计算资源——例如 Java、.NET 和 Node.js 应用程序，以及使用大型数据处理框架或机器学习模型的应用程序——因为它们需要加载大量依赖项并执行复杂的初始化任务。

为了避免因资源争用而导致启动失败，这些应用程序通常会根据启动时的峰值资源需求来设置资源请求。然而，这往往会在启动完成后造成资源浪费。

为了解决这一问题，本次分享提出了一种基于队列的 Karpenter 解决方案。

该方法允许应用程序根据常规使用情况设置资源请求，而非基于启动峰值需求。在启动过程中，它会将应用程序临时分散到多个较小的节点上，以防止单个节点过载。

启动完成后，再将它们平滑地整合到更少但更大的节点上，从而在保证服务稳定性的同时优化资源使用效率。

A variety of applications in Kubernetes typically require higher memory or compute resources during startup—such as Java, .NET, and Node.js applications, as well as those utilizing large data processing frameworks or machine learning models—due to the need to load substantial dependencies and perform complex initialization tasks. 

To prevent startup failures from resource contention, these applications typically have their resource requests set based on peak startup demands. However, this often leads to resource waste after startup is complete.

To address this challenge, this session presents a queue-based approach using Karpenter. This method allows applications set resource requests based on typical usage instead of peak startup needs. It temporarily spreads applications across multiple smaller nodes during startup, preventing single-node overload.

After startup, it smoothly consolidates them onto fewer but larger nodes to optimize resource usage while maintaining service stability.

推荐阅读

“海外滴滴”Uber的Arm迁移实录：重构大规模基础设施

全球化团队如何高效协作？航旅平台 Skyscanner 技术负责人的 3 年实践

两招搞定K8s改造？全球领先数据云Snowflake这样做