近年来，快速采用 库伯内斯 已成为云计算领域的一股变革力量。 各行业的组织都被 Kubernetes 对可扩展性、灵活性和简化应用程序部署的承诺所吸引。 然而，尽管 Kubernetes 在应用程序管理和开发效率方面提供了一系列优势，但其实施并非没有挑战。 随着越来越多的企业迁移到 Kubernetes 驱动的环境，一个意想不到的后果变得越来越明显：云成本激增。 Kubernetes 如此有吸引力的特性也有助于构建复杂且动态的云基础设施，从而产生新的成本驱动因素，需要仔细关注和优化策略。
例如，在 Kubernetes 中对工作负载资源设置的不准确的资源请求可能会导致资源大量过度配置，从而导致云成本显着增加。 当资源需求被高估时，Kubernetes 将扩展底层基础设施，从而导致浪费。 这种低效的利用率可能会造成工作负载调度问题，影响集群性能并触发额外的扩展事件，从而进一步扩大费用。 事实证明，缓解这些问题，尤其是大规模缓解这些问题是一项巨大的挑战。
此外，由于应用程序的数量庞大且多样性，在 Kubernetes 中调整工作负载资源的规模具有挑战性。 每个都有不同的资源需求，这使得准确确定最佳资源分配以实现高效利用和成本效益变得复杂。 随着部署数量的增加，手动监控和调整变得不切实际，需要自动化工具和策略来实现整个集群的有效规模调整。
现代化需要不断优化
为了持续大规模地调整 Kubernetes 工作负载资源的大小，三个关键要素至关重要。 首先，需要持续跟踪集群上部署的所有工作负载的资源利用率，从而能够准确地持续评估资源需求。 下一个， 机器学习 通过分析历史数据并预测每次部署的未来资源需求，这些功能在优化资源分配方面发挥着至关重要的作用。 最后，需要自动化来主动部署变更并减少开发人员的工作量。 这些技术可确保 Kubernetes 资源得到有效利用，从而在整个基础设施中实现成本效益和最佳工作负载性能。
StormForge Optimize Live 提供大规模智能、自主优化
StormForge Optimize Live 将自动化工作负载分析与机器学习和自动化相结合，以持续优化企业规模的工作负载资源配置。
Optimize Live 部署为一个简单的代理，自动扫描 Kubernetes 集群中的所有工作负载类型，并通过机器学习分析其使用情况和设置。 大小合适的建议以补丁的形式生成，并随着新建议的出现而不断更新。
通过将建议集成到您的配置管道中，可以快速轻松地实施这些建议，也可以自动实施这些建议，从而使 Kubernetes 集群上的资源管理处于自动驾驶状态。
风暴熔炉 用户看到云原生投资的投资回报率大大提高，同时消除了手动调整工作，从而为更高价值的计划释放了工程带宽。
现已在 IBM Cloud 目录中提供
注册一个 StormForge Optimize Live 30 天免费试用 开始。
通过 IBM Cloud 目录在 IBM Cloud Kubernetes Service 集群上部署 StormForge Optimize Live
