Kubernetes 作為雲原生計算的基石，其資源管理能力直接影響應用的效能與彈性。隨著工作負載的複雜化，傳統的資源配置方式已無法滿足現代應用的需求。本文深入解析 Kubernetes 的資源管理機制，探討其核心技術、應用場景與未來發展方向，協助讀者掌握高階資源管理策略。
P-level 資源管理允許在 Pod 級別設定資源請求（requests）與限制（limits），取代傳統容器級別設定。此機制透過資源共享機制，使容器間可動態分配 CPU 與記憶體，並簡化配置流程，避免容器級別的過度配置與資源爭議。其應用場景包括機器學習工作負載與 Web 服務，透過設定總體資源限制，確保主應用程式的資源保障。
Pod 資源動態調整支援在不中斷服務的情況下調整 Pod 的資源請求。操作方式包含修改 CPU/記憶體限制後，Kubernetes 自動調整資源分配，並避免重新啟動容器。然而，此功能受限於 Linux 核心限制，且僅支援整體資源調整，無法部分調整。調整策略包含 prefer no restart 與 restart container 兩種模式。
傳統 Pod 不可變性導致 Stateful 應用（如資料庫）無法動態調整資源。解決方案為引入 Pod 資源動態調整功能，支援 CPU/記憶體的即時調整，並避免重新部署 Pod。此技術可與垂直自動擴展（VPA）整合，提升 Stateful 應用的資源利用率。
Java 等應用啟動時的記憶體峰值導致資源浪費，而 Kubernetes 目前不支援記憶體縮減。Linux 核心限制使記憶體調整困難，但 SIG v2 版本已改善此問題。未來將與 Linux 核心社群合作，支援 Swap 管理以提升資源利用率。
資源類型擴展正在開發對 GPU 等擴展資源的支援，並與垂直自動擴展（VPA）整合。自動化整合支援工作負載框架（如 KubeSphere）的自動調整，但目前僅支援 CPU 與記憶體，且無法部分調整資源請求。
配置建議包含結合 Pod 級別資源設定與容器級別細粒度控制，並根據應用特性選擇調整策略。社區參與方面，鼓勵用戶測試新功能並提供反饋，未來將實現更自動化的資源管理流程。
原子性調整確保資源調整時若部分請求失敗，系統會拒絕整個調整以避免複雜性。資源類型限制目前僅支援 CPU 與記憶體，其他擴展資源仍在開發中。服務品質保障需確保調整 CPU 與記憶體請求/限制時，不影響服務品質。
Kubernetes 目前幾乎不支援 Swap，因會導致性能問題。開發進展正在加速節點層級 Swap 支援，未來可能支援 Pod 層級 Swap 使用，但目前仍處於 Beta 階段。使用模式支援 burst 模式的記憶體交換，非 burstable 部分可使用 Swap。
Pod 組設計目標為解決批次工作負載（如 AI 訓練、Slurm 集群）的資源動態調整需求。功能特點包含支援 Pod 內部容器的動態增減，以及資源共享機制。應用場景包括開發者環境、狀態ful 應用與批次計算。
工作負載擴展持續優化對 Windows 容器與 AI 訓練的支持。抽象層設計目標為建立更高層次的資源管理能力，標準化設備與資源管理。安全性與效能平衡需在支援 Swap 等特性與系統穩定性之間取得平衡。
節點層級 Swap 需在節點層級啟用 Swap 功能，Kubernetes 會根據資源使用情況動態調整 Swap 策略。監控與決策結合原始記憶體與 Swap 使用情況，進行資源回收與分配決策，避免過度使用 Swap 導致效能下降。
引入 Pod 組概念，作為批次工作節點的抽象層，支援動態資源調整。允許在 Pod 內部增減容器，實現資源的靈活擴縮容，並支援資源共享。
透過 Pod 組與批次工作節點結合，實現任務與工作負載的精準排程。調度器可針對 Pod 組進行資源分配，並在內部 Pod 內部進一步細分任務排程。
建立抽象層於 Kubernetes 原生物件之上，提供更高階的資源管理能力。參考 DRA 模式，標準化設備資源的抽象與管理，目標為實現跨不同硬體或軟體層的資源抽象。
與 CNCF 社區合作，整合 Kubernetes 生態中的相關技術，強調功能開發需與多個團隊協作，確保生產環境的穩定性與可擴展性。
透過分層抽象，讓批次工作負載能更高效利用 Kubernetes 資源。重點在於降低資源靜態配置的限制，提升系統的彈性與資源利用率。
Kubernetes 資源管理的核心在於平衡效能與彈性，透過 P-level 資源管理、Pod 資源動態調整與 Pod 組概念，實現更靈活的資源配置。未來需持續優化對擴展資源的支援，並與 CNCF 社區協作，提升資源管理的自動化與標準化。建議根據應用特性選擇合適的調整策略，並密切關注 Kubernetes 的最新發展。