容器编排资源调度优化的核心是通过精准配置requests/limits、三层弹性扩缩（HPA/VPA/Cluster Autoscaler）、智能调度策略及常态化成本治理，将集群利用率从30%提升至70%以上，避免Pending、OOM和延迟飙升。
容器编排资源调度优化，核心是让每一份CPU、内存和节点资源都“用在刀刃上”。不是堆硬件，而是靠精准配置、智能调度和动态响应，把集群利用率从30%拉到70%以上，同时避免Pending、OOM和延迟飙升。
精准设置requests和limits，堵住最大浪费口
大多数集群低利用率，根源在于Pod资源配置严重脱离实际——申请2核却只用0.4核，系统就得为这2核预留空间，其他Pod根本无法使用。这不是弹性，是资源锁死。
- requests不是“保险值”，而是调度准入门槛：必须按过去7天实际峰值+20%冗余来设（比如CPU峰值0.5核 → requests设600m）
- limits不是越高越好，一般设为requests的1.5–2倍（如requests.cpu=600m → limits.cpu=1000m），既防突发失控，又不锁死过多资源
- 拒绝Best-Effort配置：未设resources的Pod默认QoS最低，易被优先驱逐，且加剧调度混乱
- 用Prometheus+Metrics Server持续采集真实用量，每季度重校一次配置，避免“一次设置、长期不管”
用好HPA+VPA+Cluster Autoscaler三层弹性
静态配额解决不了波峰波谷——电商晚8点流量翻3倍，凌晨CPU跌到5%，靠人工扩缩容早已失效。必须让系统自己“呼吸”。
- HPA管副本数：基于CPU/内存利用率或自定义指标（如QPS）自动增减Pod，适合无状态服务
- VPA管单Pod资源：自动调高requests/limits，适合Java等启动慢、内存增长慢的应用，但需配合滚动更新策略
- Cluster Autoscaler管节点：当Pod Pending时自动加节点；空闲节点持续10分钟无负载，自动缩容归还云厂商——尤其适合Spot实例或按量付费节点
- 对有明确周期规律的业务（如每日晚高峰），可叠加CronHPA提前扩容，避开冷启动延迟
调度策略升级：从“够用就行”到“最优匹配”
默认调度器只看剩余资源，容易把小Pod全塞进同一台节点，大Pod挤不进去——造成“看着空，实则满”的碎片化困局。
- 启用BalancedResourceAllocation优先级函数，让调度器倾向选择CPU和内存比例均衡的节点，减少单维度瓶颈
- 用nodeAffinity把计算密集型任务导向高CPU节点，内存密集型导向大内存节点，避免错配
- 用podAntiAffinity强制同Service的Pod分散部署，既提升容灾性，也天然摊薄单节点负载
- 为测试/CI等低优先级负载打toleration+污点，将其隔离到闲置节点或Spot节点，不抢生产资源
常态化清理与成本可视，让优化可持续
再好的策略，如果没人盯、没反馈、不迭代，三个月后就会退回原点。成本优化不是一次性项目，而是运维日常。
- 每周自动清理：Orphan PVC、终止态Pod、过期Secret、未绑定PV——Rancher/Kubecost都支持规则化清理
- 每月成本复盘：按命名空间、应用、团队维度拆分费用，标出Top 3浪费项（常是dev环境长期运行的高配测试Pod）
- 设置硬性告警：节点CPU平均利用率＜40%持续2小时 → 触发缩容检查；某命名空间requests总和＞limits总和90% → 触发配置审计
- 把资源使用率纳入发布卡点：新Deployment上线前，必须通过Kubecost成本预估校验，超阈值自动拦截
