gke-cost-optimization

Compare original and translation side by side

🇺🇸

Original

English

🇨🇳

Translation

Chinese

GKE Cost Optimization

GKE成本优化

This reference covers strategies and workflows for reducing Google Kubernetes Engine (GKE) costs while maintaining a secure and reliable posture.

MCP Tools:

get_k8s_resource

describe_k8s_resource

apply_k8s_manifest

patch_k8s_resource

get_cluster

本参考文档涵盖了在保持安全可靠状态下降低Google Kubernetes Engine（GKE）成本的策略和工作流程。

MCP工具：

get_k8s_resource

describe_k8s_resource

apply_k8s_manifest

patch_k8s_resource

get_cluster

Golden Path Cost Features

黄金路径成本优化特性

The golden path already includes cost-optimizing settings:

Setting	Value	Impact
`autoscalingProfile`	`OPTIMIZE_UTILIZATION`	Aggressive node
: : : scale-down reduces idle :
: : : compute :
`verticalPodAutoscaling`	`enabled`	VPA recommendations
: : : prevent :
: : : over-provisioning :
Autopilot pricing	Pay per pod request	No charge for unused
: : : node capacity :
Node Auto Provisioning	enabled	Right-sized node pools
: : : created automatically :

黄金路径已包含以下成本优化设置：

设置项	值	影响
`autoscalingProfile`	`OPTIMIZE_UTILIZATION`	主动缩容减少闲置计算资源
`verticalPodAutoscaling`	`enabled`	VPA建议避免过度配置
Autopilot定价	按Pod请求计费	闲置节点容量不收费
Node Auto Provisioning	enabled	自动创建规格适配的节点池

Workflows & Optimization Strategies

工作流程与优化策略

1. Prerequisite: Cost Allocation & Monitoring

1. 前提条件：成本分配与监控

To enable GKE cost allocation (

--enable-cost-allocation

) for billing tracking across namespaces and labels, inspect live cluster utilization (

kubectl top

), or run historical cost breakdown queries in BigQuery (

bq

), use the gke-cost-analysis
skill. Once tracking is active and waste is diagnosed, apply the optimization workflows below.

要启用GKE成本分配（

--enable-cost-allocation

）以跨命名空间和标签跟踪账单、查看集群实时利用率（

kubectl top

），或在BigQuery（

bq

）中运行历史成本细分查询，请使用**

gke-cost-analysis

**技能。一旦跟踪功能激活并识别出资源浪费，即可应用以下优化工作流程。

2. Configure Resource Quotas

2. 配置资源配额

Resource quotas restrict total resource consumption across tenants in multi-tenant clusters, preventing runaway costs.

bash

kubectl apply -f - <<EOF
apiVersion: v1
kind: ResourceQuota
metadata:
  name: compute-quota
  namespace: {namespace}
spec:
  hard:
    requests.cpu: "4"
    requests.memory: 16Gi
    limits.cpu: "8"
    limits.memory: 32Gi
EOF

资源配额可限制多租户集群中各租户的总资源消耗，避免成本失控。

bash

kubectl apply -f - <<EOF
apiVersion: v1
kind: ResourceQuota
metadata:
  name: compute-quota
  namespace: {namespace}
spec:
  hard:
    requests.cpu: "4"
    requests.memory: 16Gi
    limits.cpu: "8"
    limits.memory: 32Gi
EOF

3. Pod Rightsizing (VPA & MPA)

3. Pod规格调整（VPA与MPA）

Adjust pod resource requests to match actual utilization. Over-provisioned requests are one of the largest sources of waste.

Use VPA in Recommendation Mode:

bash

undefined

调整Pod资源请求以匹配实际利用率。过度配置的请求是资源浪费的主要来源之一。

在推荐模式下使用VPA：

bash

undefined

1. Deploy VPA in recommendation mode

1. 以推荐模式部署VPA

kubectl apply -f - <<EOF apiVersion: autoscaling.k8s.io/v1 kind: VerticalPodAutoscaler metadata: name: {deployment_name}-vpa spec: targetRef: apiVersion: apps/v1 kind: Deployment name: {deployment_name} updatePolicy: updateMode: "Off" EOF

2. Wait 24+ hours for data collection

2. 等待24小时以上以收集数据

3. Read recommendations

3. 查看推荐配置

kubectl get vpa {deployment_name}-vpa -o jsonpath='{.status.recommendation}'


-   **Optimization Rules:**

Condition                     | Action                             | Savings
----------------------------- | ---------------------------------- | -------
CPU request >5x P95 actual    | Reduce to `P95 * 1.2`              | High
Memory request >3x P95 actual | Reduce to `P95 * 1.2`              | High
CPU request >2x P95 actual    | Reduce to `P95 * 1.2`              | Medium
No resource requests set      | Add requests (enables bin-packing) | Medium

-   **Use MPA**: Reconcile HPA and VPA recommendations when scaling both
    horizontally and vertically to avoid conflicting scale events.
-   **Review Cost Recommendations**: Check Google Cloud Console (`Cost
    Management` > `GKE Cost Optimization`) for built-in rightsizing suggestions.

kubectl get vpa {deployment_name}-vpa -o jsonpath='{.status.recommendation}'


-   **优化规则**：

条件                     | 操作                             | 节省幅度
----------------------------- | ---------------------------------- | -------
CPU请求 > 实际P95值的5倍    | 调整为 `P95 * 1.2`              | 高
内存请求 > 实际P95值的3倍 | 调整为 `P95 * 1.2`              | 高
CPU请求 > 实际P95值的2倍    | 调整为 `P95 * 1.2`              | 中
未设置资源请求      | 添加请求（启用装箱调度） | 中

-   **使用MPA**：在同时进行水平和垂直扩缩容时，协调HPA和VPA的建议，避免冲突的扩缩容事件。
-   **查看成本建议**：在Google Cloud控制台（`成本管理` > `GKE成本优化`）中查看内置的规格调整建议。

4. Spot VMs via ComputeClasses & NodeSelector

4. 通过ComputeClasses与NodeSelector使用Spot VMs

Use Spot VMs for fault-tolerant workloads to achieve 60-90% cost reduction.

为容错工作负载使用Spot VMs可降低60-90%的成本。

4.1 ComputeClass Configuration

4.1 ComputeClass配置

yaml

apiVersion: cloud.google.com/v1
kind: ComputeClass
metadata:
  name: spot-with-fallback
spec:
  activeMigration:
    optimizeRulePriority: true
  priorities:
  - machineFamily: n4
    spot: true
  - machineFamily: n4
    spot: false

yaml

apiVersion: cloud.google.com/v1
kind: ComputeClass
metadata:
  name: spot-with-fallback
spec:
  activeMigration:
    optimizeRulePriority: true
  priorities:
  - machineFamily: n4
    spot: true
  - machineFamily: n4
    spot: false

4.2 Direct Workload Spot Selection (

nodeSelector

)

4.2 直接选择工作负载使用Spot（

nodeSelector

）

For stateless or batch workloads in GKE Autopilot, target Spot capacity directly using

nodeSelector

[!WARNING] Preemption Warning: Spot VMs are interruptible and can be preempted at any time with a 30-second notice. Workloads must be fault-tolerant and run with at least 2 replicas for high availability. Always explicitly warn users about this preemption risk when recommending Spot VMs.

yaml

apiVersion: apps/v1
kind: Deployment
metadata:
  name: stateless-spot-app
spec:
  replicas: 2
  template:
    spec:
      nodeSelector:
        cloud.google.com/gke-provisioning: Spot
      terminationGracePeriodSeconds: 25  # Must be < 30s for Spot preemption handling
      containers:
      - name: app
        image: {image_name}
        lifecycle:
          preStop:
            exec:
              command: ["/bin/sh", "-c", "sleep 5"]

Spot-Suitable Workloads:

Workload	Spot-Suitable?
Batch / data processing	Yes
Dev / test environments	Yes
Stateless web/API (replicas >= 2)	Yes (with PDBs)
Jobs with checkpointing	Yes
Stateful workloads (databases)	No
Single-replica critical services	No

对于GKE Autopilot中的无状态或批处理工作负载，可直接使用

nodeSelector

指定Spot容量：

[!WARNING] 抢占警告：Spot VMs是可中断的，随时可能收到30秒通知后被抢占。工作负载必须具备容错能力，且至少运行2个副本以保证高可用性。在推荐使用Spot VMs时，务必明确向用户告知此抢占风险。

yaml

apiVersion: apps/v1
kind: Deployment
metadata:
  name: stateless-spot-app
spec:
  replicas: 2
  template:
    spec:
      nodeSelector:
        cloud.google.com/gke-provisioning: Spot
      terminationGracePeriodSeconds: 25  # 必须小于30秒以处理Spot抢占
      containers:
      - name: app
        image: {image_name}
        lifecycle:
          preStop:
            exec:
              command: ["/bin/sh", "-c", "sleep 5"]

适合使用Spot的工作负载：

工作负载类型	是否适合使用Spot
批处理/数据处理	是
开发/测试环境	是
无状态Web/API（副本数≥2）	是（需配合PDB）
带检查点的任务	是
有状态工作负载（数据库）	否
单副本关键服务	否

5. Machine Type Selection

5. 机器类型选择

When choosing node shapes or configuring ComputeClasses:

Family	Use Case	Relative Cost
e2	General purpose, burstable	Lowest
t2a / t2d	Scale-out (Arm/AMD), price-performance	Low
: : optimized : :
n4a	Axion Arm-based, general-purpose	Low
: : price-performance : :
n4 / n4d	General purpose (Intel/AMD), flexible shapes	Low-Medium
c4a	Compute-optimized (Arm), high efficiency	Medium-High
c3 / c4	Compute-optimized (Intel)	Medium-High
c3d / c4d	Compute-optimized (AMD), high throughput	Medium-High
ek-standard	Autopilot enhanced (golden path)	Medium
m3 / x4	Memory-optimized, SAP HANA, large databases	High
g2 (L4 GPU)	AI inference	High
a3 (H100 GPU)	AI training	Highest
a4 / a4x	Ultra-scale AI (Blackwell GPUs)	Highest

在选择节点规格或配置ComputeClasses时：

系列	使用场景	相对成本
e2	通用型、可突发性能	最低
t2a / t2d	横向扩展（Arm/AMD）、性价比优化	低
n4a	Axion Arm架构、通用型	低
n4 / n4d	通用型（Intel/AMD）、灵活规格	中低
c4a	计算优化型（Arm）、高效能	中高
c3 / c4	计算优化型（Intel）	中高
c3d / c4d	计算优化型（AMD）、高吞吐量	中高
ek-standard	Autopilot增强型（黄金路径）	中
m3 / x4	内存优化型、SAP HANA、大型数据库	高
g2（L4 GPU）	AI推理	高
a3（H100 GPU）	AI训练	最高
a4 / a4x	超大规模AI（Blackwell GPU）	最高

6. Committed Use Discounts (CUDs)

6. 承诺使用折扣（CUDs）

For steady-state workloads with predictable baseline usage, purchase 1-year or 3-year CUDs:

1-year: ~20-30% discount
3-year: ~50-55% discount
Applied automatically to matching usage across the region.
Purchase via Google Cloud Console > Billing > Committed use discounts.

对于具有可预测基线使用率的稳态工作负载，购买1年或3年的CUDs：

1年期：约20-30%折扣
3年期：约50-55%折扣
自动应用于区域内匹配的使用量
通过Google Cloud控制台 > 账单 > 承诺使用折扣进行购买

7. Cluster Management & Multi-Tenancy

7. 集群管理与多租户

Stop/start dev clusters: Idle dev clusters cost money even with no workloads due to control plane fees.
Right-size node pools (Standard): Use Cluster Autoscaler with appropriate min/max limits.
Multi-tenant consolidation: Share a single cluster across multiple engineering teams instead of maintaining per-team clusters, using Namespaces and ResourceQuotas to isolate workloads.

启停开发集群：闲置的开发集群即使没有工作负载，也会因控制平面费用产生成本。
调整节点池规格（Standard模式）：使用集群自动扩缩容并设置合适的最小/最大限制。
多租户整合：将多个工程团队的工作负载共享到单个集群中，而非维护每个团队独立的集群，使用命名空间和资源配额隔离工作负载。

Cost & Utilization Monitoring

成本与利用率监控

To inspect live node/pod utilization (

kubectl top nodes/pods

), view cluster cost budgets (

gcloud billing budgets list

), or query detailed billing reports in BigQuery (

bq query

), refer to the gke-cost-analysis
skill.

要查看节点/Pod实时利用率（

kubectl top nodes/pods

）、查看集群成本预算（

gcloud billing budgets list

），或在BigQuery（

bq query

）中查询详细账单报告，请参考**

gke-cost-analysis

**技能。

Dev/Test Cost Savings

开发/测试环境成本节约

For non-production environments, the following golden path deviations provide cost efficiency without impacting production safety:

| Setting | Production (Golden | Dev/Test | : : Path) : : | ----------------------- | ------------------ | ----------------------------- | | Cluster mode | Autopilot | Autopilot (cheaper with fewer | : : : pods) : | Release channel | Regular | Rapid (get fixes faster) | | Private nodes | Required | Optional (simpler access) | | Monitoring components | Full suite |

SYSTEM_COMPONENTS

对于非生产环境，以下黄金路径的调整可在不影响生产安全性的前提下提升成本效率：

设置项	生产环境（黄金路径）	开发/测试环境
集群模式	Autopilot	Autopilot（Pod数量更少时更经济）
发布渠道	Regular	Rapid（更快获取修复）
私有节点	必填	可选（简化访问）
监控组件	完整套件	仅启用 `SYSTEM_COMPONENTS`
Secret Manager轮换	120秒	禁用
维护窗口	已配置	无需配置

Best Practices Summary

最佳实践总结

Enable Cost Allocation: Always enable GKE cost allocation (
```
--enable-cost-allocation
```
) to gain billing transparency across namespaces and labels.
Enforce Resource Quotas: Restrict namespace CPU/memory limits in multi-tenant environments to prevent runaway costs or noisy neighbors.
Rightsize Continuously: Run VPA in recommendation mode (
```
updateMode: Off
```
) and adjust requests to match
```
P95 * 1.2
```
.
Leverage Spot VMs: Use Spot VMs with
```
nodeSelector
```
or
```
ComputeClass
```
for stateless, fault-tolerant workloads to save 60-90%.
Optimize Autoscaling Profile: Use
```
OPTIMIZE_UTILIZATION
```
for aggressive node scale-down on idle compute.
Consolidate & Clean Up: Stop idle development clusters and consolidate multi-team workloads into shared multi-tenant clusters.

启用成本分配：始终启用GKE成本分配（
```
--enable-cost-allocation
```
），以获得跨命名空间和标签的账单透明度。
强制实施资源配额：在多租户环境中限制命名空间的CPU/内存上限，避免成本失控或邻居干扰。
持续调整规格：以推荐模式运行VPA（
```
updateMode: Off
```
），并将请求调整为
```
P95 * 1.2
```
。
利用Spot VMs：为无状态、容错工作负载使用
```
nodeSelector
```
或
```
ComputeClass
```
配置Spot VMs，节省60-90%成本。
优化自动扩缩容配置文件：使用
```
OPTIMIZE_UTILIZATION
```
实现闲置计算资源的主动缩容。
整合与清理：停止闲置的开发集群，将多团队工作负载整合到共享的多租户集群中。

gke-cost-optimization

Original

Translation

GKE Cost Optimization

GKE成本优化

Golden Path Cost Features

黄金路径成本优化特性

Workflows & Optimization Strategies

工作流程与优化策略

1. Prerequisite: Cost Allocation & Monitoring

1. 前提条件：成本分配与监控

2. Configure Resource Quotas

2. 配置资源配额

3. Pod Rightsizing (VPA & MPA)

3. Pod规格调整（VPA与MPA）

1. Deploy VPA in recommendation mode

1. 以推荐模式部署VPA

2. Wait 24+ hours for data collection

2. 等待24小时以上以收集数据

3. Read recommendations

3. 查看推荐配置

4. Spot VMs via ComputeClasses & NodeSelector

4. 通过ComputeClasses与NodeSelector使用Spot VMs

4.1 ComputeClass Configuration

4.1 ComputeClass配置

4.2 Direct Workload Spot Selection (
`nodeSelector`
)

4.2 直接选择工作负载使用Spot（
`nodeSelector`
）

5. Machine Type Selection

5. 机器类型选择

6. Committed Use Discounts (CUDs)

6. 承诺使用折扣（CUDs）

7. Cluster Management & Multi-Tenancy

7. 集群管理与多租户

Cost & Utilization Monitoring

成本与利用率监控

Dev/Test Cost Savings

开发/测试环境成本节约

Best Practices Summary

最佳实践总结

gke-cost-optimization

Original

Translation

GKE Cost Optimization

GKE成本优化

Golden Path Cost Features

黄金路径成本优化特性

Workflows & Optimization Strategies

工作流程与优化策略

1. Prerequisite: Cost Allocation & Monitoring

1. 前提条件：成本分配与监控

2. Configure Resource Quotas

2. 配置资源配额

3. Pod Rightsizing (VPA & MPA)

3. Pod规格调整（VPA与MPA）

1. Deploy VPA in recommendation mode

1. 以推荐模式部署VPA

2. Wait 24+ hours for data collection

2. 等待24小时以上以收集数据

3. Read recommendations

3. 查看推荐配置

4. Spot VMs via ComputeClasses & NodeSelector

4. 通过ComputeClasses与NodeSelector使用Spot VMs

4.1 ComputeClass Configuration

4.1 ComputeClass配置

4.2 Direct Workload Spot Selection (nodeSelector)

4.2 直接选择工作负载使用Spot（nodeSelector）

5. Machine Type Selection

5. 机器类型选择

6. Committed Use Discounts (CUDs)

6. 承诺使用折扣（CUDs）

7. Cluster Management & Multi-Tenancy

7. 集群管理与多租户

Cost & Utilization Monitoring

成本与利用率监控

Dev/Test Cost Savings

开发/测试环境成本节约

Best Practices Summary

最佳实践总结

4.2 Direct Workload Spot Selection (
`nodeSelector`
)

4.2 直接选择工作负载使用Spot（
`nodeSelector`
）