Optimización específica por carga de trabajo

Versiones compatibles: EKS 1.29+, EKS Auto Mode GA Última actualización: February 19, 2026

Esta guía cubre cómo optimizar las configuraciones de EKS Auto Mode para diferentes tipos de cargas de trabajo, incluidos servicios web, procesamiento por lotes, workloads de GPU y entrenamiento de AI/ML.

Servicios web (disponibilidad primero)

yaml

# web-service-optimized.yaml
apiVersion: karpenter.sh/v1
kind: NodePool
metadata:
  name: web-tier
spec:
  template:
    metadata:
      labels:
        tier: web
    spec:
      requirements:
        # General-purpose instances
        - key: karpenter.k8s.aws/instance-category
          operator: In
          values: ["m"]
        - key: karpenter.k8s.aws/instance-size
          operator: In
          values: ["large", "xlarge", "2xlarge"]
        # Use only On-Demand (availability first)
        - key: karpenter.sh/capacity-type
          operator: In
          values: ["on-demand"]
      taints:
        - key: tier
          value: web
          effect: NoSchedule
      nodeClassRef:
        group: eks.amazonaws.com
        kind: NodeClass
        name: default
  disruption:
    consolidationPolicy: WhenEmptyOrUnderutilized
    consolidateAfter: 5m
    budgets:
      - nodes: "10%"
---
apiVersion: apps/v1
kind: Deployment
metadata:
  name: web-frontend
spec:
  replicas: 10
  selector:
    matchLabels:
      app: web-frontend
  template:
    metadata:
      labels:
        app: web-frontend
    spec:
      tolerations:
        - key: tier
          value: web
          effect: NoSchedule
      nodeSelector:
        tier: web
      affinity:
        podAntiAffinity:
          preferredDuringSchedulingIgnoredDuringExecution:
            - weight: 100
              podAffinityTerm:
                labelSelector:
                  matchLabels:
                    app: web-frontend
                topologyKey: kubernetes.io/hostname
      containers:
        - name: web
          image: my-web-app:latest
          resources:
            requests:
              cpu: 500m
              memory: 512Mi
            limits:
              cpu: 1000m
              memory: 1Gi
          readinessProbe:
            httpGet:
              path: /health
              port: 8080
            initialDelaySeconds: 5
            periodSeconds: 10
          livenessProbe:
            httpGet:
              path: /health
              port: 8080
            initialDelaySeconds: 15
            periodSeconds: 20

Resumen de optimización para servicios web

Aspecto	Recomendación	Justificación
Tipo de capacidad	On-Demand	Requisito de alta disponibilidad
Familia de instancias	Serie M (propósito general)	CPU/memoria equilibradas
Anti-affinity	Por hostname	Distribuir entre nodos
Health checks	Tanto readiness como liveness	Detección rápida de fallos
PDB	minAvailable: N-1	Mantener el Service durante las actualizaciones

Procesamiento por lotes (costo primero, Spot)

yaml

# batch-processing-optimized.yaml
apiVersion: karpenter.sh/v1
kind: NodePool
metadata:
  name: batch-tier
spec:
  template:
    metadata:
      labels:
        tier: batch
    spec:
      requirements:
        # Compute-optimized
        - key: karpenter.k8s.aws/instance-category
          operator: In
          values: ["c"]
        - key: karpenter.k8s.aws/instance-size
          operator: In
          values: ["xlarge", "2xlarge", "4xlarge"]
        # Use only Spot (cost first)
        - key: karpenter.sh/capacity-type
          operator: In
          values: ["spot"]
        # Various instance types for better Spot availability
        - key: karpenter.k8s.aws/instance-generation
          operator: In
          values: ["5", "6", "7"]
      taints:
        - key: tier
          value: batch
          effect: NoSchedule
      nodeClassRef:
        group: eks.amazonaws.com
        kind: NodeClass
        name: default
  disruption:
    consolidationPolicy: WhenEmpty
    consolidateAfter: 30s
---
apiVersion: batch/v1
kind: Job
metadata:
  name: data-processing
spec:
  parallelism: 20
  completions: 100
  backoffLimit: 10
  template:
    spec:
      tolerations:
        - key: tier
          value: batch
          effect: NoSchedule
      nodeSelector:
        tier: batch
      restartPolicy: OnFailure
      terminationGracePeriodSeconds: 30
      containers:
        - name: processor
          image: my-batch-processor:latest
          resources:
            requests:
              cpu: 2000m
              memory: 4Gi
            limits:
              cpu: 4000m
              memory: 8Gi
          env:
            - name: SPOT_AWARE
              value: "true"

Resumen de optimización para procesamiento por lotes

Aspecto	Recomendación	Justificación
Tipo de capacidad	Solo Spot	Máximo ahorro de costos
Familia de instancias	Serie C (optimizada para cómputo)	Cargas de trabajo intensivas en CPU
Diversidad de instancias	Varias generaciones	Mejor disponibilidad de Spot
Política de reinicio	OnFailure	Gestionar interrupciones de Spot
Consolidación	Agresiva (30s)	Limpieza rápida después de los jobs

Workloads de GPU (p5, g5)

yaml

# gpu-workload-optimized.yaml
apiVersion: karpenter.sh/v1
kind: NodePool
metadata:
  name: gpu-tier
spec:
  template:
    metadata:
      labels:
        tier: gpu
        accelerator: nvidia
    spec:
      requirements:
        # GPU instances
        - key: karpenter.k8s.aws/instance-category
          operator: In
          values: ["g", "p"]
        - key: karpenter.k8s.aws/instance-gpu-manufacturer
          operator: In
          values: ["nvidia"]
        # Specific GPU instance types
        - key: node.kubernetes.io/instance-type
          operator: In
          values: ["g5.xlarge", "g5.2xlarge", "g5.4xlarge", "p5.48xlarge"]
        # On-Demand (GPU Spot availability is low)
        - key: karpenter.sh/capacity-type
          operator: In
          values: ["on-demand"]
      taints:
        - key: nvidia.com/gpu
          value: "true"
          effect: NoSchedule
      nodeClassRef:
        group: eks.amazonaws.com
        kind: NodeClass
        name: gpu-nodeclass
  limits:
    nvidia.com/gpu: 16
  disruption:
    consolidationPolicy: WhenEmpty
    consolidateAfter: 10m  # GPU takes longer to start
---
apiVersion: eks.amazonaws.com/v1
kind: NodeClass
metadata:
  name: gpu-nodeclass
spec:
  amiFamily: AL2023
  blockDeviceMappings:
    - deviceName: /dev/xvda
      ebs:
        volumeSize: 200Gi  # Large volume for model caching
        volumeType: gp3
        iops: 6000
        throughput: 250
---
apiVersion: apps/v1
kind: Deployment
metadata:
  name: ml-inference
spec:
  replicas: 2
  selector:
    matchLabels:
      app: ml-inference
  template:
    metadata:
      labels:
        app: ml-inference
    spec:
      tolerations:
        - key: nvidia.com/gpu
          value: "true"
          effect: NoSchedule
      nodeSelector:
        tier: gpu
      containers:
        - name: inference
          image: my-ml-model:latest
          resources:
            limits:
              nvidia.com/gpu: 1
            requests:
              cpu: 4000m
              memory: 16Gi

Guía de selección de instancias GPU

Instancia	GPU	Memoria de GPU	Caso de uso
g5.xlarge	1x A10G	24GB	Inferencia pequeña
g5.2xlarge	1x A10G	24GB	Inferencia mediana
g5.4xlarge	1x A10G	24GB	Inferencia grande
g5.12xlarge	4x A10G	96GB	Servicio de múltiples modelos
p5.48xlarge	8x H100	640GB	Entrenamiento a gran escala

Resumen de optimización para GPU

Aspecto	Recomendación	Justificación
Tipo de capacidad	On-Demand	La disponibilidad de GPU Spot es limitada
Almacenamiento	200GB+ gp3	Caché de modelos, checkpoints
Consolidación	Relajada (10m)	El arranque de GPU es más lento
Límites	Establecer límite de nvidia.com/gpu	Evitar costos descontrolados de GPU

Workloads de entrenamiento de AI/ML

yaml

# ml-training-optimized.yaml
apiVersion: karpenter.sh/v1
kind: NodePool
metadata:
  name: ml-training
spec:
  template:
    metadata:
      labels:
        tier: ml-training
    spec:
      requirements:
        # Large-scale GPU instances
        - key: node.kubernetes.io/instance-type
          operator: In
          values: ["p5.48xlarge", "p4d.24xlarge"]
        - key: karpenter.sh/capacity-type
          operator: In
          values: ["on-demand"]
      taints:
        - key: ml-training
          value: "true"
          effect: NoSchedule
      nodeClassRef:
        group: eks.amazonaws.com
        kind: NodeClass
        name: ml-training-nodeclass
  limits:
    nvidia.com/gpu: 64
---
apiVersion: eks.amazonaws.com/v1
kind: NodeClass
metadata:
  name: ml-training-nodeclass
spec:
  amiFamily: AL2023
  # Enable EFA networking
  blockDeviceMappings:
    - deviceName: /dev/xvda
      ebs:
        volumeSize: 500Gi
        volumeType: gp3
        iops: 16000
        throughput: 1000
    # Additional volume for training data
    - deviceName: /dev/xvdb
      ebs:
        volumeSize: 2000Gi
        volumeType: gp3
---
apiVersion: kubeflow.org/v1
kind: PyTorchJob
metadata:
  name: distributed-training
spec:
  pytorchReplicaSpecs:
    Master:
      replicas: 1
      template:
        spec:
          tolerations:
            - key: ml-training
              value: "true"
              effect: NoSchedule
          nodeSelector:
            tier: ml-training
          containers:
            - name: pytorch
              image: my-training-image:latest
              resources:
                limits:
                  nvidia.com/gpu: 8
    Worker:
      replicas: 3
      template:
        spec:
          tolerations:
            - key: ml-training
              value: "true"
              effect: NoSchedule
          nodeSelector:
            tier: ml-training
          containers:
            - name: pytorch
              image: my-training-image:latest
              resources:
                limits:
                  nvidia.com/gpu: 8

Resumen de optimización para entrenamiento de ML

Aspecto	Recomendación	Justificación
Tipo de instancia	p5.48xlarge, p4d.24xlarge	Capacidad máxima de GPU
Almacenamiento	Raíz de 500GB+, datos de 2TB+	Conjuntos de datos grandes, checkpoints
IOPS	16000+	Escrituras rápidas de checkpoints
Redes	Con EFA habilitado	Entrenamiento distribuido
Framework	PyTorchJob, TFJob	Soporte distribuido nativo

Referencia rápida de tipos de workload

Workload	Estrategia de NodePool	Tipos de instancia	Capacidad	Consolidación
Servicios web	Disponibilidad primero	Serie m	On-Demand	Moderada (5m)
Backend de API	Mixta	Series m/c	Mixta	Moderada (5m)
Procesamiento por lotes	Costo primero	Serie c	Solo Spot	Agresiva (30s)
CI/CD	Costo primero	Series c/m	Spot preferido	Agresiva (1m)
Bases de datos	Estabilidad primero	Serie r	On-Demand	Conservadora (10m)
Inferencia de GPU	Disponibilidad primero	Serie g5	On-Demand	Relajada (10m)
Entrenamiento de ML	Rendimiento primero	p5/p4d	On-Demand	Relajada (15m)
Procesamiento de streams	Equilibrada	Series m/c	Mixta	Moderada (5m)

Directrices de recursos de Pod

Workloads limitados por CPU

yaml

resources:
  requests:
    cpu: 2000m      # Request what you need
    memory: 2Gi
  limits:
    cpu: 4000m      # Allow some burst
    memory: 4Gi

Workloads limitados por memoria

yaml

resources:
  requests:
    cpu: 500m
    memory: 8Gi     # Request what you need
  limits:
    cpu: 1000m
    memory: 8Gi     # Limit = request (no overcommit)

Workloads de GPU

yaml

resources:
  requests:
    cpu: 4000m
    memory: 16Gi
  limits:
    nvidia.com/gpu: 1   # GPU limits are always required
    cpu: 8000m
    memory: 32Gi

< Anterior: Ciclo de vida de Node | Tabla de contenidos | Siguiente: Guía de migración >

Laboratorios integrales de observabilidad

Cuestionario de ArgoCD en detalle

Cuestionario de Istio detallado

Cuestionario de Linkerd detallado

Cuestionario de Cilium Service Mesh detallado

Profundización en Cilium

Profundización en Calico

Métricas

Registro

Trazado

Alertas

Laboratorios de observabilidad

ArgoCD

Gestión del tráfico

Seguridad

Observabilidad

Resiliencia

Avanzado

Guía comparativa

Métricas

Registro

Trazado

Alertas

Optimización específica por carga de trabajo ​

Servicios web (disponibilidad primero) ​

Resumen de optimización para servicios web ​

Procesamiento por lotes (costo primero, Spot) ​

Resumen de optimización para procesamiento por lotes ​

Workloads de GPU (p5, g5) ​

Guía de selección de instancias GPU ​

Resumen de optimización para GPU ​

Workloads de entrenamiento de AI/ML ​

Resumen de optimización para entrenamiento de ML ​

Referencia rápida de tipos de workload ​

Directrices de recursos de Pod ​

Workloads limitados por CPU ​

Workloads limitados por memoria ​

Workloads de GPU ​

Optimización específica por carga de trabajo

Servicios web (disponibilidad primero)

Resumen de optimización para servicios web

Procesamiento por lotes (costo primero, Spot)

Resumen de optimización para procesamiento por lotes

Workloads de GPU (p5, g5)

Guía de selección de instancias GPU

Resumen de optimización para GPU

Workloads de entrenamiento de AI/ML

Resumen de optimización para entrenamiento de ML

Referencia rápida de tipos de workload

Directrices de recursos de Pod

Workloads limitados por CPU

Workloads limitados por memoria

Workloads de GPU