Prestasi
Prestasi terkemuka dalam industri
Gambaran keseluruhan
- Set ujian 20 fail perniagaan dengan saiz antara 0.05 MB hingga 17 MB
- Saiz fail purata = 3.74 MB
- Jenis fail termasuk: Excel, Word, Powerpoint, video, imej, PDF, audio
- Ujian dijalankan terhadap Halo v2.6.1
AKS
Konfigurasi kluster mengandaikan peruntukan memori dan pengkomputeran khusus untuk container. Prestasi pengeluaran akan sentiasa bergantung pada saiz dan kerumitan fail dunia sebenar. Konfigurasi boleh dioptimumkan untuk mengutamakan throughput atau kelajuan pemprosesan fail.
Untuk ujian ini, permintaan dan had berikut telah ditetapkan pada pod.
| Perkhidmatan | CPU diminta | Memori diminta | Had CPU | Had memori |
|---|---|---|---|---|
| Enjin | 200m | 500Mi (524 MB) | 1 core | 1Gi (1.07 GB) |
| API | 1500m | 4Gi (4.29 GB) | 1500m | 4Gi (4.29 GB) |
Kecil
Berdasarkan satu nod (1 x DS5_v2) dalam kluster Kubernetes yang terdiri daripada:
- 10 Engines
- 16 teras maya
- 56 GB memori
| Throughput | Fail diproses | Data diproses |
|---|---|---|
| Sejam | 26,500 | 96 GB |
| Sehari | 635,000 | 2300 GB |
| Purata kelajuan pemprosesan | 136ms | |
| Kadar kejayaan API | 99.999% |
Sederhana
Berdasarkan 5 nod (5 x DS4_v2) dalam kluster Kubernetes yang terdiri daripada:
- 25 Engines
- 8 teras maya setiap nod, 40 jumlah keseluruhan
- 28 GB memori setiap nod, 140 jumlah keseluruhan
| Throughput | Fail diproses | Data diproses |
|---|---|---|
| Sejam | 54,800 | 200 GB |
| Sehari | 1,300,000 | 4800 GB |
| Purata kelajuan pemprosesan | 65ms | |
| Kadar kejayaan API | 99.999% |
Besar
Berdasarkan 5 nod (5 x DS5_v2) dalam kluster Kubernetes yang terdiri daripada:
- 50 Engines
- 16 teras maya setiap nod, 80 jumlah keseluruhan
- 56 GB memori setiap nod, 280 jumlah keseluruhan
| Throughput | Fail diproses | Data diproses |
|---|---|---|
| Sejam | 93,800 | 343 GB |
| Sehari | 2,250,000 | 8230 GB |
| Purata kelajuan pemprosesan | 38ms | |
| Kadar kejayaan API | 99.999% |
OVA
Untuk ujian ini, permintaan dan had berikut telah ditetapkan pada pod.
| Perkhidmatan | CPU diminta | Memori Diminta | Had CPU | Had Memori |
|---|---|---|---|---|
| Enjin | 1300m | 3Gi (3.22 GB) | 1300m | 3Gi (3.22 GB) |
| Api | 1 core | 3Gi (3.22 GB) | 1 core | 3Gi (3.22 GB) |
Kecil
Berdasarkan VM kecil (F16s_v2) yang menjalankan OVA, terdiri daripada:
| Throughput | Fail diproses | Data diproses |
|---|---|---|
| Sejam | 9,150 | 33 GB |
| Sehari | 220,000 | 800 GB |
| Purata kelajuan pemprosesan | 392ms | |
| Kadar kejayaan API | 99.999% |
- 3 Engines
- 16 teras maya
- 32 GB memori
Besar
Berdasarkan VM besar (F32s_v2) yang menjalankan OVA.
| Throughput | Fail diproses | Data diproses |
|---|---|---|
| Sejam | 13,800 | 50 GB |
| Sehari | 331,400 | 1200 GB |
| Purata kelajuan pemprosesan | 260ms | |
| Kadar kejayaan API | 99.999% |
- 13 Engines
- 32 virtual cores
- 64 GB memory
Perbezaan prestasi OVA berbanding Kubernetes
- OVA menggunakan RKE dengan control plane Kubernetes turut menggunakan sumber pada mesin tersebut.
- Kluster berbilang nod perlu menggunakan perkongsian fail untuk menyimpan fail. io dengan perkongsian ini akan menyebabkan overhed.
- Walaupun ia mengehadkan kebolehskalaan, OVA secara semula jadi akan mempunyai kelajuan rangkaian yang lebih pantas antara perkhidmatan kerana semuanya berada pada mesin yang sama.