కంటైనర్ రిసోర్సులను (CPU మరియు మెమరీ) ఎలా నిర్వహించాలి?

Question

Accepted Answer

డిఫాల్ట్‌గా, కంటైనర్‌లు **అపరిమిత హోస్ట్ రిసోర్సులను** ఉపయోగించగలవు — ఇది ఒక కంటైనర్ ఇతరులను ఆకలితో ఉంచడం లేదా హోస్ట్‌ను క్రాష్ చేయడంలో ప్రమాదం కలిగిస్తుంది. Docker మీకు **రిసోర్స్ లిమిట్‌లను** (CPU, మెమరీ) సెట్ చేయడానికి అనుమతిస్తుంది ఉపభోగాన్ని నియంత్రించడానికి, ఇది ప్రోడక్షన్‌లో స్థిరత మరియు సరసమైన రిసోర్స్ షేరింగ్‌కు ముఖ్యమైనది.

## సమస్య: అపరిమిత రిసోర్స్ వాడకం

```text
BY DEFAULT a container can consume ALL available host CPU and memory:
  → a buggy/busy container (memory leak, runaway loop) can starve other containers
    or crash the entire host (out of memory)
→ In production (multiple containers per host), LIMIT resources to isolate them.
```

## మెమరీ మరియు CPU లిమిట్‌లను సెట్ చేయడం

```bash
# memory limits
docker run -m 512m myapp              # hard limit: 512 MB (container killed if exceeded — OOM)
docker run -m 512m --memory-reservation 256m myapp   # soft limit + hard limit

# CPU limits
docker run --cpus="1.5" myapp         # limit to 1.5 CPU cores
docker run --cpu-shares=512 myapp     # relative weight (priority under contention)
```

```yaml
# in docker-compose.yml (or for orchestrators)
services:
  app:
    deploy:
      resources:
        limits:    { cpus: '1.5', memory: 512M }   # maximum
        reservations: { cpus: '0.5', memory: 256M } # guaranteed minimum
```

మెమరీ లిమిట్‌లు (`-m`) వాడకాన్ని పరిమితం చేస్తాయి (కంటైనర్ హార్డ్ లిమిట్ మించిపోతే **OOM-killed** అవుతుంది); CPU లిమిట్‌లు (`--cpus`) CPU వాడకాన్ని పరిమితం చేస్తాయి. **రిజర్వేషన్‌లు** కనీస మొత్తాన్ని ఖచ్చితపరచుతాయి.

## పర్యవేక్షణ మరియు ట్యూనింగ్

```text
✓ docker stats → live CPU/memory usage per container (to right-size limits)
✓ Set limits based on the app's actual needs (measure, then add headroom)
✓ OOMKilled (in docker inspect) → the container hit its memory limit → raise it or fix a leak
✓ Orchestrators (Kubernetes) use requests/limits similarly — essential for scheduling
```

## ఎందుకు ముఖ్యమైనది

కంటైనర్ రిసోర్స్ మేనేజ్‌మెంట్‌ను అర్థం చేసుకోవడం **ప్రోడక్షన్‌లో కంటైనర్‌లను నమ్మకంగా నడుపుವటానికి** ముఖ్యమైనది, కనుక ఇది విలువైన ఆపరేషనల్ జ్ఞానం.

మూల సమస్య — డిఫాల్ట్‌గా, **కంటైనర్‌లు అందుబాటులో ఉన్న అన్ని హోస్ట్ రిసోర్సులను వినియోగించగలవు** — ఇది నిజమైన ప్రమాదం: ఒక్క బగీ లేదా బిజీ కంటైనర్ (మెమరీ లీక్ లేదా రన్‌అవే ప్రక్రియ ఉన్నటువంటి) **ఇతర కంటైనర్‌లను ఆకలితో ఉంచగలదు లేదా మొత్తం హోస్ట్‌ను క్రాష్ చేయగలదు** (మెమరీ అయిపోయింది), హోస్ట్‌ను అస్థిరంగా చేస్తుంది.

**రిసోర్స్ లిమిట్‌లను** (మెమరీ మరియు CPU) సెట్ చేయడం దీనిని నిరోధిస్తుంది **కంటైనర్‌ల రిసోర్స్ వినియోగాన్ని ఐసోలేట్ చేయడం ద్వారా**, ఒక కంటైనర్ ఇతరులను లేదా హోస్ట్‌ను డౌన్‌గ్రేడ్ చేయలేనని నిశ్చితం చేస్తుంది — హోస్ట్ (ప్రోడక్షన్‌లో సర్వసాధారణం) కు బహుళ కంటైనర్‌లను నడుపుతున్నప్పుడు స్థిరత కోసం ముఖ్యమైనది.

**మెమరీ లిమిట్‌లను** (కంటైనర్ హార్డ్ లిమిట్ మించిపోతే OOM-killed అయితేకూడా) మరియు **CPU లిమిట్‌లను**, ప్లస్ **రిజర్వేషన్‌లను** (కనీస మొత్తాలను ఖచ్చితపరచడం) సెట్ చేయడం ఎలా చేయాలో అర్థం చేసుకోవడం రిసోర్సులను నియంత్రించడం మరియు సరసమైన భాగస్వామ్యం చేయడం కోసం ఆచరణాత్మక విధానం.

**పర్యవేక్షణ మరియు ట్యూనింగ్** ఎలా చేయాలో తెలుసుకోవడం — నిజమైన వాడకాన్ని గమనించడానికి మరియు లిమిట్‌లను సరిగ్గా సర్దుబాటు చేయడానికి `docker stats` ఉపయోగించడం, సమస్యలను నిర్ధారించడానికి `OOMKilled` (కంటైనర్ దాని మెమరీ లిమిట్‌కు చేరుకోవడం) గుర్తించడం — వాస్తవ అవసరాల ఆధారంగా సరిఅయిన లిమిట్‌లను సెట్ చేయడానికి ముఖ్యమైనది.

ఇది ఆర్కెస్ట్రేషన్‌కు కూడా సంబంధించినది: **Kubernetes సారూప్య రిసోర్స్ రిక్వెస్ట్‌లు/లిమిట్‌లను ఉపయోగిస్తుంది** ఇవి షెడ్యూలింగ్ మరియు స్థిరత కోసం ముఖ్యమైనవి, కనుక భావన ఆర్కెస్ట్రేటెడ్ పరిసరాలకు బదిలీ అవుతుంది.

రిసోర్స్ వివాదం మరియు రన్‌అవే వినియోగాన్ని నిరోధించడం బహుళ కంటైనర్‌లను నమ్మకంగా నడుపుటకు అవసరమైనందున, మరియు రిసోర్స్ లిమిట్‌లు (మెమరీ మరియు CPU క్యాప్‌లు, రిజర్వేషన్‌లు, పర్యవేక్షణ) కంటైనర్‌లను ఐసోలేట్ చేయడం మరియు హోస్ట్ స్థిరతను రక్షించడానికి విధానం కనుక, కంటైనర్ రిసోర్స్ మేనేజ్‌మెంట్‌ను అర్థం చేసుకోవడం విలువైన, ఆచరణాత్మకంగా ముఖ్యమైన జ్ఞానం ప్రోడక్షన్ కంటైనర్ విస్తరణలకు — స్థిర మల్టీ-కంటైనర్ హోస్ట్‌లకు అవసరమైన మరియు Kubernetes వంటి ఆర్కెస్ట్రేటెడ్ పరిసరాలకు నేరుగా విస్తరించే భావన.