点击查看目录
Envoy 的内存占用
在 Istio 服务网格中，每个 Envoy 占用的内存也许并不算多，但所有 sidecar 增加的内存累积起来则是一个不小的数字。在进行商用部署时，我们需要考虑如何优化并减少服务网格带来的额外内存消耗。
下面是在我环境中的一个实测数据：
Envoy 配置中的 Listener 和 Cluster 数量
- Listener 数量 175
- Cluster 数量 325
- endpoint 数量 466
内存占用情况
$ sudo docker stats 2e8fb
CONTAINER CPU % MEM USAGE / LIMIT MEM % NET I/O BLOCK I/O PIDS
2e8fb 0.75% 105.9 MiB / 256 MiB 41.39% 0 B / 0 B 0 B / 0 B 165
从上面的数据可以看到，在一个有 325 个 cluster 和 175 个 Listener 的服务网格中，一个 Envoy 的实际内存占用量达到了 100M 左右；网格中一共有 466 个实例，则所有 Envoy 占用的内存达到了 466*100M=46.6G，这些增加的内存消耗是一个不容小视的数据。
减少 TCMalloc 预留系统内存
根据Istio 官方文档，Envoy 占用的内存大小和其配置相关，和请求处理速率无关。在一个较大的 namespace 中，Envoy 大约占用 50M 内存。然而对于多大为“较大”，Istio 官方文档并未给出一个明确的数据。
通过 Envoy 的管理端口查看上面环境中一个 Envoy 内存分配的详细情况：
$ sudo docker exec 2e8fb curl http://127.0.0.1:15000/memory
{
"allocated": "50315720", //Envoy实际占用内存
"heap_size": "102637568", //TCMalloc预留的系统内存
"pageheap_unmapped": "4603904",
"pageheap_free": "9183232",
"total_thread_cache": "27784296"
}
各个指标的详细说明参见Envoy 文档。从上面的数据可以看到 Envoy 真正使用的内存为 50M 左右，和官方文档一致。但由于 Envoy 采用了TCMalloc作为内存管理器，导致其占用内存大于 Envoy 实际使用内存。
TCMalloc 的内存分配效率比 glibc 的 malloc 更高，但会预留系统内存，导致程序占用内存大于其实际所需内存。从前面的 Envoy admin 接口的输出可以看到 TCMalloc 预留的内存为 100M 左右，远远大于了 Envoy 实际所需的内存数量。
根据 Envoy 的实际内存占用情况，将 container 的最大内存限制调整为 60M 后再运行，Envoy 可以正常启动。再次用 docker stat 命令查看，其消耗的内存也在 60M 以内。
通过优化配置降低 Envoy 内存占用
即使将内存降低到 50M，在一些对资源要求比较严格的环境，例如边缘计算的场景中，网格中这些 Envoy 内存累加在一起也是不能接受的，因此需要想办法进一步降低 Envoy 的资源使用。
根据 Envoy 的这个 github issue（Per listener and per cluster memory overhead is too high #4196）和Istio 文档可以得知，Envoy 占用的内存和其配置的 Listener 和 Cluster 个数是成线性关系的，Listener 和 Cluster 越多，Envoy 占用的内存越大，因此一个自然的想法就是通过减少 Pilot 为 Envoy 创建的 Listener 和 Cluster 数量来降低 Envoy 的内存开销。
按 nampese 对配置进行隔离
在 Istio 1.3 中，Pilot 在创建 Listener 和 Cluster 时已经按照 namespace 对 Service 进行了隔离，Pilot 缺省只会为 Envoy 创建和其代理服务在同一个 namespace 中的 Service 相关的 Listener 和 Cluster。按照 namespace 进行隔离在一定程度上减少了 Envoy 中的 Listener 和 Cluster 数量，但还是太过于粗犷，对内存的优化效果有限。
在实际的产品部署中，一个 namespace 中往往会部署大量相关的微服务，这些微服务在逻辑上属于同一个业务系统，但并不是 namespace 中的任意两个微服务之间都存在访问关系，因此按照 namespace 进行隔离还是会导致 Envoy 中存在大量该 sidecar 不需要的 Listener 和 Cluster 配置。
按服务访问关系进行细粒度隔离
在一个微服务运用中，一个服务访问的其他服务一般不会超过 10 个，而一个 namespace 中可能部署多达上百个微服务，导致 Envoy 中存在大量冗余配置，导致不必要的内存消耗。最合理的做法是只为一个 sidecar 配置该 sidecar 所代理服务需要访问的外部服务相关的配置。
Istio 提供了Siedecar CRD，用于对 Pilot 向 sidecar 下发的缺省配置进行更细粒度的调整。下面以 Bookinfo 示例程序说明如何调整一个 sidecar 的配置。
在 Bookinfo 示例程序中，几个微服务之间的调用关系如下：
从图中可以看到，reviews 服务只需要访问 ratings 服务，因此在 reviews 的 sidecar 中只需要 ratings 服务相关的 outbound 配置。
但是通过查询 reviews pod 中 proxy 的配置，可以看到 Pilot 下发的缺省配置信息中包含了 reviews，productpage，details 这些它并不需要的 outbound cluster 信息，这些 outbound cluster 会导致额外的内存消耗。
master $ kubectl exec reviews-v3-54c6c64795-2tzjc -c istio-proxy curl 127.0.0.1:15000/clusters|grep 9080|grep added_via_api::true|grep outbound
outbound|9080||reviews.default.svc.cluster.local::added_via_api::true
outbound|9080||details.default.svc.cluster.local::added_via_api::true
outbound|9080||ratings.default.svc.cluster.local::added_via_api::true
outbound|9080||productpage.default.svc.cluster.local::added_via_api::true
下面通过 sidecar 来对 reviews 服务的 sidecar 进行配置，只为 ratings 服务创建相关的 outbound cluster。
创建一个 sidecar.yaml 文件，对 reviews 服务进行配置。
apiVersion: networking.istio.io/v1alpha3
kind: Sidecar
metadata:
name: reviews
namespace: default
spec:
workloadSelector:
labels:
app: reviews
egress:
- hosts:
- "./ratings.default.svc.cluster.local"
在 Istio 中运用该 sidecar 配置。
master $ kubectl apply -f sidecar.yaml
sidecar.networking.istio.io/reviews created
再查看 Reviews Pod 中的 Envoy 配置，配置中的 outbound cluster 只包含 ratings 服务，去掉了其他无关的服务相关的配置。
master $ kubectl exec reviews-v1-75b979578c-x7g46 -c istio-proxy curl 127.0.0.1:15000/clusters|grep 9080|grep added_via_api::true|grep outbound
outbound|9080||ratings.default.svc.cluster.local::added_via_api::true
在本文开始的环境中再进行测试，通过该方法去掉无关配置，只保留 5 个左右相关的 outbound service，可以把 Envoy 的内存控制在 15M 以内。
总结
在 Istio 服务网格中，伴随应用部署的 Envoy sidecar 导致了较大的内存占用。通过对 sidecar 镜像的内存进行限制，并通过 Pilot 对 sidecar 的缺省配置按照服务的实际关联关系进行细化调整，可以对 Envoy 的内存占用进行优化，减少 Istio 服务网格部署对内存的额外消耗。
参考文档
腾讯