当前位置:首页 > 文章列表 > 文章 > linux > Linux cgroup配置与资源限制设置方法

Linux cgroup配置与资源限制设置方法

2026-04-03 15:38:19 0浏览 收藏
本文系统介绍了Linux中cgroup(控制组)的五种核心资源限制方法,涵盖从传统cgroup v1的手动内存与CPU硬限、CPU核心绑定,到现代cgroup v2的统一层级多资源协同管控,以及基于systemd的持久化slice机制;通过清晰的操作步骤和典型场景说明(如防止单进程耗尽内存或CPU、提升实时性、保障服务长期稳定性),帮助运维和开发人员精准、灵活、可靠地实现进程级资源隔离与配额管理,是构建高性能、可预测Linux生产环境的实用指南。

Linux怎么设置cgroup资源限制_Linux cgroup控制组配置方法【高级】

一、通过cgroup v1手动配置内存限制

该方法直接操作内核暴露的cgroup虚拟文件系统,适用于需要精确控制单个进程内存上限的场景。需确保memory子系统已挂载,且目标进程处于运行状态。

1、检查memory子系统是否已挂载:mount | grep cgroup | grep memory

2、若未挂载,执行挂载命令:sudo mount -t cgroup -o memory none /sys/fs/cgroup/memory

3、在memory层级下创建新控制组:sudo mkdir /sys/fs/cgroup/memory/myapp_group

4、设置该组最大内存为512MB:echo 536870912 > /sys/fs/cgroup/memory/myapp_group/memory.limit_in_bytes

5、将目标进程PID写入tasks文件:echo 1892 > /sys/fs/cgroup/memory/myapp_group/tasks

二、使用cgroup v1配置CPU时间硬限制

该方法通过CFS(Completely Fair Scheduler)参数实现对CPU使用率的硬性封顶,适用于防止某进程持续占用过高CPU导致系统响应迟滞。

1、挂载cpu子系统(如尚未挂载):sudo mount -t cgroup -o cpu none /sys/fs/cgroup/cpu

2、创建cpu控制组:sudo mkdir /sys/fs/cgroup/cpu/myapp_cpu

3、设定调度周期为100000微秒(100ms):echo 100000 > /sys/fs/cgroup/cpu/myapp_cpu/cpu.cfs_period_us

4、设定该组每周期最多使用30000微秒CPU时间(即30%):echo 30000 > /sys/fs/cgroup/cpu/myapp_cpu/cpu.cfs_quota_us

5、将进程加入该组:echo 1892 > /sys/fs/cgroup/cpu/myapp_cpu/tasks

三、利用cpuset子系统限定可用CPU核心

该方法可将进程严格绑定至指定物理CPU核心,避免跨核调度开销,适用于实时性要求高或NUMA敏感型应用。

1、挂载cpuset子系统:sudo mount -t cgroup -o cpuset none /sys/fs/cgroup/cpuset

2、创建专用cpuset组:sudo mkdir /sys/fs/cgroup/cpuset/myapp_cpuset

3、指定允许使用的CPU编号(如仅限核心0和2):echo 0,2 > /sys/fs/cgroup/cpuset/myapp_cpuset/cpuset.cpus

4、指定可访问的内存节点(如仅限node 0):echo 0 > /sys/fs/cgroup/cpuset/myapp_cpuset/cpuset.mems

5、将进程迁移至该组:echo 1892 > /sys/fs/cgroup/cpuset/myapp_cpuset/tasks

四、基于systemd创建持久化slice资源策略

该方法利用systemd原生支持的.slice单元机制,在系统重启后仍保持资源限制,适用于服务级长期管控,无需手动维护cgroup路径。

1、创建自定义slice单元文件:sudo tee /etc/systemd/system/myapp.slice <

2、重载systemd配置以识别新slice:sudo systemctl daemon-reload

3、将目标服务绑定到该slice(以nginx为例):sudo systemctl set-property nginx.service Slice=myapp.slice

4、重启服务使策略生效:sudo systemctl restart nginx.service

5、验证资源配置是否加载:systemctl show nginx.service | grep -E "(Memory|CPU)"

五、使用cgroup v2统一层级进行多资源协同限制

cgroup v2采用单一层级结构,支持对CPU、内存、IO等资源进行原子化配置,避免v1中多层级嵌套导致的策略冲突问题。

1、确认系统启用cgroup v2(检查/proc/filesystems中是否有cgroup2):grep cgroup /proc/filesystems

2、挂载cgroup2统一层级(通常已由init系统自动挂载):sudo mount -t cgroup2 none /sys/fs/cgroup

3、创建子控制组目录:sudo mkdir /sys/fs/cgroup/myapp_v2

4、设置内存上限为256MB:echo 268435456 > /sys/fs/cgroup/myapp_v2/memory.max

5、设置CPU配额为总能力的25%(周期100ms,配额25ms):echo "100000 25000" > /sys/fs/cgroup/myapp_v2/cpu.max

6、将进程加入v2控制组:echo 1892 > /sys/fs/cgroup/myapp_v2/cgroup.procs

本篇关于《Linux cgroup配置与资源限制设置方法》的介绍就到此结束啦,但是学无止境,想要了解学习更多关于文章的相关知识,请关注golang学习网公众号!

Delta模拟器如何删除游戏?游戏库管理教程Delta模拟器如何删除游戏?游戏库管理教程
上一篇
Delta模拟器如何删除游戏?游戏库管理教程
腾讯视频黑屏怎么解决\_在线播放无画面修复方法
下一篇
腾讯视频黑屏怎么解决\_在线播放无画面修复方法
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    374次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    443次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    450次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    397次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    220次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码