Ressourcen-, Netzwerk- und Sicherheitsoptimierungen für komplexe Workloads Weltbaum-Update für Kubernetes

Anbieter zum Thema

Vertiv GmbH

Fsas Technologies GmbH

STACKIT GmbH & Co. KG

Kubernetes 1.35 bringt 60 Änderungen, unter anderem bei flexiblerer Ressourcen-Zuweisung und Skalierung, Orchestrierung komplexer Workloads, Security-Identitäten und Netzwerkauslastung. Kubermatic-Experten und Kubernetes-Beitragende schätzen die Auswirkungen der wichtigsten Neuerungen ein.

Das Update mit dem Codenamen „Timbernetes” soll an den Weltbaum Yggdrassil aus der nordischen Mythologie erinnern. Denn „Kubernetes wächst Ring für Ring und Release für Release, geformt von der Obhut einer globalen Community“. 419 Community-Mitglieder aus 85 Unternehmen haben für Timbernetes Beiträge geleistet.

Stabil: flexible Ressourcenskalierung und intelligentes Service-Routing

Die zum Jahreswechsel 2025/2026 erschiene Version der Cloud-Native-Orchestrierungsplattform hebt 17 Funktionen aus Testphasen in den Status einer allgemeinen Verfügbarkeit (General Availability, GA). Ein Highlight darunter ist die flexible Skalierung von Pod-Ressourcen. Zuvor war in Kubernetes bei der Neuverteilung von CPU- oder Speicherressourcen für Pods ein Neustart der jeweiligen Ausführungseinheit nötig.

„Endlich können Benutzer die CPU und den Speicher für ihre laufenden Pods ohne Neustart optimieren“, freut sich Koray Oksay, Beitragender in der Infrastruktur-Arbeitsgruppe für Kubernetes und Kubernetes-Konsultant beim Anbieter von Cloud-Native-Automatisierung Kubermatic. Skalierungsmöglichkeiten ohne Neustarts sollen laut Oksay nicht nur KI-Workloads zugutekommen, sondern zum Beispiel auch Datenbanken, „die wirklich nicht gerne unterbrochen werden“.

Zu den weiteren Features, die den Beta-Status verlassen haben, gehört ein intelligenteres Service-Routing für reduzierte Latenzen und Netzwerkauslastung, eine bessere Kennzeichnung von Pod-Modifikationen und eine vereinfachte Integration externer Controller von übergeordneten Plattformen über die Job-API.

Beta: ML-Modelle als einzelne Volumes und native Pod-Zertifizierung

Zu den wichtigsten Funktionen, die sich auf einem guten Weg zu einem stabilen GA-Status befinden, zählt Marko Mudrinić, Tech Lead der Kubernetes-Infrastruktur-Arbeitsgruppe und Senior Software Engineer bei Kubermatic, die deklarativen Einbindung von Konfigurationen, Binaries oder Modellen als eigenständige Volumes in die Pods. Das Feature befindet sich noch in der Beta-Phase, wurde mit dem Update aber bereits standardmäßig aktiviert.

Dadurch werde die „Verwaltung datenintensiver Workloads wie KI und maschinelles Lernen durch Teams vereinfacht“, so Mudrinić. „Indem Pods OCI-Artefakte und -Images direkt als Volumes mounten können, können Benutzer Machine-Learning-Modelle von ihrem Anwendungscode entkoppeln, anstatt sie in ein einziges, aufgeblähtes Laufzeit-Image einzubinden.“

„Kubernetes ist ein Biest“, so die Cloud-Native-Experten Narang und Pathak

Für LLMs ist Kubernetes das perfekte Zuhause, man muss es nur einrichten

Eine neu hinzugekommene Beta-Funktion in Kubernetes 1.35 sind native Identitätszertifikate, die unmittelbar im Dateisystem des Pods hinterlegt werden. Damit wird der Bedarf an einer externen Identitätszuweisung für Workloads über externe Controller und Secret Management erheblich reduziert. Auch einen automatisierten zeitlichen Wechsel der Zertifikate unterstützt Kubernetes nun nativ. Damit soll die Integration in Zero-Trust-Architekturen erleichtert werden.

Zu den weiteren Funktionen, die in den Beta-Status gewechselt haben, gehören eine native Migrationsmöglichkeit für Daten auf neue Storage-Versionen, eine gleichzeitige, „opportunistische“ Auswertung von mehreren Pods mit einer Signatur durch den Scheduler und ein an Kubernetes-Eigenheiten angepasstes, strengeres YAML-Datenformat (KYAML).

Alpha: Bessere Ressourcenverteilung und Synchronisierung bei komplexen Workloads

Kubernetes 1.35 führt zudem 22 neue Funktionen in einem frühen Alpha-Status ein. Darunter sind genaue Deklarationen unterstützter Features für einzelne Pods vor dem Scheduling, anlassgetriebene und damit seltenere API-Calls durch den Cloud Control Manager, feiner einstellbare „Impersonation“-Rollen für Support oder Debugging sowie mehrere Funktionserweiterungen für die (insbesondere beim GPU-Einsatz für KI-Workloads kritische) dynamische Ressourcenverteilung (Dynamic Ressource Allocation, DRA).

CNCF Annual Survey: Die Infrastruktur der KI-Zukunft

Cloud Native wird zum KI-Zuhause, aber die Infrastruktur ächzt

Mit Blick auf umfangreiche und ressourcenhungrige KI- und HPC-Workloads sei zudem das neue Gang Scheduling entscheidend, so Mario Fahlandt, Customer Delivery Architect bei Kubermatic und Mitvorsitzender der Kubernetes-Arbeitsgruppe für Beitragenden-Erfahrung. Der Standard-Scheduler in Kubernetes plant Workloads jeweils Pod für Pod ein. Damit können bestimmte Workloads unter Umständen auch dann platziert werden, während andere noch auf eine Ressourcenzuweisung warten. Die Alpha-Funktion hingegen erlaubt eine synchronisierte „Alles oder nichts“-Strategie, bei der eine Gruppe von Pods erst dann zugewiesen wird, wenn der Cluster genug Ressourcen für sämtliche Pods zur Verfügung hat.

„Damit ist das Problem der teilweisen Bereitstellungen endlich gelöst, sodass Benutzer nicht mehr mit Deadlock-Jobs konfrontiert sind, die die teuren Ressourcen ihres Clusters verschwenden“, betont Fahlandt. „Es handelt sich um ein dringend benötigtes Upgrade, das die Orchestrierung komplexer, schwerer Workloads wesentlich effizienter und zuverlässiger macht.“

Funktionsprüfung eines Kubernetes-Clusters mit kubectl

Statusanalyse und Zustand von Containern prüfen

Lokale Containerumgebung

Rancher Desktop bündelt Containerverwaltung und Kubernetes

Kubernetes-Distribution mit Entwicklerfokus und Open-Source-Wurzeln

Community-getriebene Platt­form OKD für Container- Anwendungen

(ID:50697383)