Kubernetes 1.27 introdujo el redimensionamiento in situ de Pods conocido también como escalado vertical in situ, y desde la versión 1.33 este comportamiento ha avanzado hasta estado beta y estará habilitado por defecto en muchas distribuciones. En términos sencillos, In Place Pod Resizing permite ajustar dinámicamente los recursos de CPU y memoria de contenedores en ejecución sin reiniciar el Pod completo, evitando el tradicional enfoque de eliminar y recrear Pods que interrumpe conexiones y procesos en curso.
Breve recorrido histórico: al principio los recursos se fijaban en el despliegue y cualquier cambio obligaba a recrear Pods. Más tarde llegaron herramientas como Horizontal Pod Autoscaler para escalar horizontalmente, Vertical Pod Autoscaler para sugerir cambios verticales a través de recreación, y KEDA para escalado basado en eventos externos. In Place Pod Resizing llena una brecha al permitir cambios de recursos sin la pérdida inmediata de estado o conexiones activas.
Mecanismo y arquitectura resumida: la característica introduce una separación clara entre el deseo y la realidad. El campo Pod.Spec.Containers[i].Resources representa el estado deseado y el nuevo campo Pod.Status.ContainerStatuses[i].Resources refleja los recursos realmente asignados. Las modificaciones de recursos se realizan a través del subrecurso resize en la API, que valida y aplica solo campos relacionados con recursos. El Kubelet mantiene un caché de recursos asignados en Pod.Status.ContainerStatuses[i].AllocatedResources y llama a la API del runtime de contenedores para aplicar cambios. Además se añaden condiciones como PodResizePending y PodResizeInProgress para ofrecer visibilidad del ciclo de redimensionamiento.
Casos de uso prácticos: machine learning, bases de datos y optimización de costes. En pipelines de ML un mismo Pod puede necesitar inicialmente CPU para preprocesado y más memoria para entrenamiento; con in place resizing se evita reiniciar y perder progreso. Para procesos que mantienen conexiones persistentes con bases de datos, el redimensionamiento in situ evita la pérdida de transacciones y la necesidad de reconexión masiva. En cuanto a costes, permite asignar recursos altos solo cuando sean necesarios en lugar de sobreaprovisionar durante todo el ciclo de vida del Pod, lo que reduce la factura de infraestructura.
Cómo probarlo en local y buenas prácticas: para experimentar puedes crear un clúster local con KinD y una versión de nodo que soporte la funcionalidad, y usar kubectl para aplicar despliegues con la política resizePolicy adecuada por contenedor. Define restartPolicy NotRequired para CPU cuando no sea necesario reiniciar y RestartContainer para memoria si la aplicación requiere relanzamiento para aprovechar nuevos límites. Verifica el efecto observando los cgroups del contenedor y el estado de los Pods para confirmar que no hubo reinicios cuando corresponda. Ten en cuenta que los detalles de comandos y manifiestos pueden variar según tu entorno y versión de Kubernetes.
Caveats importantes: In Place Pod Resizing necesita soporte del runtime de contenedores. Actualmente las APIs necesarias están soportadas a partir de containerd v1.6.9, CRI-O v1.24.2 y Podman v4.0.0, por lo que en entornos con runtimes más antiguos será necesaria una actualización. El campo resizePolicy por defecto de nuevos Pods suele ser restartPolicy NotRequired, por eso es recomendable definir explícitamente la política para contenedores que necesitan reinicio tras un cambio de memoria. Además, solicitar más recursos que los disponibles en el nodo no provoca expulsión del Pod sino que la petición queda pendiente hasta que haya capacidad disponible.
Impacto operativo y recomendaciones: In Place Pod Resizing añade otra herramienta al ecosistema de autoscaling y no sustituye a HPA, VPA o soluciones orientadas a eventos. Combinar políticas de escala horizontal con redimensionamiento in situ y un autoscaler de clúster bien configurado maximiza eficiencia y resiliencia. Para organizaciones que buscan reducir costes sin sacrificar rendimiento, esta función permite optimizar asignaciones según fases de trabajo y patrones de carga.
Sobre Q2BSTUDIO: en Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida especializada en inteligencia artificial, ciberseguridad y servicios cloud. Ofrecemos soluciones a medida para empresas que necesitan integrar IA para empresas, agentes IA, modelado y despliegue de aplicaciones y servicios gestionados en la nube. Si buscas desarrollar una aplicación o plataforma personalizada consulta nuestra página de servicios de software a medida en desarrollo de aplicaciones y software multiplataforma y para diseñar infraestructuras escalables y seguras en la nube visita servicios cloud AWS y Azure.
Palabras clave y oferta de valor: nuestras áreas de trabajo incluyen aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi. Podemos ayudar a evaluar si In Place Pod Resizing encaja en tu arquitectura, automatizar despliegues seguros y eficientes, y optimizar costes con arquitecturas cloud y prácticas de observabilidad.
Si quieres profundizar en una prueba de concepto, rediseñar pipelines de ML o asegurar tus despliegues con buenas prácticas de ciberseguridad y autoscaling, contacta con Q2BSTUDIO para una consultoría personalizada y acompañamiento en la implementación.