Kubernetes v1.34 bringt Node Swap in die General Availability

18. Oktober 2026 · Pragtive News-Robot
News

Kubernetes kann seit Version 1.34 offiziell mit aktiviertem Node Swap betrieben werden. Benchmarks mit Linux Builds, Headless Browsern und isolierten Python Sandboxes zeigen bis zu dreimal mehr Workloads pro Node, sofern der Swap auf schnellen NVMe SSDs liegt und die aktiven Speicherbereiche weiterhin in RAM passen.

Warum Speicher zum Flaschenhals wird

Bei vielen Kubernetes Clustern ist der Arbeitsspeicher die erste harte Grenze. Die CPU hat noch Reserven, während Nodes bereits wegen fehlender RAM Kapazität keine weiteren Pods aufnehmen können. Das Problem verschärft sich bei Workloads, die kurzzeitig viel Speicher benötigen und danach längere Zeit weitgehend untätig bleiben.

Die Analyse von Ocean Xie und Yuan Wang beschreibt dieses Verhalten am Beispiel agentischer Workloads. Solche Workloads müssen beim Start große Speicherbereiche für die Ausführung von Code reservieren. Bei untrusted code kommen zusätzlich isolierte Ausführungsumgebungen hinzu. Nach einer kurzen Aktivitätsphase warten die Prozesse häufig auf den nächsten Prompt. Ihre Speicherbereiche bleiben dabei resident und belegen weiterhin physischen RAM.

Für Administratoren entsteht dadurch ein bekanntes Dilemma. Werden Memory Limits großzügig gesetzt, bleibt teure Infrastruktur für inaktive Speicherbereiche reserviert. Fallen die Limits zu knapp aus, können Prozesse bei einem kurzen Peak mit einem Out Of Memory Fehler beendet werden. Gerade bei CI/CD Jobs, Browser Sandboxes und Code Ausführungsumgebungen ist diese Grenze schwer vorherzusagen.

Kubernetes unterstützt Node Swap in Version 1.34 als General Availability. Der Linux Kernel kann dabei anonyme Speicherseiten aus dem RAM auf ein dafür vorgesehenes Laufwerk auslagern. Wird dieser Bereich später wieder benötigt, holt der Kernel die Seiten zurück. Der Swap wirkt damit als Puffer für Speicher Peaks und nicht als zusätzlicher Ersatz für den gesamten Arbeitsspeicher.

Historisch war Swap im Kubernetes Betrieb aus zwei Gründen problematisch. Unter cgroup v1 wurden Arbeitsspeicher und Swap gemeinsam betrachtet. Ein Prozess konnte dadurch große Mengen an anonymem Speicher auf das Laufwerk auslagern, ohne dass sich der Verbrauch sauber getrennt kontrollieren ließ. Die reale Speichernutzung eines Containers wurde schwer vorhersehbar und die Isolation zwischen Workloads schwieriger.

Mit cgroup v2 gibt es eine getrennte Abrechnung für Swap. Speicher im RAM und ausgelagerter Speicher können dadurch unabhängig voneinander verfolgt werden. Der zweite Einwand betraf die Geschwindigkeit. Klassische Festplatten reagieren bei Paging deutlich langsamer als moderne NVMe Local SSDs. Die Benchmarks setzen deshalb auf lokalen SSD Speicher, der die Latenz des Auslagerns deutlich reduziert.

Als Quelle für diese Einordnung dient der Beitrag von Ocean Xie und Yuan Wang. Die Autoren untersuchen dort drei Workload Kategorien und vergleichen jeweils eine Konfiguration ohne Swap mit einer Konfiguration, bei der Local SSD Swap aktiviert ist.

Was die Benchmarks im Betrieb zeigen

Der erste Test nutzt einen vollständigen Linux 6.1.1 Kernel Build. Der Ablauf passt laut Quelle gut zu typischen CI/CD Pipelines. Mehrere Worker Threads arbeiten parallel. Bereits kompilierte Object Files bleiben während des weiteren Builds im Speicher, obwohl sie in diesem Moment nicht aktiv verwendet werden. Zusätzlich entsteht während der kurzen Linking Phase ein deutlicher Speicher Peak.

Ohne Swap benötigte der Container mindestens ein Memory Limit von 600 MB, damit der Build nicht mit einem Out Of Memory Fehler abbrach. Mit Local SSD Swap konnte das Limit auf 300 MB sinken. Das entspricht einer Reduktion des RAM Footprints um 50 Prozent. Eine Verlangsamung wurde in diesem Test nicht beobachtet. Der Build lief mit der Swap Konfiguration in 374 Sekunden durch, während die Baseline 433 Sekunden benötigte.

Die Zahlen sollten trotzdem nicht als Versprechen für jeden Build gelesen werden. Der Test zeigt vor allem, dass inaktive Speicherbereiche während eines längeren Ablaufs ausgelagert werden können. Wird das Limit zu weit reduziert, kippt der Effekt. Bei 200 MB musste auch der aktive Working Set in den Swap ausweichen. Dadurch entstanden lange I/O Wartezeiten und die Laufzeit stieg um mehr als 40 Prozent.

Für CI/CD Workloads ergibt sich daraus eine klare Betriebsgrenze. Swap kann einen kurzen Peak abfedern und die RAM Nutzung für inaktive Daten reduzieren. Die aktive Arbeitsmenge eines Builds braucht weiterhin ausreichend schnellen Speicher. Ein kleineres Limit ist daher nicht automatisch eine bessere Konfiguration.

Der zweite Benchmark betrachtet Headless Chrome in isolierten Ausführungsumgebungen. Für einfache runc Container wurde ein Node mit 32 vCPU und 120 GB RAM verwendet. Ohne Swap erschöpfte der Node den physischen Speicher bei mehr als 512 Pods. Mit Local SSD Swap stieg die gemessene Kapazität auf 768 gleichzeitig laufende Pods.

Die Quelle vergleicht außerdem strengere Security Runtimes. Bei gVisor lag die Grenze ohne Swap bei 80 Pods. Mit Local SSD Swap konnten 160 Pods auf einem Node betrieben werden. Das entspricht einer Verdoppelung. Bei Kata Containers stieg die Kapazität von 40 auf 50 gleichzeitig laufende Pods. Dort erreichte der Node anschließend die CPU Grenze.

Die Unterschiede zwischen gVisor und Kata sind relevant. Beide Umgebungen bringen zusätzlichen Speicherbedarf für die Isolation mit. Ohne Puffer im Swap wirkt sich dieser Overhead direkt auf die maximale Pod Anzahl aus. Mit Local SSD Swap konnten in den Tests zumindest Teile des inaktiven Speichers ausgelagert werden. Dadurch blieb mehr physischer RAM für weitere Pods verfügbar.

Der dritte Test nutzt isolierte Python Sandboxes. Jede Sitzung analysierte 5 Millionen Zeilen aus dem MovieLens 20M Dataset und benötigte ungefähr 375 MiB residenten Speicher. Ohne Swap schlug der Node bei 80 gleichzeitig laufenden Sessions an der RAM Grenze fehl. Mit Local SSD Swap waren 240 parallele Python Sandboxes möglich. Das entspricht einer Verbesserung um den Faktor drei.

Bei den Browser und Python Tests stieg die Latenz an der maximalen Kapazität vor allem wegen der konkurrierenden CPU Nutzung. Swap I/O war laut Quelle nicht der wichtigste Auslöser. Das bedeutet trotzdem nicht, dass die maximale Pod Zahl automatisch ein sinnvolles Produktionsziel ist. Für ein festgelegtes Latenzziel sollte die Auslastung unterhalb des gemessenen Peak Werts liegen. Bei geringerer Dichte fällt auch die Belastung durch konkurrierende Workloads geringer aus.

Der Puffer hat klare Grenzen

Node Swap eignet sich laut den Benchmarks besonders für Workloads mit unregelmäßigen Speicher Peaks und längeren Idle Phasen. Dazu zählen Developer Environments, Browser Testing, JVM Anwendungen und AI Execution Runtimes. Die Ergebnisse gelten jedoch für die getesteten Workloads, Node Größen und Runtime Kombinationen. Eine Übertragung auf beliebige Anwendungen ist durch die Quelle nicht belegt.

Die wichtigste Einschränkung zeigt der Kernel Build. Bei 300 MB funktionierte der Ablauf ohne zusätzliche Ausführungszeit. Bei 200 MB wurde der Speicherbedarf des aktiven Working Sets zu groß. Dann stieg die Laufzeit um mehr als 40 Prozent. Swap kann also die Pod Dichte erhöhen, solange überwiegend inaktive Seiten ausgelagert werden. Wenn regelmäßig aktive Daten zwischen RAM und SSD wandern, wird der Storage zum Engpass.

Auch die Benchmark Werte für Browser Sandboxes sind keine allgemeine Kapazitätszusage. Bei gVisor verdoppelte sich die Pod Zahl von 80 auf 160. Bei Kata stieg sie von 40 auf 50. Im Kata Test war anschließend die CPU ausgelastet. Bei einer anderen Anwendung können CPU, Storage oder die aktive Speichermenge früher limitieren.

Für Kubernetes Version 1.34 und neuer nennt die Quelle die Kubelet Konfiguration mit failSwapOn: false und memorySwap.swapBehavior: LimitedSwap. Diese Einstellung muss mit einer passenden Swap Konfiguration des Nodes und einem schnellen lokalen Laufwerk zusammenspielen. Als Beispiel wird Google Kubernetes Engine mit Node Memory Swap auf Local SSD Profilen genannt. Die Quelle beschreibt damit einen konkreten Provider Pfad, nicht automatisch eine identische Umsetzung für jedes Rechenzentrum oder jede Hosting Umgebung.

Für die Workloads empfiehlt die Analyse Burstable QoS. Dafür liegen die Memory Limits der Container über ihren Memory Requests. Der Node kann dadurch Swap für inaktive Anwendungsspeicher einsetzen, während aktive Prozesse weiterhin bevorzugt RAM erhalten. Die Limits bleiben trotzdem wichtig, weil sie den Rahmen für den Verbrauch eines Containers festlegen.

LimitedSwap kurz erklärt

LimitedSwap erlaubt Kubernetes, Swap für Container zu verwenden, ohne den Speicherverbrauch vollständig unkontrolliert auf das Laufwerk auszuweiten. Zusammen mit cgroup v2 kann der Swap Verbrauch getrennt vom RAM erfasst werden. Für den Betrieb braucht es zusätzlich eine konfigurierte Swap Fläche auf dem Node.

Quelle: Scaling Kubernetes Workloads with Node Swap