关于GKE集群预留实例的疑问及ZONE_RESOURCE_POOL_EXHAUSTED问题的解决方案求助

最近我们的GKE环境被暂停了，账号恢复后Kubernetes无法正常工作——3台服务器里只有1台可用，另外两个区域持续30分钟报ZONE_RESOURCE_POOL_EXHAUSTED错误，直到我们手动添加新节点池才恢复。

谷歌告诉我们这种情况是正常的，建议我们使用预留实例。但我对此存疑：账号被暂停时预留实例肯定也会被终止，它真的能解决这次的问题吗？我很难相信创建GKE集群必须依赖预留实例。

我真正在意的不是服务器宕机的原因，而是GKE居然无法自动恢复，必须手动干预。如果预留实例是刚需，我也希望GCP控制台能自动完成配置。所以来请教Server Fault的专家们：

• 我是不是应该在创建Kubernetes集群后，单独配置预留实例？
• 预留实例能解决服务器崩溃、系统更新这类常规场景下的机器不可用问题吗？
• 谷歌说“使用预留实例后，95%的VM能在120秒内启动”，这听上去根本不是真正的“预留”。这些实例是真的被预留了吗？还是说有5%的概率GKE无法自行恢复？
• 是不是所有VM实例（不只是GKE的）都需要同时配置“实例组”和“预留实例”？
• 有没有其他解决方案？

我真的不想把集群迁回AWS，GKE的功能实在太丰富了，但目前我对GKE的信心不足，非常感谢各位的反馈。

编辑于2024年2月17日
我觉得之前的问题描述可能不够清晰，所以简化一下：

谷歌建议我用预留实例来避免ZONE_RESOURCE_POOL_EXHAUSTED错误。在我看来，预留实例应该能确保VM启停的确定性，但谷歌说的是95%的概率能在2分钟内拿到机器，这和我理解的“预留”不太一样。

如果我没有主动停止实例——比如出现机器硬件故障，或者谷歌侧的VM恢复故障——预留实例能解决ZONE_RESOURCE_POOL_EXHAUSTED问题吗？

编辑于2024年3月27日
和谷歌技术支持沟通了2个月，问题还升级了3次，但最终还是没解决。

谷歌支持表示，对于单区域GKE集群的ZONE_RESOURCE_POOL_EXHAUSTED问题，除了用预留实例之外没有其他解决方案。但他们只能确认我们有95%的概率能拿到实例（无SLA保障），甚至无法确认如果有可用实例时我们是否有优先获取权。

我觉得谷歌支持在这个案例上已经很努力了，还为第一次沟通时的准备不足道了歉，整体服务我是满意的。只是最初的支持只会照搬公开文档，而升级后的回复完全没用，这点让我很失望。

备注：内容来源于stack exchange，提问作者Luke