概述

　　Horizontal Pod Autoscaler(HPA，Pod水平自動伸縮)，根據(jù)平均 CPU 利用率、平均內(nèi)存利用率或你指定的任何其他自定義指標(biāo)自動調(diào)整 Deployment 、ReplicaSet 或 StatefulSet 或其他類似資源，實(shí)現(xiàn)部署的自動擴(kuò)展和縮減，讓部署的規(guī)模接近于實(shí)際服務(wù)的負(fù)載。HPA不適用于無法縮放的對象，例如DaemonSet。

　　官方文檔：https://kubernetes.io/zh-cn/docs/tasks/run-application/horizontal-pod-autoscale/

　　實(shí)際生產(chǎn)中，一般使用這四類指標(biāo)：

　　Resource metrics——CPU核 和 內(nèi)存利用率指標(biāo)。

　　Pod metrics——例如網(wǎng)絡(luò)利用率和流量。

　　Object metrics——特定對象的指標(biāo)，比如Ingress, 可以按每秒使用請求數(shù)來擴(kuò)展容器。

　　Custom metrics——自定義監(jiān)控，比如通過定義服務(wù)響應(yīng)時間，當(dāng)響應(yīng)時間達(dá)到一定指標(biāo)時自動擴(kuò)容。

　　安裝 metrics-server

　　HAP 前提條件

　　默認(rèn)情況下，Horizontal Pod Autoscaler 控制器會從一系列的 API 中檢索度量值。集群管理員需要確保下述條件，以保證 HPA 控制器能夠訪問這些 API：

　　對于資源指標(biāo)，將使用 metrics.k8s.io API，一般由 metrics-server 提供。它可以作為集群插件啟動。

　　對于自定義指標(biāo)，將使用 custom.metrics.k8s.io API。它由其他度量指標(biāo)方案廠商的“適配器(Adapter)” API 服務(wù)器提供。檢查你的指標(biāo)管道以查看是否有可用的 Kubernetes 指標(biāo)適配器。

　　對于外部指標(biāo)，將使用 external.metrics.k8s.io API?？赡苡缮厦娴淖远x指標(biāo)適配器提供。

　　Kubernetes Metrics Server：

　　Kubernetes Metrics Server 是 Cluster 的核心監(jiān)控數(shù)據(jù)的聚合器，kubeadm 默認(rèn)是不部署的。

　　Metrics Server 供 Dashboard 等其他組件使用，是一個擴(kuò)展的 APIServer，依賴于 API Aggregator。所以，在安裝 Metrics Server 之前需要先在 kube-apiserver 中開啟 API Aggregator。

　　Metrics API 只可以查詢當(dāng)前的度量數(shù)據(jù)，并不保存歷史數(shù)據(jù)。

　　Metrics API URI 為 /apis/metrics.k8s.io/，在 k8s.io/metrics 下維護(hù)。

　　必須部署 metrics-server 才能使用該 API，metrics-server 通過調(diào)用 kubelet Summary API 獲取數(shù)據(jù)。

　　開啟 API Aggregator

　　開始安裝 metrics-server

　　下載

　　修改

　　解決方法：在metrics-server中添加--kubelet-insecure-tls參數(shù)跳過證書校驗

　　開始安裝

　　Horizontal Pod Autoscaler 工作原理

　　原理架構(gòu)圖

　　自動檢測周期由 kube-controller-manager 的 --horizontal-pod-autoscaler-sync-period 參數(shù)設(shè)置(默認(rèn)間隔為 15 秒)。

　　metrics-server 提供 metrics.k8s.io API 為pod資源的使用提供支持。

　　15s/周期 -> 查詢metrics.k8s.io API -> 算法計算 -> 調(diào)用scale 調(diào)度 -> 特定的擴(kuò)縮容策略執(zhí)行。

　　HPA擴(kuò)縮容算法

　　從最基本的角度來看，Pod 水平自動擴(kuò)縮控制器根據(jù)當(dāng)前指標(biāo)和期望指標(biāo)來計算擴(kuò)縮比例。

　　擴(kuò)容

　　如果計算出的擴(kuò)縮比例接近 1.0, 將會放棄本次擴(kuò)縮, 度量指標(biāo) / 期望指標(biāo)接近1.0。

　　縮容

　　冷卻/延遲: 如果延遲(冷卻)時間設(shè)置的太短，那么副本數(shù)量有可能跟以前一樣出現(xiàn)抖動。默認(rèn)值是 5 分鐘(5m0s)--horizontal-pod-autoscaler-downscale-stabilization

　　特殊處理

　　丟失度量值：縮小時假設(shè)這些 Pod 消耗了目標(biāo)值的 100%， 在需要放大時假設(shè)這些 Pod 消耗了 0% 目標(biāo)值。這可以在一定程度上抑制擴(kuò)縮的幅度。

　　存在未就緒的pod的時候：我們保守地假設(shè)尚未就緒的 Pod 消耗了期望指標(biāo)的 0%，從而進(jìn)一步降低了擴(kuò)縮的幅度。

　　未就緒的 Pod 和缺少指標(biāo)的 Pod 考慮進(jìn)來再次計算使用率。如果新的比率與擴(kuò)縮方向相反，或者在容忍范圍內(nèi)，則跳過擴(kuò)縮。否則，我們使用新的擴(kuò)縮比例。指定了多個指標(biāo)， 那么會按照每個指標(biāo)分別計算擴(kuò)縮副本數(shù)，取最大值進(jìn)行擴(kuò)縮。

　　HPA 對象定義

　　HPA對象默認(rèn)行為

　　示例演示

　　編排yaml

　　主要參數(shù)解釋如下：

　　scaleTargetRef：目標(biāo)作用對象，可以是Deployment、ReplicationController或ReplicaSet。

　　minReplicas和maxReplicas：Pod副本數(shù)量的最小值和最大值，系統(tǒng)將在這個范圍內(nèi)進(jìn)行自動擴(kuò)縮容操作，并維持每個Pod的內(nèi)存使用率為40%，這個值就是上面設(shè)置的閾值averageUtilization。

　　metrics：目標(biāo)指標(biāo)值。在metrics中通過參數(shù)type定義指標(biāo)的類型;通過參數(shù)target定義相應(yīng)的指標(biāo)目標(biāo)值，系統(tǒng)將在指標(biāo)數(shù)據(jù)達(dá)到目標(biāo)值時(考慮容忍度的區(qū)間，見前面算法部分的說明)觸發(fā)擴(kuò)縮容操作。

　　對于CPU使用率，在target參數(shù)中設(shè)置averageUtilization定義目標(biāo)平均CPU使用率。

　　對于內(nèi)存資源，在target參數(shù)中設(shè)置AverageValue定義目標(biāo)平均內(nèi)存使用值。

　　執(zhí)行

　　使用 ab 工具進(jìn)行壓測

　　進(jìn)入apache官網(wǎng) 下載apache即可，或者直接通過yum安裝apache都行，這里選擇最簡單的方式y(tǒng)um安裝

　　開始壓測

　　從上圖發(fā)現(xiàn)已經(jīng)實(shí)現(xiàn)了根據(jù)CPU 動態(tài)擴(kuò)容了。