弹性之舞 - 自动伸缩 HPA、VPA 与 Cluster Autoscaler 详解

弹性之舞 - 自动伸缩 HPA、VPA 与 Cluster Autoscaler 详解

想象一下经营一家餐厅：如果总是按照最大客流量来配备厨师和服务员（静态资源配置），那么在客人少的时候就会有大量人力闲置浪费。反之，如果人手不足，高峰期客人就会等待过久，体验下降。理想的餐厅经理（自动伸缩机制）应该能根据客流量自动增减人手，甚至在长期爆满时考虑扩建餐厅（增加节点）。

Kubernetes 的自动伸缩就是为了解决类似的资源匹配问题。

1. Pod 水平自动伸缩：Horizontal Pod Autoscaler (HPA)

• 作用: HPA 根据观察到的指标（最常见的是 CPU 或内存使用率，也可以是自定义指标）自动增加或减少 Deployment、ReplicaSet 或 StatefulSet 中 Pod 的副本数量。
• 工作原理 (简化版):
  1. HPA 控制器定期从 Metrics Server（针对 CPU/内存）或自定义/外部指标 API 获取目标工作负载下所有 Pod 的指标数据。
  2. 将当前指标的平均值（或原始值，取决于目标类型）与 HPA 配置中设定的目标值进行比较。
  3. 根据比较结果，计算出期望的 Pod 副本数量（例如，如果当前 CPU 平均利用率是 80%，目标是 50%，HPA 可能会尝试增加副本数来降低平均利用率）。
  4. HPA 更新目标工作负载（如 Deployment）的 .spec.replicas 字段。Deployment Controller 接着会调整实际的 Pod 数量。
• 指标来源:
  • 资源指标 (Resource Metrics)：最常用的是基于 Pod 的平均 CPU 利用率 (target.type: Utilization) 或平均内存使用量 (target.type: AverageValue)。这需要集群中安装 Metrics Server 组件。
  • 自定义指标 (Custom Metrics)：基于应用程序自身暴露的、更能反映业务负载的指标（例如，每秒处理的队列任务数、每个 Pod 的活跃用户数）。通常需要通过 Prometheus Adapter 或其他自定义指标 API 服务器将这些指标暴露给 HPA。
  • 外部指标 (External Metrics)：基于集群外部系统的指标（例如，云消息队列中的消息数量、外部负载均衡器的 QPS）。
• 配置示例 (HPA YAML):

  apiVersion: autoscaling/v2 # 推荐使用 v2 或 v2beta2，功能更全
  kind: HorizontalPodAutoscaler
  metadata:
    name: my-app-hpa
    namespace: my-app-namespace
  spec:
    scaleTargetRef: