HPA簡介

HPA（Horizontal Pod Autoscaler）是kubernetes（以下簡稱k8s）的一種資源對象，能夠根據(jù)某些指標(biāo)對在statefulSet、replicaController、replicaSet等集合中的pod數(shù)量進行動態(tài)伸縮，使運行在上面的服務(wù)對指標(biāo)的變化有一定的自適應(yīng)能力。

HPA目前支持四種類型的指標(biāo)，分別是Resource、Object、External、Pods。其中在穩(wěn)定版本autoscaling/v1中只支持對CPU指標(biāo)的動態(tài)伸縮，在測試版本autoscaling/v2beta2中支持memory和自定義指標(biāo)的動態(tài)伸縮，并以annotation的方式工作在autoscaling/v1版本中。

HPA在k8s中的結(jié)構(gòu)

首先可以看一下HPA在k8s中的結(jié)構(gòu)，這里找了一個k8s官方給出的HPA例子，我在關(guān)鍵字段上給出一些注釋方便理解。

- type: Podspods:metric:name: packets-per-second# AverageValue類型的目標(biāo)值，Pods指標(biāo)類型下只支持AverageValue類型的目標(biāo)值target:type: AverageValueaverageValue: 1k# External類型的指標(biāo)- type: Externalexternal:metric:name: queue_messages_ready# 該字段與第三方的指標(biāo)標(biāo)簽相關(guān)聯(lián)，（此處官方文檔有問題，正確的寫法如下）selector:matchLabels:env: "stage"app: "myapp"# External指標(biāo)類型下只支持Value和AverageValue類型的目標(biāo)值target:type: AverageValueaverageValue: 30

autoscaling/v1版本將metrics字段放在了annotation中進行處理。

target共有3種類型：Utilization、Value、AverageValue。Utilization表示平均使用率；Value表示裸值；AverageValue表示平均值。

metrics中的type字段有四種類型的值：Object、Pods、Resource、External。
Resource指的是當(dāng)前伸縮對象下的pod的cpu和memory指標(biāo)，只支持Utilization和AverageValue類型的目標(biāo)值。
Object指的是指定k8s內(nèi)部對象的指標(biāo)，數(shù)據(jù)需要第三方adapter提供，只支持Value和AverageValue類型的目標(biāo)值。
Pods指的是伸縮對象（statefulSet、replicaController、replicaSet）底下的Pods的指標(biāo)，數(shù)據(jù)需要第三方的adapter提供，并且只允許AverageValue類型的目標(biāo)值。
External指的是k8s外部的指標(biāo)，數(shù)據(jù)同樣需要第三方的adapter提供，只支持Value和AverageValue類型的目標(biāo)值。

HPA動態(tài)伸縮的原理

HPA在k8s中也由一個controller控制，controller會間隔循環(huán)HPA，檢查每個HPA中監(jiān)控的指標(biāo)是否觸發(fā)伸縮條件，默認(rèn)的間隔時間為15s。一旦觸發(fā)伸縮條件，controller會向k8s發(fā)送請求，修改伸縮對象（statefulSet、replicaController、replicaSet）子對象scale中控制pod數(shù)量的字段。k8s響應(yīng)請求，修改scale結(jié)構(gòu)體，然后會刷新一次伸縮對象的pod數(shù)量。伸縮對象被修改后，自然會通過list/watch機制增加或減少pod數(shù)量，達到動態(tài)伸縮的目的。

HPA伸縮過程敘述

HPA的伸縮主要流程如下：

1.判斷當(dāng)前pod數(shù)量是否在HPA設(shè)定的pod數(shù)量區(qū)間中，如果不在，過小返回最小值，過大返回最大值，結(jié)束伸縮。

2.判斷指標(biāo)的類型，并向api server發(fā)送對應(yīng)的請求，拿到設(shè)定的監(jiān)控指標(biāo)。一般來說指標(biāo)會根據(jù)預(yù)先設(shè)定的指標(biāo)從以下三個aggregated APIs中獲取：metrics.k8s.io、custom.metrics.k8s.io、 external.metrics.k8s.io。其中metrics.k8s.io一般由k8s自帶的metrics-server來提供，主要是cpu，memory使用率指標(biāo)，另外兩種需要第三方的adapter來提供。custom.metrics.k8s.io提供自定義指標(biāo)數(shù)據(jù)，一般跟k8s集群有關(guān)，比如跟特定的pod相關(guān)。external.metrics.k8s.io同樣提供自定義指標(biāo)數(shù)據(jù)，但一般跟k8s集群無關(guān)。許多知名的第三方監(jiān)控平臺提供了adapter實現(xiàn)了上述api（如prometheus），可以將監(jiān)控和adapter一同部署在k8s集群中提供服務(wù)，甚至能夠替換原來的metrics-server來提供上述三類api指標(biāo)，達到深度定制監(jiān)控數(shù)據(jù)的目的。

3.根據(jù)獲得的指標(biāo)，應(yīng)用相應(yīng)的算法算出一個伸縮系數(shù)，并乘以目前pod數(shù)量獲得期望pod數(shù)量。系數(shù)是指標(biāo)的期望值與目前值的比值，如果大于1表示擴容，小于1表示縮容。指標(biāo)數(shù)值有平均值（AverageValue）、平均使用率（Utilization）、裸值（Value）三種類型，每種類型的數(shù)值都有對應(yīng)的算法。以下幾點值得注意：如果系數(shù)有小數(shù)點，統(tǒng)一進一；系數(shù)如果未達到某個容忍值，HPA認(rèn)為變化太小，會忽略這次變化，容忍值默認(rèn)為0.1。
HPA擴容算法是一個非常保守的算法。如果出現(xiàn)獲取不到指標(biāo)的情況，擴容時算最小值，縮容時算最大值；如果需要計算平均值，出現(xiàn)pod沒準(zhǔn)備好的情況，平均數(shù)的分母不計入該pod。
一個HPA支持多個指標(biāo)的監(jiān)控，HPA會循環(huán)獲取所有的指標(biāo)，并計算期望的pod數(shù)量，并從期望結(jié)果中獲得最大的pod數(shù)量作為最終的伸縮的pod數(shù)量。一個伸縮對象在k8s中允許對應(yīng)多個HPA，但是只是k8s不會報錯而已，事實上HPA彼此不知道自己監(jiān)控的是同一個伸縮對象，在這個伸縮對象中的pod會被多個HPA無意義地來回修改pod數(shù)量，給系統(tǒng)增加消耗，如果想要指定多個監(jiān)控指標(biāo)，可以如上述所說，在一個HPA中添加多個監(jiān)控指標(biāo)。

4.檢查最終的pod數(shù)量是否在HPA設(shè)定的pod數(shù)量范圍的區(qū)間，如果超過最大值或不足最小值都會修改為最大值或最小值。然后向k8s發(fā)出請求，修改伸縮對象的子對象scale的pod數(shù)量，結(jié)束一個HPA的檢查，獲取下一個HPA，完成一個伸縮流程。

HPA的應(yīng)用場景

HPA的特性結(jié)合第三方的監(jiān)控應(yīng)用，使得部署在HPA伸縮對象（statefulSet、replicaController、replicaSet）上的服務(wù)有了非常靈活的自適應(yīng)能力，能夠在一定限度內(nèi)復(fù)制多個副本來應(yīng)對某個指標(biāo)的急劇飆升，也可以在某個指標(biāo)較小的情況下刪除副本來讓出計算資源給其他更需要資源的應(yīng)用使用，維持整個系統(tǒng)的穩(wěn)定。非常適合于一些流量波動大，機器資源吃緊，服務(wù)數(shù)量多的業(yè)務(wù)場景，如：電商服務(wù)、搶票服務(wù)、金融服務(wù)等。

k8s-prometheus-adapter

前文說到，許多監(jiān)控系統(tǒng)通過adapter實現(xiàn)了接口，給HPA提供指標(biāo)數(shù)據(jù)。在這里我們具體介紹一下prometheus監(jiān)控系統(tǒng)的adapter。

prometheus是一個知名開源監(jiān)控系統(tǒng)，具有數(shù)據(jù)維度多，存儲高效，使用便捷等特點。用戶可以通過豐富的表達式和內(nèi)置函數(shù)，定制自己所需要的監(jiān)控數(shù)據(jù)。

prometheus-adapter在prometheus和api-server中起到了適配者的作用。prometheus-adapter接受從HPA中發(fā)來，通過apiserver aggregator中轉(zhuǎn)的指標(biāo)查詢請求，然后根據(jù)內(nèi)容發(fā)送相應(yīng)的請求給prometheus拿到指標(biāo)數(shù)據(jù)，經(jīng)過處理后返回給HPA使用。prometheus可以同時實現(xiàn)metrics.k8s.io、custom.metrics.k8s.io、 external.metrics.k8s.io三種api接口，代替k8s自己的matrics-server，提供指標(biāo)數(shù)據(jù)服務(wù)。

prometheus-adapter部署能否成功的關(guān)鍵在于配置文件是否正確。配置文件中可以設(shè)定需要的指標(biāo)以及對指標(biāo)的處理方式，以下是一份簡單的配置文件，加上注釋以稍做解釋。

# 指標(biāo)規(guī)則，可以多個規(guī)則共存，上一個規(guī)則的結(jié)果會傳給下一個規(guī)則 rules:# 計算指標(biāo)數(shù)據(jù)的表達式- metricsQuery: sum(rate(<<.Series>>{<<.LabelMatchers>>}[5m])) by (<<.GroupBy>>)# 指標(biāo)重命名，支持正則表達式。這里表示刪除指標(biāo)名字中的"_seconds_total"name:as: ""matches: (.*)_seconds_total$# 指標(biāo)與k8s資源通過標(biāo)簽關(guān)聯(lián)，這里將指標(biāo)通過標(biāo)簽與k8s的namspace和pod相互關(guān)聯(lián)resources:overrides:namespace:resource: namespacepod:resource: pod# 過濾指標(biāo)條件seriesFilters: []# 指標(biāo)查詢表達式，可以根據(jù)標(biāo)簽等條件，篩選特定的指標(biāo)seriesQuery: '{namespace!="",pod!=""}'

metricsQuery字段會在k8s請求時執(zhí)行，其中，“<<” “>>”是go的模板語法，Series表示指標(biāo)名稱，LabelMatchers表示指標(biāo)與k8s對象名稱匹配的標(biāo)簽鍵值對，GroupBy表示指標(biāo)數(shù)值歸并的標(biāo)簽名。

不太好理解，這里截取官方文檔中的一個例子來進行說明，看了就應(yīng)該明白了：

For instance, suppose we had a series http_requests_total (exposed ashttp_requests_per_second in the API) with labels service, pod,ingress, namespace, and verb. The first four correspond to Kubernetes resources. Then, if someone requested the metric pods/http_request_per_second for the pods pod1 and pod2 in the somens namespace, we’d have:- Series: "http_requests_total"- LabelMatchers: "pod=~\"pod1|pod2",namespace="somens"- GroupBy: pod

resources字段是k8s資源對象與指標(biāo)關(guān)聯(lián)的重要字段，本質(zhì)上是根據(jù)指標(biāo)的標(biāo)簽值與k8s資源對象名稱進行匹配，resources字段告訴系統(tǒng)，應(yīng)該用指標(biāo)的哪個標(biāo)簽的標(biāo)簽值來匹配k8s資源對象名稱。有兩個方法關(guān)聯(lián)資源，一種是通過overrides，將特定的標(biāo)簽與k8s資源對象綁定起來，當(dāng)k8s請求指標(biāo)的時候，會將資源對象名稱與這個特定的標(biāo)簽值進行比較，來分辨指標(biāo)具體是哪個對象的；另一種是template，通過go語言模板語法將k8s資源對象名轉(zhuǎn)化成標(biāo)簽名，進行匹配。

第二種方法，不太好理解，同樣截取官方文檔中的一個例子來進行說明：

# any label `kube_<group>_<resource>` becomes <group>.<resource> in Kubernetes resources: template: "kube_<<.Group>>_<<.Resource>>"

部署一個監(jiān)控自定義指標(biāo)的HPA

1.部署prometheus應(yīng)用，使其正常工作。可以使用官方的helm包快捷部署，之后的應(yīng)用也基本以helm包的方式部署，不再贅述。

2.部署需要伸縮的應(yīng)用。這里我選擇了一個簡單的nginx服務(wù)，部署為deployment作為伸縮對象。

3.在應(yīng)用的命名空間下，部署提供自定義指標(biāo)的應(yīng)用。這里我選擇了官方的prometheus-node-exporter，并以nodeport的方式暴露數(shù)據(jù)端口，作為自定義指標(biāo)數(shù)據(jù)的來源。這個應(yīng)用會以daemonSet的方式運行在k8s集群的每個node上，并對外開放在自己node上獲取到的指標(biāo)。

在prometheus的界面上已經(jīng)可以看到node-exporter暴露出來的指標(biāo)了

4.部署prometheus-adapter應(yīng)用。在helm包的values中修改其配置文件，配置文件如下

rules:- metricsQuery: sum(rate(<<.Series>>{<<.LabelMatchers>>}[5m])) by (<<.GroupBy>>)name:as: ""matches: (.*)_seconds_total$resources:template: <<.Resource>>seriesFilters: []seriesQuery: '{namespace!="",pod!=""}'- metricsQuery: sum(rate(<<.Series>>{<<.LabelMatchers>>}[5m])) by (<<.GroupBy>>)name:as: ""matches: (.*)_total$resources:template: <<.Resource>>seriesFilters:- isNot: (.*)_seconds_total$seriesQuery: '{namespace!="",pod!=""}'- metricsQuery: sum(<<.Series>>{<<.LabelMatchers>>}) by (<<.GroupBy>>)name:as: ""matches: (.*)$resources:template: <<.Resource>>seriesFilters:- isNot: (.*)_total$seriesQuery: '{namespace!="",pod!=""}'

上述配置文件將secondstotal和_total結(jié)尾的指標(biāo)用prometheus的內(nèi)置函數(shù)進行了速率計算，并去掉對應(yīng)的后綴作為指標(biāo)名稱。

我們在k8s中利用kubectl查看指標(biāo)是否能夠獲得到指標(biāo)

kubectl get --raw /apis/custom.metrics.k8s.io/v1beta1/

你會看到所有的你能夠獲得的指標(biāo)名稱，但是名字和數(shù)據(jù)已經(jīng)和原來的指標(biāo)有所不同了，因為我們在adapter的配置文件中做了一定程度的修改。

然后我們獲取一下node_cpu這個指標(biāo)，看看是否能夠正確地顯示出來

kubectl get --raw /apis/custom.metrics.k8s.io/v1beta1/namespaces/my-nginx/pods/*/node_cpu | jq

這個命令能夠顯示my-nginx這個namspace下的所有pod的node_cpu指標(biāo)的數(shù)據(jù)，結(jié)果如下

{"kind": "MetricValueList","apiVersion": "custom.metrics.k8s.io/v1beta1","metadata": {"selfLink": "/apis/custom.metrics.k8s.io/v1beta1/namespaces/my-nginx/pods/%2A/node_cpu"},"items": [{"describedObject": {"kind": "Pod","namespace": "my-nginx","name": "prometheus-node-exporter-b25zl","apiVersion": "/v1"},"metricName": "node_cpu","timestamp": "2019-10-29T03:33:47Z","value": "3822m"}] }

ok，到這里，說明所有的組件工作正常，hpa能夠順利地得到這個指標(biāo)。需要注意的是HPA和監(jiān)控對象，伸縮對象一定要部署在同一個命名空間下，不然會獲取不到相應(yīng)的指標(biāo)。

5.部署hpa，其yaml文件如下

apiVersion: autoscaling/v2beta2 kind: HorizontalPodAutoscaler metadata:name: hpa-asdfvsnamespace: my-nginx spec:scaleTargetRef:apiVersion: apps/v1beta1kind: Deploymentname: my-nginxminReplicas: 1maxReplicas: 10metrics:- type: Objectobject:metric:name: node_cpudescribedObject:apiVersion: v1kind: Podname: prometheus-node-exporter-b25zltarget:type: Valuevalue: 9805m

我們將根據(jù)prometheus-node-exporter這個pod的node_cpu這個指標(biāo)來動態(tài)伸縮我們的nginx應(yīng)用。

我們來獲取一下這個hpa

kubectl get horizontalPodAutoscaler -n my-nginx hpa-asdfvs -oyaml

apiVersion: autoscaling/v1 kind: HorizontalPodAutoscaler metadata:annotations:autoscaling.alpha.kubernetes.io/conditions: '[{"type":"AbleToScale","status":"True","lastTransitionTime":"2019-10-29T02:54:50Z","reason":"ReadyForNewScale","message":"recommendedsize matches current size"},{"type":"ScalingActive","status":"True","lastTransitionTime":"2019-10-29T03:05:24Z","reason":"ValidMetricFound","message":"theHPA was able to successfully calculate a replica count from Pod metric node_cpu"},{"type":"ScalingLimited","status":"False","lastTransitionTime":"2019-10-29T02:54:50Z","reason":"DesiredWithinRange","message":"thedesired count is within the acceptable range"}]'autoscaling.alpha.kubernetes.io/current-metrics: '[{"type":"Object","object":{"target":{"kind":"Pod","name":"prometheus-node-exporter-b25zl","apiVersion":"v1"},"metricName":"node_cpu","currentValue":"3822m"}}]'autoscaling.alpha.kubernetes.io/metrics: '[{"type":"Object","object":{"target":{"kind":"Pod","name":"prometheus-node-exporter-b25zl","apiVersion":"v1"},"metricName":"node_cpu","targetValue":"9805m"}}]'kubectl.kubernetes.io/last-applied-configuration: |{"apiVersion":"autoscaling/v2beta2","kind":"HorizontalPodAutoscaler","metadata":{"annotations":{},"name":"hpa-asdfvs","namespace":"my-nginx"},"spec":{"maxReplicas":10,"metrics":[{"object":{"describedObject":{"apiVersion":"v1","kind":"Pod","name":"prometheus-node-exporter-b25zl"},"metric":{"name":"node_cpu"},"target":{"type":"Value","value":"9805m"}},"type":"Object"}],"minReplicas":1,"scaleTargetRef":{"apiVersion":"apps/v1beta1","kind":"Deployment","name":"my-nginx"}}}creationTimestamp: "2019-10-29T02:54:45Z"name: hpa-asdfvsnamespace: my-nginxresourceVersion: "164701"selfLink: "/apis/autoscaling/v1/namespaces/my-nginx/horizontalpodautoscalers/hpa-asdfvs"uid: 76fa6a19-f9f7-11e9-8930-0242c5ccd054 spec:maxReplicas: 10minReplicas: 1scaleTargetRef:apiVersion: apps/v1beta1kind: Deploymentname: my-nginx status:currentReplicas: 1desiredReplicas: 1lastScaleTime: "2019-10-29T03:06:10Z"

可以看到hpa以annotation的方式在v1版本工作，并將matrics字段寫入了annotation中。在annotation的condition字段中，我們清楚地看到HPA已經(jīng)獲取到了這個指標(biāo)。之后我們可以嘗試降低target值來讓pod擴展，或者增加target值來使pod縮減。到這里一個監(jiān)控自定義指標(biāo)的HPA就部署成功了。

總結(jié)

以上是生活随笔為你收集整理的探索Kubernetes HPA的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。