Kubernetes自动缩扩容HPA算法小结
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Kubernetes自动缩扩容HPA算法小结相关的知识，希望对你有一定的参考价值。
参考技术AKubernetes在autoscalingV2版本的api中支持了Resource、Object、Pods三种指标类型，其中
metrics server从kubelet中的cAdvisor组件中获取，默认情况下，每10s(--cpu-manager-reconcile-period)采样一次，每30s(kubernetesCadvisorWindow)计算一次cpu使用量。
Pod在未Ready状态下，可正常收集metrics
目标副本数是通过一个调整副本的比例系数(usageRatio)计算的。
usageRatio = avgUtilization / target
一般性指标利用率，基于所有容器的当前指标和参与缩扩容计算的pod数量计算
usageRatio = (sum(metrics) / podCount) / target
cpu、memory等资源利用率，基于所有容器的当前指标和requests计算
usageRatio = (sum(metrics) / sum(requests)) / target
如果 Math.abs(1-usageRatio) > tolerance, 则按下面的公式计算目标副本数，否则返回原本副本数
TargetNumOfPods = ceil(usageRatio * podCount)
经实践，在进行滚动升级(Rolling-Update)时，由于cpu load升高会触发HPA。
在扩容计算时，获取所有pod的metrics，刚刚变为ready状态的pod load虽然降低了，但由于指标收集的滞后性，此时拿到的指标大概率是高负载时的数据，由于pod已经ready，该数据将会参与计算目标副本数。
为了避免这种情况，目前做法是，在进行滚动升级之前将HPA移除，待发布完成时，再重建HPA。
k8s关于HPA扩容缩容
以上是关于Kubernetes自动缩扩容HPA算法小结的主要内容，如果未能解决你的问题，请参考以下文章