023.Kubernetes掌握Pod-Pod擴容和縮容-有解無憂

一 Pod的擴容和縮容

Kubernetes對Pod的擴縮容操作提供了手動和自動兩種模式，手動模式通過執行kubectl scale命令或通過RESTful API對一個Deployment/RC進行Pod副本數量的設定，自動模式則需要用戶根據某個性能指標或者自定義業務指標，并指定Pod副本數量的范圍，系統將自動在這個范圍內根據性能指標的變化進行調整，

1.1 手動縮容和擴容

  1 [root@uk8s-m-01 study]# vi nginx-deployment.yaml
  2 apiVersion: apps/v1beta1
  3 kind: Deployment
  4 metadata:
  5   name: nginx-deployment
  6 spec:
  7   replicas: 3
  8   template:
  9     metadata:
 10       labels:
 11         app: nginx
 12     spec:
 13       containers:
 14       - name: nginx
 15         image: nginx:1.7.9
 16         ports:
 17         - containerPort: 80

  1 [root@uk8s-m-01 study]# kubectl create -f nginx-deployment.yaml
  2 [root@uk8s-m-01 study]# kubectl scale deployment nginx-deployment --replicas=5	#擴容至5個
  3 [root@uk8s-m-01 study]# kubectl get pods	                                	#查看擴容后的Pod

  1 [root@uk8s-m-01 study]# kubectl scale deployment nginx-deployment --replicas=2	#縮容至2個
  2 [root@uk8s-m-01 study]# kubectl get pods

1.2 自動擴容機制

Kubernetes使用Horizontal Pod Autoscaler（HPA）的控制器實作基于CPU使用率進行自動Pod擴縮容的功能，HPA控制器基于Master的kube-controller-manager服務啟動引數--horizontal-pod-autoscaler-sync-period定義的探測周期（默認值為15s），周期性地監測目標Pod的資源性能指標，并與HPA資源物件中的擴縮容條件進行對比，在滿足條件時對Pod副本數量進行調整，

HPA原理

Kubernetes中的某個Metrics Server（Heapster或自定義MetricsServer）持續采集所有Pod副本的指標資料，HPA控制器通過Metrics Server的API（Heapster的API或聚合API）獲取這些資料，基于用戶定義的擴縮容規則進行計算，得到目標Pod副本數量，當目標Pod副本數量與當前副本數量不同時，HPA控制器就向Pod的副本控制器（Deployment、RC或ReplicaSet）發起scale操作，調整Pod的副本數量，完成擴縮容操作， clipboard

HPA指標型別

Master的kube-controller-manager服務持續監測目標Pod的某種性能指標，以計算是否需要調整副本數量，目前Kubernetes支持的指標型別如下： Pod資源使用率：Pod級別的性能指標，通常是一個比率值，例如CPU使用率， Pod自定義指標：Pod級別的性能指標，通常是一個數值，例如接收的請求數量， Object自定義指標或外部自定義指標：通常是一個數值，需要容器應用以某種方式提供，例如通過HTTP URL“/metrics”提供，或者使用外部服務提供的指標采集URL， Metrics Server將采集到的Pod性能指標資料通過聚合API（Aggregated API）如metrics.k8s.io、 custom.metrics.k8s.io和external.metrics.k8s.io提供給HPA控制器進行查詢，

擴縮容演算法

Autoscaler控制器從聚合API獲取到Pod性能指標資料之后，基于下面的演算法計算出目標Pod副本數量，與當前運行的Pod副本數量進行對比，決定是否需要進行擴縮容操作： desiredReplicas = ceil[currentReplicas * ( currentMetricValue / desiredMetricValue )] 即當前副本數 x（當前指標值/期望的指標值），將結果向上取整， 釋義：以CPU請求數量為例，如果用戶設定的期望指標值為100m，當前實際使用的指標值為200m，則計算得到期望的Pod副本數量應為兩個（200/100=2），如果設定的期望指標值為50m，計算結果為0.5，則向上取整值為1，得到目標Pod副本數量應為1個，注意：當計算結果與1非常接近時，可以設定一個容忍度讓系統不做擴縮容操作，容忍度通過kube-controller-manager服務的啟動引數--horizontalpod-autoscaler-tolerance進行設定，默認值為0.1（即10%），表示基于上述演算法得到的結果在[-10%-+10%]區間內，即[0.9-1.1]，控制器都不會進行擴縮容操作，也可以將期望指標值（desiredMetricValue）設定為指標的平均值型別，例如targetAverageValue或targetAverageUtilization，此時當前指標值（currentMetricValue）的演算法為所有Pod副本當前指標值的總和除以Pod副本數量得到的平均值，此外，存在幾種Pod例外的如下情況：

Pod正在被洗掉（設定了洗掉時間戳）：將不會計入目標Pod副本數量，
Pod的當前指標值無法獲得：本次探測不會將這個Pod納入目標Pod副本數量，后續的探測會被重新納入計算范圍，
如果指標型別是CPU使用率，則對于正在啟動但是還未達到Ready狀態的Pod，也暫時不會納入目標副本數量范圍，

提示：可以通過kubecontroller-manager服務的啟動引數--horizontal-pod-autoscaler-initialreadiness-delay設定首次探測Pod是否Ready的延時時間，默認值為30s， 另一個啟動引數--horizontal-pod-autoscaler-cpuinitialization-period設定首次采集Pod的CPU使用率的延時時間， 當存在缺失指標的Pod時，系統將更保守地重新計算平均值，系統會假設這些Pod在需要縮容（Scale Down）時消耗了期望指標值的100%，在需要擴容（Scale Up）時消耗了期望指標值的0%，這樣可以抑制潛在的擴縮容操作，此外，如果存在未達到Ready狀態的Pod，并且系統原本會在不考慮缺失指標或NotReady的Pod情況下進行擴展，則系統仍然會保守地假設這些Pod消耗期望指標值的0%，從而進一步抑制擴容操作，如果在HorizontalPodAutoscaler中設定了多個指標，系統就會對每個指標都執行上面的演算法，在全部結果中以期望副本數的最大值為最終結果，如果這些指標中的任意一個都無法轉換為期望的副本數（例如無法獲取指標的值），系統就會跳過擴縮容操作，最后，在HPA控制器執行擴縮容操作之前，系統會記錄擴縮容建議資訊（Scale Recommendation），控制器會在操作時間視窗（時間范圍可以配置）中考慮所有的建議資訊，并從中選擇得分最高的建議，這個值可通過kube-controller-manager服務的啟動引數--horizontal-podautoscaler-downscale-stabilization-window進行配置，默認值為5min，這個配置可以讓系統更為平滑地進行縮容操作，從而消除短時間內指標值快速波動產生的影響，

1.3 HorizontalPodAutoscaler

Kubernetes將HorizontalPodAutoscaler資源物件提供給用戶來定義擴縮容的規則， HorizontalPodAutoscaler資源物件處于Kubernetes的API組“autoscaling”中，目前包括v1和v2兩個版本，其中autoscaling/v1僅支持基于CPU使用率的自動擴縮容， autoscaling/v2則用于支持基于任意指標的自動擴縮容配置，包括基于資源使用率、 Pod指標、其他指標等型別的指標資料，示例1：基于autoscaling/v1版本的HorizontalPodAutoscaler配置，僅可以設定CPU使用率，

  1 [root@uk8s-m-01 study]# vi php-apache-autoscaling-v1.yaml
  2 apiVersion: autoscaling/v1
  3 kind: HorizontalPodAutoscaler
  4 metadata:
  5   name: php-apache
  6 spec:
  7   scaleTargetRef:
  8     apiVersion: apps/v1
  9     kind: Deployment
 10     name: php-apache
 11   minReplicas: 1
 12   maxReplicas: 10
 13   targetCPUUtilizationPercentage: 50

釋義： scaleTargetRef：目標作用物件，可以是Deployment、ReplicationController或ReplicaSet， targetCPUUtilizationPercentage：期望每個Pod的CPU使用率都為50%，該使用率基于Pod設定的CPU Request值進行計算，例如該值為200m，那么系統將維持Pod的實際CPU使用值為100m， minReplicas和maxReplicas：Pod副本數量的最小值和最大值，系統將在這個范圍內進行自動擴縮容操作，并維持每個Pod的CPU使用率為50%，為了使用autoscaling/v1版本的HorizontalPodAutoscaler，需要預先安裝Heapster組件或Metrics Server，用于采集Pod的CPU使用率，示例2：基于autoscaling/v2beta2的HorizontalPodAutoscaler配置，

  1 [root@uk8s-m-01 study]# vi php-apache-autoscaling-v2.yaml
  2 apiVersion: autoscaling/v2beta2
  3 kind: HorizontalPodAutoscaler
  4 metadata:
  5   name: php-apache
  6 spec:
  7   scaleTargetRef:
  8     apiVersion: apps/v1
  9     kind: Deployment
 10     name: php-apache
 11   minReplicas: 1
 12   maxReplicas: 10
 13   metrics:
 14   - type: Resource
 15     resource:
 16       name: cpu
 17       target:
 18         type: Utilization
 19         averageUtilization: 50

釋義： scaleTargetRef：目標作用物件，可以是Deployment、ReplicationController或ReplicaSet， minReplicas和maxReplicas：Pod副本數量的最小值和最大值，系統將在這個范圍內進行自動擴縮容操作，并維持每個Pod的CPU使用率為50%， metrics：目標指標值，在metrics中通過引數type定義指標的型別；通過引數target定義相應的指標目標值，系統將在指標資料達到目標值時（考慮容忍度的區間）觸發擴縮容操作，

metrics中的type（指標型別）設定為以下幾種：

Resource：基于資源的指標值，可以設定的資源為CPU和記憶體，
Pods：基于Pod的指標，系統將對全部Pod副本的指標值進行平均值計算，
Object：基于某種資源物件（如Ingress）的指標或應用系統的任意自定義指標，

Resource型別的指標可以設定CPU和記憶體，對于CPU使用率，在target引數中設定averageUtilization定義目標平均CPU使用率，對于記憶體資源，在target引數中設定AverageValue定義目標平均記憶體使用值，指標資料可以通過API“metrics.k8s.io”進行查詢，要求預先啟動Metrics Server服務， Pods型別和Object型別都屬于自定義指標型別，指標的資料通常需要搭建自定義Metrics Server和監控工具進行采集和處理，指標資料可以通過API“custom.metrics.k8s.io”進行查詢，要求預先啟動自定義Metrics Server服務，型別為Pods的指標資料來源于Pod物件本身，其target指標型別只能使用AverageValue，示例：

  1  metrics:
  2   - type: Pods
  3     pods:
  4       metrics:
  5         name: packets-per-second
  6       target:
  7         type: AverageValue
  8         averageValue: 1k

轉載請註明出處，本文鏈接：https://www.uj5u.com/caozuo/153340.html

標籤：Linux

上一篇：manjaro安裝后的配置

下一篇：Linux就該這么學——安裝配置VM虛擬機