K8s容器资源限制

深碍√TFBOYSˉ_ 2021-11-02 02:22 412阅读 0赞

在K8s中定义Pod中运行容器有两个维度的限制：  
　1. 资源需求：即运行Pod的节点必须满足运行Pod的最基本需求才能运行Pod。  
　　　如： Pod运行至少需要2G内存，1核CPU  
    2. 资源限额：即运行Pod期间，可能内存使用量会增加，那最多能使用多少内存，这就是资源限额。

![922925-20190802192240788-67892050.png][]

# kubectl  describe  node   node1.zcf.com
        .......................
       Allocated resources:
          (Total limits may be over 100 percent, i.e., overcommitted.)
          Resource           Requests    Limits             #这里显示的就是 资源的需求 和 限额
          --------           --------    ------
          cpu                250m (12%)  0 (0%)
          memory             0 (0%)      0 (0%)
          ephemeral-storage  0 (0%)      0 (0%)
              
        Requests:  就是需求限制，也叫软限制
        Limits：最大限制，也叫硬限制
        通常来说：Limits >= Requests
        并且requests 和 limits 通常要一起配置，若只配置了requests，而不配置limits，则很可能导致Pod会吃掉所有资源。

需要注意：  
　　目前k8s在对资源限制方面还有欠缺，特别是Java应用，因为Pod运行起来后，它看到的资源是Node上全部的资源，虽然可通过requests和limits限制，但我们都知道JVM启动后，它要计算自己的堆内存中不同区域的大小，而这些大小通常是按比例划分的，假若JVM启动后，根据Node上实际的内存大小来计算堆内存中老年代，Eden，幸存区那肯定会出问题，因为，我们给它分片的内存肯定不够，所以这个要特别注意，而解决办法，只能是在启动Java应用前，配置JVM能使用的最大内存量。  
  
  
在K8s的资源：  
　CPU：  
　　我们知道2核2线程的CPU，可被系统识别为4个逻辑CPU，在K8s中对CPU的分配限制是对逻辑CPU做分片限制的。  
　　也就是说分配给容器一个CPU，实际是分配一个逻辑CPU。  
　　而且1个逻辑CPU还可被单独划分子单位，即 1个逻辑CPU，还可被划分为1000个millicore(毫核), 简单说就是1个逻辑CPU，继续逻辑分割为1000个豪核心。  
　　豪核：可简单理解为将CPU的时间片做逻辑分割，每一段时间片就是一个豪核心。  
　　所以：500m 就是500豪核心，即0.5个逻辑CPU.  
  
　内存:  
　　K，M，G，T，P，E \#通常这些单位是以1000为换算标准的。  
　　Ki, Mi, Gi, Ti, Pi, Ei \#这些通常是以1024为换算标准的。  
  
K8s中资源限制对调度Pod的影响：

![922925-20190802192527331-1550157219.png][]

cpu.limits: 是我们设置Pod运行时，最大可使用500m个CPU，但要保障Pod能在Node上成功启动起来，就必需能提供cpu.requests个CPU.  
　　当预选策略在选择备选Node时，会首先考虑当前Pod运行, 其所需资源是否足够, 来做为首要判断条件，假如某Node上已经运行了一些Pod，预选策略会获取当前所有Pod的cpu.requests ，ram.requests等，这里以cpu.requests来说明，比如说某Node上是2核2线程的CPU，所有容器的cpu.requests全部加起来假如已经3.9个CPU了，那么此Node在预选阶段就会被筛选掉。

资源限制配置：  
　　kubectl explain pods.spec.containers.resorces  
　　　　limits：<map\[string\]string>  
　　　　requests：<map\[string\]string>

#以下压测时，若压测内存，可能导致登录容器都成问题，因此改为仅测试CPU。
    apiVersion: v1
    kind: Pod
    metadata:
      name: pod-cpu-limits
      labels:
        app: test
        tier: frontend
    spec:
      containers:
      - name: myapp
        image: ikubernetes/stress-ng
        command: ["/usr/bin/stress-ng","-c 1","--metrics-brief"]
        resources:
          requests:
            cpu: "500m"
            memory: "512Mi"
          limits:
            cpu: "500m"
            memory: "512Mi"

**QoS类型：**  
　Guranteed:  
　　每个容器的CPU，RAM资源都设置了相同值的requests 和 limits属性。  
　　简单说： cpu.limits = cpu.requests  
　　　　　　memory.limits = memory.requests  
　　这类Pod的运行优先级最高，但凡这样配置了cpu和内存的limits和requests，它会自动被归为此类。  
　　Burstable:  
　　　　每个容器至少定义了CPU，RAM的requests属性，这里说每个容器是指：一个Pod中可以运行多个容器。  
　　　　那么这类容器就会被自动归为burstable，而此类就属于中等优先级。  
　　BestEffort:  
　　　　没有一个容器设置了requests 或 limits，则会归为此类，而此类别是最低优先级。  
  
**QoS类型的作用：**  
　　Node上会运行很多Pod，当运行一段时间后，发现Node上的资源紧张了，这时K8s就会根据QoS类别来选择Kill掉一部分Pod，那些会先被Kill掉？  
　　当然就是优先级最低的，也就是BestEffort，若BestEffort被Kill完了，还是紧张，接下来就是Kill中等优先级的，即Burstable，依次类推。  
  
　　这里有个问题，BestEffort因为没有设置requests和limits，可根据谁占用资源最多，就kill谁，但Burstable设置了requests和limits，它的kill标准是什么？  
　　若按照谁占资源多kill谁，那遇到这样的问题，怎么选择？  
　　　　PodA: 启动时设置了memory.request=512M , memory.limits=1G  
　　　　PodB: 设置为: memory.requests=1G, memory.limits=2G  
  
　　　　PodA: 运行了一段时间后，占用了500M了，它可能还有继续申请内存。  
　　　　PodB: 它则占用了512M内存了，但它可能也还需要申请内存。  
　　　　想想，现在Node资源紧张了，会先kill谁？  
　　　　其实，会优先kill PodA ， 为啥？  
　　　　因为它启动时，说自己需要512M内存就够了，但你现在这么积极的申请内存，都快把你需求的内存吃完了，只能说明你太激进了，因此会先kill。  
　　　　而PodB，启动时需要1G，但目前才用了1半，说明它比较温和，因此不会先kill它。

**K8s中Pod监控的指标有以下几类：**  
　　1. Kubernetes系统指标  
　　2. 容器指标，即：容器使用的CPU，内存，存储等资源的统计用量的  
　　3. 应用指标，即业务应用的指标，如：接收了多少用户请求，正在处理的用户请求等等。

**K8s中获取Node资源用量，Pod资源用量要如何实现？**  
　　其实早期K8s中kubelet内封装了一个组件叫cAdvisor，它启动后，会监听在14041端口上，来对外提供单节点上Node和Pod的资源统计用量，但是由于安全性问题，后期就将kubelet上的cAdvisor改为不监听，而是会通过配置HeapSter Pod的访问cAdvisor的地址，将自己的统计数据发送给它，由它来负责存储这些统计数据，但HeapSter它默认是将数据存储在缓存中，不能持久存储，因此它需要借助InfluxDB来实现数据的持久化，这些资源统计用量被发给HeapSter后，若通过命令行工具来获取指定Node上的资源使用统计，以及Pod的资源使用统计时，可以用kubectl top   \[node |pod\] 来查看，但若想查看历史数据，就不能实现了，因为命令行工具只能从HeapSter来获取实时数据，而无法获取历史数据，若要获取历史数据，就必须借助另一个组件叫Grafana，它可以从InfluxDB中读取时序存储的数据，并通过图形界面来展示给用户。

![922925-20190802193150890-2056246984.png][]

HeapSter 由于从Kubernetes1.11.1以后将被废弃，从11.2后将被彻底废弃。  
　　它被废弃的原因是，因为它自身的设计架构上，会去整合很多第三方开发的后端存储组件，其中InfluxDB就是其中之一，由于是第三方组织研发的，所以这就导致了一个问题，若那天第三方对此不感兴趣了，就会放弃对这些后端存储组件的维护，导致无法继续支持K8s后期版本的。另一个原因是在HeapSter中这些第三方存储组件也是作为其核心代码的一部分存在的，因此它带来的问题是，HeapSter的代码会越来越臃肿，而且配置也会越来越复杂，因而K8s才决定放弃HeapSter。

### 下面部署中使用了这样的版本组合： ###

HeapSter-amd64:v1.5.4 + heapster-influxdb-amd64:v1.5 + heapster-grafana-amd64:v5.0.4  
　　\#测试发现，不能正常工作，查看日志一切正常，但是无法正常获取监控指标数据。  
**使用下面这个旧版本的组合，是可以正常工作的,这个需要注意：**  
　HeapSter-amd64:v1.5.1 + heapster-influxdb-amd64:v1.3.3 + heapster-grafana-amd64:v4.4.3  
　　\#这个组合中，grafana配置NodePort后，从外部访问，Grafana没有Web图像接口,但从日志上可以看到外部访问记录,也没有报错,怀疑其可能没有图像界面。  
　　\#所以这个grafana组件可以不安装。另外，我测试将5.0.4的Grafana部署上,它可以连接到InfluxDB,应该是能获取数据,但因为没有默认面板,所以若想测试,需要自行到grafana官网去找一些模板测试。

构建上面三个组件的顺序：

1. 先部署InfluxDB，因为它被HeapSter所依赖  
　　　　wget -c [https://raw.githubusercontent.com/kubernetes-retired/heapster/master/deploy/kube-config/influxdb/influxdb.yaml][https_raw.githubusercontent.com_kubernetes-retired_heapster_master_deploy_kube-config_influxdb_influxdb.yaml]

2. 接着就可以直接应用此清单  
　　　　kubectl  apply  -f  influxdb.yaml  
　　　　若镜像下载失败，可尝试阿里云镜像的谷歌镜像仓库下载:  
　　　　docker pull registry.cn-hangzhou.aliyuncs.com/google\_containers/heapster-influxdb-amd64:v1.5.2

3. 验证  
　　　　\# kubectl  get  pod  -n  kube-system

\#kubectl describe pod  -n kube-system  monitoring-influxdb-xxxxx  
　　　　\#从输出的信息中可以看到默认influxdb使用HTTP协议来对对外提供服务，你可以通过它的一些专用客户端工具来登入它，查看它所提供的服务。

4. 接下来创建HeapSter，但创建HeapSter前需要先创建它所有依赖的RBAC配置，因为默认使用kubeasz部署的K8s集群是启用了RBAC的，因此需要先创建HeapSter所需的RBAC配置.  
　　　wget -c [https://raw.githubusercontent.com/kubernetes-retired/heapster/master/deploy/kube-config/rbac/heapster-rbac.yaml][https_raw.githubusercontent.com_kubernetes-retired_heapster_master_deploy_kube-config_rbac_heapster-rbac.yaml]

kubectl  apply   heapster-rbac.yaml

\#创建完RBAC后，就可以创建heapster Pod了。  
　　　　wget [https://raw.githubusercontent.com/kubernetes-retired/heapster/master/deploy/kube-config/influxdb/heapster.yaml][https_raw.githubusercontent.com_kubernetes-retired_heapster_master_deploy_kube-config_influxdb_heapster.yaml]

#需要注意：
    apiVersion: v1
    kind: ServiceAccount     #heapSter需要使用一个服务帐户,因为它需要能从所有Node上获取Pod的资源统计信息,因此它必须被授权.
    metadata:
      name: heapster
      namespace: kube-system
    
    #在HeapSter容器定义部分可以看到它引用了上面创建的SA帐户
    spec:
      serviceAccountName: heapster
      containers:
      - name: heapster
        image: k8s.gcr.io/heapster-amd64:v1.5.4
        imagePullPolicy: IfNotPresent
        command:
            - /heapster
            - --source=kubernetes:https://kubernetes.default        #这里是定义HeapSter从K8s内部访问APIServer的地址.
            - --sink=influxdb:http://monitoring-influxdb.kube-system.svc:8086     
                 #这是指明HeapSter访问InfluxDB的地址，因为InfluxDB是Pod,不能直接访问Pod的IP，因此这里访问的是InfluxDB前端的SerivseIP。
    
    #另外还有注意，HeapSter也需要Serivce
    apiVersion: v1
    kind: Service
    .....
      name: heapster
      namespace: kube-system
    spec:
      ports:
      - port: 80           #这里可以看到它在Node上暴露的端口是80
        targetPort: 8082   #HeapSter在Pod内部启动的端口为8082
     type: NodePort        #若需要K8s外部访问HeapSter，可修改端口类型为NodePort
      selector:
        k8s-app: heapster

\#接着执行应用此清单  
　　  kubectl  apply  -f   heapster.yaml

\#查看heapster的日志:

kubectl  logs  -n kube-system   heapster-xxxxx![922925-20190802200428367-1762638366.png][]

5. 最后来部署Grafana  
　　　　wget [https://raw.githubusercontent.com/kubernetes-retired/heapster/master/deploy/kube-config/influxdb/grafana.yaml][https_raw.githubusercontent.com_kubernetes-retired_heapster_master_deploy_kube-config_influxdb_grafana.yaml]

#另外还有需要注意:
    volumeMounts:
        - mountPath: /etc/ssl/certs #它会自动挂载Node上的/etc/ssl/certs目录到容器中，并自动生成证书，因为它使用的HTTPS.
          name: ca-certificates
          readOnly: true
          
    #Grafana启动时，会去连接数据源，默认是InfluxDB，这个配置是通过环境变量来传入的
    env:
     - name: INFLUXDB_HOST
       value: monitoring-influxdb  #这里可看到,它将InfluxDB的Service名传递给Grafana了。
     - name: GF_SERVER_HTTP_PORT
       value: "3000"       #默认Grafara在Pod内启动时,监听的端口也是通过环境变量传入的,默认是3000端口.
    
    #在一个是，我们需要配置Grafana可以被外部直接访问
      ports:
        - port: 80
          targetPort: 3000
        selector:
          k8s-app: grafana
        type:  NodePort

部署完成后，可登录Dashboard查看资源状态统计信息

![922925-20190802200914632-1003528279.png][]

![922925-20190802200929510-1490841003.png][]

**自定义资源：**  
　　在K8s中支持用户根据自己业务的特殊需求去自定义服务组件，来扩展K8s原始的Service，headless等，这种被称为 自制资源定义(CRD)。  
　　另外在K8s中也可自己开发一个新的APIServer，它里面可提供自己所需要的API接口，然后在通过K8s 中的所谓的API聚合器将自己开发的APIServer和K8s自己的APIServer聚合在一起来使用它;在不然就是自己修改K8s源码，来新增需要的功能定义。  
  
　　K8s从1.8开始引入资源指标API，它将资源的内容也当作API接口中的数据直接进行获取，而不像早期HeapSter，需要先部署HeapSter，然后从HeapSter中获取资源指标数据，这样带来的不便是，我们获取数据就需要通过两个地方获取，当获取API资源(Pod, Service,...)是通过APIServer获取，而获取监控资源指标时，就必须从HeapSter中获取，而在新版的K8s中，引入资源指标API就是想避免这种麻烦，让用户再来获取数据时，全部从APIServer来获取，而要实现这个功能，它引入了一个API聚合器，因为资源监控指标API是允许用户自定义开发的，而开发出来的资源指标API通过一个类似代理层的API聚合器 将这些用户开发的资源指标API 和 原始的APIServer联合起来，用户通过访问API聚合器，来获取自己需要的数据，而API聚合器会根据用户的请求，自动将请求转发给APIServer或资源指标API。  
　　需要说明的是 资源指标API 分为两类，一类是核心指标，另一类是非核心指标，核心指标是metrics-server提供的，它也是一个Pod。  
　　HPA：它是水平Pod自动伸缩器，它也是需要获取资源指标来判断，并作出一些预定义动作，如：判断CPU使用率已经80%了，则会自动增加一个Pod，若发现某个Pod的资源使用率很低，一直维持在比如说5%，它可以自动关闭几个该Pod，以便腾出资源供其它Pod使用等。  
　　kubectl top .... 这个命令 和 HPA功能在早期都是需要依赖HeapSter来工作的，但是HeapSter有个很多的缺陷，它只能统计CPU，内存，磁盘等的资源用量，但无法获取其它更多资源指标，这就限制了我们想获取更多信息的途径，另外也使得HPA的功能受到了限制，例如有时候，Pod的CPU，内存等占有率不高，但其访问量却非常高，这时我们也希望能自动创建Pod来分担并发压力，但HeapSter就无法帮我们做的，因此才导致新的资源指标API的出现，以及后来又引入了自定义资源指标的模型。

Prometheus：它可以收集基本指标，同时还可以收集网络报文的收发速率，网络连接的数量，内存，包括进程的新建和回收的速率等等，而这些K8s早期是不支持的，它让我们可以使用这些功能来增强我们的HPA能力。它即作为监控组件使用，也作为一些特殊指标的资源提供者来提供，但这些不是内建的标准核心指标，这些我们统称为自定义指标。  
需要注意Prometheus要想将它监控采集到的数据，转化为指标格式，需要一个特殊的组件，它叫 k8s-prometheus-adapter  
  
**K8s新一代监控指标架构由两部分组成：**

*  核心指标流水线：由Kubelet资源评估器，metrics-server，以及由APIServer提供的API组成，它里面主要提供最核心的监控指标。主要是通过它让Kubernetes自身的组件来了解内部组件和核心使用程序的指标，目前主要包含，CPU(CPU的累积使用率)，内存的实时使用率，Pod的资源占用率和容器的磁盘占用率。【累积使用率：指一个进程累积使用CPU的总时长比例】
 *  监控流水线：用于从系统收集各种指标数据并提供给用户，存储，系统以及HPA来使用。 它包含核心指标，同时也包含许多非核心指标；非核心指标不一定能被K8s所理解，简单说：prometheus采集的数据，k8s可能不理解，因为这些数据定义只有在Prometheus的语境中才有定义，因此才需要一个中间组件叫 k8s-prometheus-adapter来将其转化为k8s能理解的监控指标定义。

metrics-server:  
　　它主要用于提供监控指标API，但它通常是由用户提供的API服务，它本身不是k8s的核心组件，它仅是K8s上的一个Pod，因此为了能让用户无缝的使用metrics-server上提供的API，因此就必须使用kube-aggregator。当然kube-aggregator不仅仅可以聚合传统APIServer和metrics-server，它还可以聚合很多用户自定义的API服务。  
  
/apps/metrics.k8s.io/v1beta1:  
　　这个群组默认是不包含在创建API Server中的，因此你通过 kubectl api-versions 查看，是没有这个群组的，这个群组实际是由 metrics-server 来提供的，而我们需要做的是使用kube-aggregator将这个API群组合并到API Server中去，这样用户再去访问API Server时，就可以访问到此API群组了。

#需要修改两个文件:
    #第一个文件: metrics-server-deployment.yaml
      #此清单文件定义了metrics-server镜像和metrics-server-nanny容器启动的参数，这些参数有些需要修改
      #metrics-server容器:
        command:
            - /metrics-server
            - --metric-resolution=30s
            #- --kubelet-insecure-tls    
                    #网上很多文章都说必须加上此参数, 此参数含义: 
                    #若不能做TLS加密认证，使用不安全的通信也可以.但我测试时，不加也能正常工作，仅做借鉴
            # These are needed for GKE, which doesn't support secure communication yet.
            # Remove these lines for non-GKE clusters, and when GKE supports token-based auth.
            - --kubelet-port=10255
            - --deprecated-kubelet-completely-insecure=true
            - --kubelet-preferred-address-types=InternalIP,Hostname,InternalDNS,ExternalDNS,ExternalIP
                    
      #metrics-server-nanny容器: 
        command:
          - /pod_nanny
          - --config-dir=/etc/config                         
          #下面这些{
         {....}} 这些若不替换，启动metrics-server-nanny容器时会报错，但从报错日志中可以到它们的简单说明
          - --cpu={
        { base_metrics_server_cpu }}       #设置metrics-server基本运行可用CPU豪核数量，测试设置100m
          - --extra-cpu=0.5m
          - --memory={
        { base_metrics_server_memory }} #分配给metrics-server基本运行的内存大小, 测试设置 150Mi
          - --extra-memory={
        { metrics_server_memory_per_node }}Mi  #每个节点上的metrics-server额外分配内存大小，测试50Mi
          - --threshold=5
          - --deployment=metrics-server-v0.3.3
          - --container=metrics-server
          - --poll-period=300000
          - --estimator=exponential
          # Specifies the smallest cluster (defined in number of nodes)
          # resources will be scaled to.
          #- --minClusterSize={
         { metrics_server_min_cluster_size }}               
          #这里字面意思似乎是 设置启动几组Metrics-server,选项说明提示默认是16组. 但这我注释掉了。
    
    #第二个文件：resource-reader.yaml
        rules:
        - apiGroups:
          - ""
          resources:
          - pods
          - nodes
          - nodes/stats  
              #这里需要注意：默认是没有添加的,若只添加nodes，它是获取不到nodes/stats的状态信息的，
              #      因为nodes/stats和nodes是两个不同的资源. nodes/stats是获取节点监控数据的专用资源. 
          - namespaces
        
    #以上两个文件修改好后，就可执行应用了
        kubectl  apply  -f  ./
        
    #在应用使用，可查看kube-system名称空间中 metrics-server pod的创建
        kubectl  get  pod  -n  kube-system  -w        #会发现metrics-server先创建一组,等第二组启动为running后，第一组就会自动终止。目前还没有弄明白是什么逻辑。
    
    #上面修改好后，测试发现还是会报错，但已经不报参数无效的错误了
    # kubectl get pod -n kube-system 
            NAME                                       READY   STATUS    RESTARTS   AGE
            ................
            metrics-server-v0.3.3-7d598d5c9d-qngp7     2/2     Running   0          49s
    
    # kubectl logs -n kube-system metrics-server-v0.3.3-7d598d5c9d-qngp7 -c metrics-server-nanny 
       ERROR: logging before flag.Parse: I0729 13:06:42.923342       1 pod_nanny.go:65] Invoked by [/pod_nanny --config-dir=/etc/config --cpu=100m --extra-cpu=0.5m --memory=300Mi --extra-memory=50Mi --threshold=5 --deployment=metrics-server-v0.3.3 --container=metrics-server --poll-period=300000 --estimator=exponential]
       ERROR: logging before flag.Parse: I0729 13:06:42.923611       1 pod_nanny.go:81] Watching namespace: kube-system, pod: metrics-server-v0.3.3-7d598d5c9d-qngp7, container: metrics-server.
       ERROR: logging before flag.Parse: I0729 13:06:42.923642       1 pod_nanny.go:82] storage: MISSING, extra_storage: 0Gi
       ERROR: logging before flag.Parse: I0729 13:06:42.927214       1 pod_nanny.go:109] cpu: 100m, extra_cpu: 0.5m, memory: 300Mi, extra_memory: 50Mi
       ERROR: logging before flag.Parse: I0729 13:06:42.927362       1 pod_nanny.go:138] Resources: [{Base:{i:{value:100 scale:-3} d:{Dec:<nil>} s:100m Format:DecimalSI} ExtraPerNode:{i:{value:5 scale:-4} d:{Dec:<nil>} s: Format:DecimalSI} Name:cpu} {Base:{i:{value:314572800 scale:0} d:{Dec:<nil>} s:300Mi Format:BinarySI} ExtraPerNode:{i:{value:52428800 scale:0} d:{Dec:<nil>} s:50Mi Format:BinarySI} Name:memory}]
    
    
    
      #上面准备就绪后，就可做以下测试   
        1. 查看api-versions是否多出了一个 metrics.k8s.io/v1beta1
            # kubectl  api-versions
               .............
                metrics.k8s.io/v1beta1
             
        2. 若以上验证都通过了，则可做以下测试
              kubectl  proxy  --ports=8080
              
        3. 在另一个终端访问8080
           curl   http://localhost:8080/apis/metrics.k8s.io/v1beta1
                {
                  "kind": "APIResourceList",
                  "apiVersion": "v1",
                  "groupVersion": "metrics.k8s.io/v1beta1",
                  "resources": [
                    {
                      "name": "nodes",
                      "singularName": "",
                      "namespaced": false,
                      "kind": "NodeMetrics",
                      "verbs": [
                        "get",
                        "list"
                ........................
                }
                   
       #查看收集到的Pods 和 node监控数据
        curl  http://localhost:8080/apis/metrics.k8s.io/v1beta1/node

\#查看是否能获取Node 和 Pod的资源使用情况:

![922925-20190802202652744-408694567.png][]

通过上面部署metrics-server，我们可以获取到核心资源信息了，但是若想获取更多监控资源数据，就必须借助另一个Addons组件来获取，而这个Addons就是prometheus

## ##

### prometheus ###

它本身就是一个监控系统，它类似于Zabbix，它也需要在Node上安装Agent,而prometheus将自己的Agent称为node\_exporter, 但这个node\_exporter它仅是用于给Prometheus提供Node的系统级监控指标数据的，因此，若你想采集MySQL的监控数据，你还需要自己部署一个MySQL\_exporter，才能采集mySQL的监控数据，而且Prometheus还有很多其它重量级的应用exporter，可在用到时自行学习。  
  
　　我们需要知道，若你能获取一个node上的监控指标数据，那么去获取该node上运行的Pod的指标数据就非常容易了。因此Prometheus，就是通过metrics URL来获取node上的监控指标数据的，当然我们还可以通过在Pod上定义一些监控指标数据，然后,定义annotations中定义允许 Prometheus来抓取监控指标数据，它就可以直接获取Pod上的监控指标数据了。  
  
**PromQL:**  
　　这是Prometheus提供的一个RESTful风格的，强大的查询接口，这也是它对外提供的访问自己采集数据的接口。  
　　但是Prometheus采集的数据接口与k8s API Server资源指标数据格式不兼容，因此API Server是不能直接使用Prometheus采集的数据的，需要借助一个第三方开发的k8s-prometheus-adapter来解析prometheus采集到的数据, 这个第三方插件就是通过PromQL接口，获取Prometheus采集的监控数据，然后，将其转化为API Server能识别的监控指标数据格式，但是我们要想通过kubectl来查看这些转化后的Prometheus监控数据，还需要将k8s-prometheus-adpater聚合到API Server中，才能实现直接通过kubectl获取数据 。  
  
\#接下来部署Prometheus的步骤大致为：  
　　1. 部署Prometheus  
　　2. 配置Prometheus能够获取Pod的监控指标数据  
　　3. 在K8s上部署一个k8s-prometheus-adpater Pod  
　　4. 此Pod部署成功后，还需要将其聚合到APIServer中

![922925-20190802202838002-1426529093.png][]

说明：  
　　Prometheus它本身就是一个时序数据库，因为它内建了一个存储 所有eporter 或 主动上报监控指标数据给Prometheus的Push Gateway的数据 存储到自己的内建时序数据库中，因此它不需要想InfluxDB这种外部数据库来存数据。  
　　Prometheus在K8s中通过Service Discovery来找到需要监控的目标主机，然后通过想Grafana来展示自己收集到的所有监控指标数据，另外它还可以通过Web UI 或 APIClients(PromQL)来获取其中的数据。  
　　Prometheus自身没有提供报警功能，它会将自己的报警需求专给另一个组件Alertmanger来实现报警功能。  
  
\#在K8s上部署Prometheus需要注意，因为Prometheus本身是一个有状态数据集，因此建议使用statefulSet来部署并控制它，但是若你只打算部署一个副本，那么使用deployment和statefulSet就不重要了。但是你若需要后期进行纵向或横向扩展它，那你就只能使用StatefulSet来部署了。

部署K8s Prometheus  
需要注意，这是马哥自己做的简版Prometheus，他没有使用PVC，若需要部署使用PVC的Prometheus，可使用kubernetes官方的Addons中的清单来创建。  
官方地址：[https://github.com/kubernetes/kubernetes/tree/master/cluster/addons/prometheus][https_github.com_kubernetes_kubernetes_tree_master_cluster_addons_prometheus]  
马哥版的地址：[https://github.com/iKubernetes/k8s-prom][https_github.com_iKubernetes_k8s-prom]

下面以马哥版本来做说明：
    1. 先部署名称空间：
      kubectl  apply  -f   namespace.yaml
        ---
        apiVersion: v1
        kind: Namespace
        metadata:
          name: prom       #这里需要注意： 他是先创建了一个prom的名称空间，然后，将所有Prometheus的应用都放到这个名称空间了。
                  
    2. 先创建node_exporter:
    cd  node_exporter
      #需要注意：
       apiVersion: apps/v1
        kind: DaemonSet
        metadata:
          name: prometheus-node-exporter
          namespace: prom
       .......
           spec:
              tolerations:   #这里需要注意：你要保障此Pod运行起来后，它能容忍Master上的污点.这里仅容忍了默认Master的污点.这里需要根据实际情况做确认。
              - effect: NoSchedule
                key: node-role.kubernetes.io/master 
             containers:
                  - image: prom/node-exporter:v0.15.2  #这里使用的node-exporter的镜像版本。
                    name: prometheus-node-exporter
    
    #应用这些清单
     kubectl  apply  -f   ./

\#应用完成后，查看Pod

![922925-20190802203628449-2004689036.png][]

#接着进入Prometheus的清单目录
    cd  prometheus
    
    #prometheus-deploy.yaml 它需要的镜像文件可从hub.docker.com中下载，若网速慢的话。
    
    #prometheus-rbac.yaml
        apiVersion: rbac.authorization.k8s.io/v1beta1
        kind: ClusterRole
        metadata:
          name: prometheus
        rules:
        - apiGroups: [""]
          resources:
          - nodes
          - nodes/proxy
          - services
          - endpoints
          - pods
          verbs: ["get", "list", "watch"]
        - apiGroups:
          - extensions
          resources:
          - ingresses
          verbs: ["get", "list", "watch"]
        - nonResourceURLs: ["/metrics"]
          verbs: ["get"]
    
    
    #prometheus-deploy.yaml
        resources:         
        #这里做了一个资源使用限制，需要确认你每个节点上要能满足2G的可用内存的需求，若你的Node上不能满足这个limits，就将这部分删除，然后做测试。   
          limits:
            memory: 2Gi
    
    #接着开始应用这些清单：
       kubectl  apply  -f   ./

\#应用完成后查看：

kubectl  get  all  -n  prom

#现在来部署，让K8s能获取Prometheus的监控数据
     cd  kube-state-metrics
     #此清单中的镜像若不能从google仓库中获取，可到hub.docker.com中搜索镜像名，下载其他人做的测试
     
     #K8s需要通过kube-state-metrics这个组件来进行格式转化，实现将Prometheus的监控数据转换为K8s API Server能识别的格式。
     #但是kube-state-metrics转化后，还是不能直接被K8s所使用，它还需要借助k8s-prometheus-adpater来将kube-state-metrics聚合到k8s的API Server里面，这样才能通过K8s API Server来访问这些资源数据。
     
    #应用kube-state-metrics的清单文件
     　　kubectl   apply  -f  ./

#应用完成后，再次验证

![922925-20190802204454759-940255573.png][]

#以上创建好以后，可先到k8s-prometheus-adapter的开发者github上下载最新的k8s-prometheus-adapter的清单文件
    　　https://github.com/DirectXMan12/k8s-prometheus-adapter/tree/master/deploy/manifests
     #注意： # ！！！！！！！！！ # 使用上面新版本的k8s-prometheus-adapter的话，并且是和马哥版的metrics-server结合使用，需要修改清单文件中的名称空间为prom # !!!!!!!!!!!!!!!
    #     但下面这个文件要特别注意：
        custom-metrics-apiserver-auth-reader-role-binding.yaml
            piVersion: rbac.authorization.k8s.io/v1
            kind: RoleBinding
            metadata:
              name: custom-metrics-auth-reader
              namespace: kube-system     #这个custom-metrics-auth-reader必须创建在kube-system名称空间中，因为它要绑到这个名称空间中的Role上
            roleRef:
              apiGroup: rbac.authorization.k8s.io
              kind: Role                 #此角色是用于外部APIServer认证读的角色
              name: extension-apiserver-authentication-reader
            subjects:
            - kind: ServiceAccount
              name: custom-metrics-apiserver  #这是我们自己创建的SA账号
              namespace: prom #这些需要注意：要修改为prom 
    #以上清单文件下载完成后，需要先修改这些清单文件中的namespace为prom，因为我们要部署的Prometheus都在prom这个名称空间中.
    之后就可以正常直接应用了
    　　kubectl  apply  -f  ./

\# 应用完成后，需要检查  
　　kubectl get all -n prom \#查看所有Pod都已经正常运行后。。  
  
  \# 查看api-versions中是否已经包含了 custom.metrics.k8s.io/v1beta1, 若包含，则说明部署成功  
　　kubectl api-versions  
  
  \# 测试获取custom.metrics.k8s.io/v1beta1的监控数据  
　　curl   [http://localhost:8080/custom.metrics.k8s.io/v1beta1/][http_localhost_8080_custom.metrics.k8s.io_v1beta1]

下面测试将Grafana部署起来，并且让Grafana从Prometheus中获取数据
        
    #部署Grafana,这里部署方法和上面部署HeapSter一样，只是这里仅部署Grafana
    wget  https://raw.githubusercontent.com/kubernetes-retired/heapster/master/deploy/kube-config/influxdb/grafana.yaml
    
    #此清单若需要修改apiVersion，也要向上面修改一样，配置其seletor。
     
    #另外还有需要注意:
       volumeMounts:
        - mountPath: /etc/ssl/certs  #它会自动挂载Node上的/etc/ssl/certs目录到容器中，并自动生成证书，因为它使用的HTTPS.
          name: ca-certificates
          readOnly: true
                  
    #Grafana启动时，会去连接数据源，默认是InfluxDB，这个配置是通过环境变量来传入的
       env:
        #- name: INFLUXDB_HOST
        # value: monitoring-influxdb              
            #这里可看到,它将InfluxDB的Service名传递给Grafana了。
            #需要特别注意：因为这里要将Grafana的数据源指定为Prometheus，所以这里需要将InfluxDB做为数据源给关闭，若你知道如何定义prometheus的配置，
            #也可直接修改，不修改也可以，那就直接注释掉，然后部署完成后，登录Grafana后，在修改它的数据源获取地址。
        - name: GF_SERVER_HTTP_PORT
          value: "3000" 
          #默认Grafara在Pod内启动时,监听的端口也是通过环境变量传入的,默认是3000端口.
        
     #在一个是，我们需要配置Grafana可以被外部直接访问
      ports:
          - port: 80
            targetPort: 3000
          selector:
            k8s-app: grafana
          type:  NodePort
                    
    
    #配置完成后，进行apply
      kubectl  apply  -f   grafana.yaml
      
    #然后查看service对集群外暴露的访问端口
      kubectl   get   svc   -n  prom

\#随后打开浏览器，做以下修改

![922925-20190802205733593-1998423908.png][]

\#接着，你可以查找一个，如何导入第三方做好的模板，然后，从grafana官网下载一个模板，导入就可以获取一个漂亮的监控界面了。  
  \#获取Prometheus的模板文件，可从这个网站获取  
　　[https://grafana.com/grafana/dashboards?search=kubernetes][https_grafana.com_grafana_dashboards_search_kubernetes]

![922925-20190802205808834-911456812.png][]

![922925-20190802205832151-892371315.png][]

**HPA功能：**  
　　正如前面所说，它可根据我们所设定的规则，监控当前Pod整体使用率是否超过我们设置的规则，若超过则设置的根据比例动态增加Pod数量。  
　　举个简单的例子：  
　　假如有3个Pod，我们规定其最大使用率不能高于60%，但现在三个Pod每个CPU使用率都到达90%了，那该增加几个Pod的？  
　　HPA的计算方式是：  
　　　　90% × 3 = 270% , 那在除以60，就是需要增加的Pod数量， 270 / 60 = 4.5 ，也就是5个Pod  
  
\#HPA示例：  
　　kubectl run myapp --image=harbor.zcf.com/k8s/myapp:v1 --replicas=1 \\  
　　　　--requests='cpu=50m,memory=256Mi' --limits='cpu=50m,memory=256Mi' \\  
　　　　--labels='app=myapp' --expose --port=50  
  
\#修改myapp的svcPort类型为NodePort，让K8s集群外部可以访问myapp，这样方便压力测试，让Pod的CPU使用率上升，然后，查看HPA自动创建Pod.  
　　kubectl patch svc myapp -p '\{"spec":\{"type":"NodePort"\}\}'  
  
　　\# kubectl get pods

![922925-20190802205943965-509706362.png][]

**\#这里目前只有一个Pod！！**  
  
　　kubectl describe pod myapp-xxxx 　　 \#可查看到它当前的QoS类别为： Guranteed  
  
\#创建HPA，根据CPU利用率来自动伸缩Pod  
　　kubectl autoscale deployment myapp --min=1 --max=8 --cpu-percent=40

![922925-20190802210032204-1380808843.png][]

#查看当前Pod是Service：
    # kubectl get svc
        NAME         TYPE        CLUSTER-IP      EXTERNAL-IP   PORT(S)        AGE
        ..................
        myapp        NodePort    172.30.162.48   <none>        80:50113/TCP   103m
    
    #创建成功后，就可以通过ab等压测工具来测试自动伸缩
    #apt-get install  apache2-utils
    #
    # ab  -c 1000  -n 3000   http://192.168.111.84:50113
    
    #查看HPA自动伸缩情况
       # kubectl describe hpa
        Name:                                                  myapp
        Namespace:                                             default
       ............................
          resource cpu on pods  (as a percentage of request):  76% (38m) / 40%
        Min replicas:                                                                        1
        Max replicas:                                                                        8
        Deployment pods:                                       6 current / 8 desired   #这里可看到现在已经启动6个Pod
    
            
       
    #创建一个HPA v2版本的自动伸缩其
    #完整配置清单：
    vim  hpa-pod-demo-v2.yaml 
        apiVersion: v1
        kind: Service
        metadata:
          labels:
            app: myapp
          name: myapp-v2
        spec:
          clusterIP: 172.30.10.98
          ports:
          - port: 80
            protocol: TCP
            targetPort: 80
          type: NodePort
          selector:
            app: myapp
        ---
        apiVersion: apps/v1
        kind: Deployment
        metadata:
          labels:
            app: myapp
          name: myapp-v2
        spec:
          replicas: 1
          selector:
            matchLabels:
              app: myapp
          strategy: {}
          template:
            metadata:
              labels:
                app: myapp
            spec:
              containers:
              - image: harbor.zcf.com/k8s/myapp:v1
                name: myapp-v2
                ports:
                - containerPort: 80
                resources:
                  limits:
                    cpu: 50m
                    memory: 256Mi
                  requests:
                    cpu: 50m
                    memory: 256Mi
    
        ---
        apiVersion: autoscaling/v2beta1
        kind: HorizontalPodAutoscaler
        metadata:
          name: myapp-v2
        spec:
          maxReplicas: 8
          minReplicas: 1
          scaleTargetRef:
            apiVersion: extensions/v1beta1
            kind: Deployment
            name: myapp
          metrics:
           - type: Resource
             resource:
               name: cpu
               targetAverageUtilization: 55
           - type: Resource
             resource:
               name: memory
               targetAverageValue: 50Mi

\#压测方便和上面一样。这个配置清单中定义了CPU和内存的资源监控指标，V2是支持内存监控指标的，但V1是不支持的。

![922925-20190802210311820-1548529724.png][]

\#若以后自己程序员开发的Pod，能通过Prometheus导出Pod的资源指标，比如：HTTP的访问量，连接数，我们就可以根据HTTP的访问量或者连接数来做自动伸缩。  
　在那个Pod上的那些指标可用，是取决于你的Prometheus能够从你的Pod的应用程序中获取到什么样的指标的，但是Prometheus能获取的指标是由一定语法要求的，开发要依据  Prometheus支持的RESTful风格的接口，去输出一些指标数据，这指标记录当前系统上Web应用程序所承载的最大访问数等一些指标数据，那我们就可基于这些输出的指标数据，来完成HPA自动伸缩的扩展。  
  
\#自定义资源指标来创建HPA，实现根据Pod中输出的最大连接数来自动扩缩容Pod  
\#下面是一个HPA的定义，你还需要创建一个能输出http\_requests这个自定义资源指标的Pod，然后才能使用下面的HPA的清单。  
  
下面清单是使用自定义资源监控指标 http\_requests 来实现自动扩缩容:  
　　docker pull ikubernetes/metrics-app　　 \#可从这里获取metrics-app镜像

vim  hpa-http-requests.yaml
    apiVersion: v1
    kind: Service
    metadata:
      labels:
        app: myapp
      name: myapp-hpa-http-requests
    spec:
      clusterIP: 172.30.10.99    #要根据实际情况修改为其集群IP
      ports:
      - port: 80
        protocol: TCP
        targetPort: 80
      type: NodePort             #若需要集群外访问，可添加
      selector:
        app: myapp
    ---
    apiVersion: apps/v1
    kind: Deployment
    metadata:
      labels:
        app: myapp
      name: myapp-hpa-http-requests
    spec:
      replicas: 1      #这里指定Pod副本数量为1
      selector:
        matchLabels:
          app: myapp
      strategy: {}
      template:
        metadata:
          labels:
            app: myapp
          annotations:         #annotations一定要，并且要定义在容器中！！
            prometheus.io/scrape: "true"     #这是允许Prometheus到容器中抓取监控指标数据
            prometheus.io/port: "80"                 
            prometheus.io/path: "/metrics"   #这是指定从那个URL路径中获取监控指标数据
        spec:
          containers:
          - image: harbor.zcf.com/k8s/metrics-app  #此镜像中包含了做好的，能输出符合Prometheus监控指标格式的数据定义。
            name: myapp-metrics
            ports:
            - containerPort: 80
            resources:
              limits:
                cpu: 50m
                memory: 256Mi
              requests:
                cpu: 50m
                memory: 256Mi
    
    ---
    apiVersion: autoscaling/v2beta1
    kind: HorizontalPodAutoscaler
    metadata:
      name: myapp-hpa-http-requests
    spec:
      maxReplicas: 8
      minReplicas: 1
      scaleTargetRef:       #这指定要伸缩那些类型的Pod。
        apiVersion: extensions/v1beta1
        kind: Deployment    #这里指定对名为 myapp-hpa-http-requests这个 Deployment控制器 下的所有Pod做自动伸缩.
        name: myapp-hpa-http-requests
      metrics:
       - type: Pods    #设置监控指标是从那种类型的资源上获取：它支持Resource，Object，Pods ；
                       #resource:核心指标如:cpu,内存可指定此类型，若监控的资源指标是从Pod中获取，那类型就是Pods
         pods:
           metricName: http_requests   #http_requests就是自定义的监控指标,它是Prometheus中Pod中获取的。
           targetAverageValue: 800m    #800m：是800个并发请求，因为一个并发请求，就需要一个CPU核心来处理，所以是800个豪核，就是800个并发请求。
         
         
    #  curl http://192.168.111.84:55066/metrics
       #注意：Prometheus抓取数据时，它要求获取资源指标的数据格式如下：
        # HELP   http_requests_total The amount of requests in total   #HELP:告诉Prometheus这个数据的描述信息
        # TYPE   http_requests_total   counter     #TYPE: 告诉Prometheus这个数据的类型
        http_requests_total   1078                 #告诉Prometheus这个数据的值是多少。
    
        # HELP http_requests_per_second The amount of requests per second the latest ten seconds
        # TYPE http_requests_per_second gauge
        http_requests_per_second   0.1
    
                          
    # 测试方法：
    1. 先在一个终端上执行：
       for  i  in  `seq  10000`;  do   curl  http://K8S_CLUSTER_NODE_IP:SERVER_NODE_PORT/ ;  done
    
    2. 查看hpa的状态
      # kubectl   describe   hpa 
        Name:                       myapp-hpa-http-requests
        Namespace:                  default
        .........
        Reference:                  Deployment/myapp-hpa-http-requests
        Metrics:                    ( current / target )
          "http_requests" on pods:  4366m / 800m
        Min replicas:                                1
        Max replicas:                               8
        Deployment pods:            8 current / 8 desired
        ........................
        Events:
          Type     Reason                        Age   From                       Message
          ----     ------                        ----  ----                       -------
          .....................
          Normal   SuccessfulRescale             51s   horizontal-pod-autoscaler  New size: 4; reason: pods metric http_requests above target
          Normal   SuccessfulRescale             36s   horizontal-pod-autoscaler  New size: 8; reason: pods metric http_requests above target
    
    3. 查看Pod
       # kubectl   get   pod
        NAME                                       READY   STATUS    RESTARTS   AGE
        myapp-hpa-http-requests-69c9968cdf-844lb   1/1     Running   0          24s
        myapp-hpa-http-requests-69c9968cdf-8hcjl   1/1     Running   0          24s
        myapp-hpa-http-requests-69c9968cdf-8lx9t   1/1     Running   0          39s
        myapp-hpa-http-requests-69c9968cdf-d4xdr   1/1     Running   0          24s
        myapp-hpa-http-requests-69c9968cdf-k4v6h   1/1     Running   0          114s
        myapp-hpa-http-requests-69c9968cdf-px2rl   1/1     Running   0          39s
        myapp-hpa-http-requests-69c9968cdf-t52xr   1/1     Running   0          39s
        myapp-hpa-http-requests-69c9968cdf-whjl6   1/1     Running   0          24s

转载于:https://www.cnblogs.com/wn1m/p/11291235.html

[922925-20190802192240788-67892050.png]: /images/20211101/942305e42f7544ed8c82ce8184b5b34a.png
[922925-20190802192527331-1550157219.png]: /images/20211101/1e852ebc74584f1e8aef7ae4aba4b9cd.png
[922925-20190802193150890-2056246984.png]: /images/20211101/b0703d351b14475da66620733dfb089e.png
[https_raw.githubusercontent.com_kubernetes-retired_heapster_master_deploy_kube-config_influxdb_influxdb.yaml]: https://raw.githubusercontent.com/kubernetes-retired/heapster/master/deploy/kube-config/influxdb/influxdb.yaml
[https_raw.githubusercontent.com_kubernetes-retired_heapster_master_deploy_kube-config_rbac_heapster-rbac.yaml]: https://raw.githubusercontent.com/kubernetes-retired/heapster/master/deploy/kube-config/rbac/heapster-rbac.yaml
[https_raw.githubusercontent.com_kubernetes-retired_heapster_master_deploy_kube-config_influxdb_heapster.yaml]: https://raw.githubusercontent.com/kubernetes-retired/heapster/master/deploy/kube-config/influxdb/heapster.yaml
[922925-20190802200428367-1762638366.png]: /images/20211101/db01eece3705469d860dae41f74d1cb0.png
[https_raw.githubusercontent.com_kubernetes-retired_heapster_master_deploy_kube-config_influxdb_grafana.yaml]: https://raw.githubusercontent.com/kubernetes-retired/heapster/master/deploy/kube-config/influxdb/grafana.yaml
[922925-20190802200914632-1003528279.png]: /images/20211101/1c91d621c8ea42b9a624303759216ed9.png
[922925-20190802200929510-1490841003.png]: /images/20211101/1577d191aad64fd2b838010e4e0e1205.png
[922925-20190802202652744-408694567.png]: /images/20211101/2c5d8120219842e89693fc17cfd13759.png
[922925-20190802202838002-1426529093.png]: /images/20211101/9cc8b3e30f594fb0ae245e3465c0dd2b.png
[https_github.com_kubernetes_kubernetes_tree_master_cluster_addons_prometheus]: https://github.com/kubernetes/kubernetes/tree/master/cluster/addons/prometheus
[https_github.com_iKubernetes_k8s-prom]: https://github.com/iKubernetes/k8s-prom
[922925-20190802203628449-2004689036.png]: /images/20211101/7298c49033ce4703b85db7a5ef19f833.png
[922925-20190802204454759-940255573.png]: /images/20211101/f80982bc331441358cf33d842535a934.png
[http_localhost_8080_custom.metrics.k8s.io_v1beta1]: http://localhost:8080/custom.metrics.k8s.io/v1beta1/
[922925-20190802205733593-1998423908.png]: /images/20211101/2fef148d7c6a4f0ba2aa85d76fdfe215.png
[https_grafana.com_grafana_dashboards_search_kubernetes]: https://grafana.com/grafana/dashboards?search=kubernetes
[922925-20190802205808834-911456812.png]: /images/20211101/01b00f25c23b4b19804fcf803bf6e47c.png
[922925-20190802205832151-892371315.png]: /images/20211101/89e47a8c1f0b49b9a891e2237d188988.png
[922925-20190802205943965-509706362.png]: /images/20211101/4e18f36a36144479bd081f9446c10c91.png
[922925-20190802210032204-1380808843.png]: /images/20211101/ea0ef413fb1943f09f01b2b079613038.png
[922925-20190802210311820-1548529724.png]: /images/20211101/c0069587583c4f14a2eb4ba4ae7a864e.png