kubernetes基于Metrics Server的HPA弹性伸缩pod

旧城等待， 2024-04-17 15:40 92阅读 0赞

### 文章目录 ###

*   *  概念
     *   *  实现hpa的两大关键
         *  celi函数作用：
         *  实现hpa的条件：
     *  配置HPA
     *   *  kubeadm方式
         *  配置HPA
         *  检查pods和hpa
     *  使用webbench进行压力测试

## 概念 ##

HPA是kubernetes里面pod弹性伸缩的实现,它能根据设置的监控阀值进行pod的弹性扩缩容，目前默认HPA只能支持cpu和内存的阀值检测扩缩容，但也可以通过custom metric api 调用prometheus实现自定义metric 来更加灵活的监控指标实现弹性伸缩。但hpa不能用于伸缩一些无法进行缩放的控制器如DaemonSet。这里我们用的是resource metric api.

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIzNTk4MDM3_size_16_color_FFFFFF_t_70]

### 实现hpa的两大关键 ###

1、监控指标的获取  
早期kubernetes版本是使用hepster，在1.10后面版本更推荐使用metric-server

hepster简单来说是api-server获取节点信息，然后通过kubelet获取监控信息，因为kubelet内置了cadvisor。

metric-server，简单来说是通过metric-api来获取节点信息和监控信息。https://github.com/kubernetes-incubator/metrics-server

2、伸缩判定算法  
HPA通过定期（定期轮询的时间通过–horizontal-pod-autoscaler-sync-period选项来设置，默认的时间为30秒）查询pod的状态，获得pod的监控数据。然后，通过现有pod的使用率的平均值跟目标使用率进行比较。  
pod的使用率的平均值：  
监控资源1分钟使用的平均值/设定的每个Pod的request资源值

扩容的pod数计算公式

TargetNumOfPods = ceil(sum(CurrentPodsCPUUtilization) / Target)

### celi函数作用： ###

返回大于或者等于指定表达式的最小整数

在每次扩容和缩容时都有一个窗口时间，在执行伸缩操作后，在这个窗口时间内，不会在进行伸缩操作，可以理解为类似等一下放技能的冷却时间。默认扩容为3分钟(–horizontal-pod-autoscaler-upscale-delay)，缩容为5分钟(–horizontal-pod-autoscaler-downscale-delay)。另外还需要以下情况下才会进行任何缩放avg（CurrentPodsConsumption）/ Target下降9%，进行缩容，增加至10%进行扩容。以上两条件需要都满足。

这样做好处是：

1.  判断的精度高，不会频繁的扩缩pod，造成集群压力大。
2.  避免频繁的扩缩pod，防止应用访问不稳定。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIzNTk4MDM3_size_16_color_FFFFFF_t_70 1]

### 实现hpa的条件： ###

1.  hpa不能autoscale daemonset类型control
2.  要实现autoscale，pod必须设置**request**

## 配置HPA ##

这里以kubeadm 部署和的kubernetes 1.11和Rancher2.0部署的kubernetes 1.10为例  
环境信息

> 操作系统：Centos 7.5  
> kubernetes版本：v1.14.6

### kubeadm方式 ###

将metric-server从github拉取下来

git clone git@github.com:kubernetes-incubator/metrics-server.git
    或者手动下载到本地再上传到主机
    https://github.com/kubernetes-incubator/metrics-server

早期kubelet的10255端口是开放，但后面由于10255是一个非安全的端口容易被入侵，所以被关闭了。metric-server默认是从kubelet的10255端口去拉取监控信息的，所以这里需要修改从10250去拉取

edit  metrics-server-master/deploy/1.8+/metrics-server-deployment.yaml
    
    修改source为以下内容。

**–source=kubernetes.summary\_api:https://kubernetes.default?kubeletHttps=true&kubeletPort=10250&insecure=true**

apply yaml该文件

kubectl apply -f metrics-server-master/deploy/1.8+/

查看pod和node监控信息

kubectl top pods
    kubectl top nodes

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIzNTk4MDM3_size_16_color_FFFFFF_t_70 2]  
创建个Deployment测试

apiVersion: v1
    kind: Service
    metadata:
      name: autuscalertest
      labels:
        app: autuscalertest
    spec:
      type: NodePort
      ports:
        - port: 80
          targetPort: 80
          nodePort: 30110
          protocol: TCP
      selector:
        app: autuscalertest
    ---
    apiVersion: extensions/v1beta1
    kind: Deployment
    metadata:
      name: autuscalertest
    spec:
      replicas: 2
      template:
        metadata:
          labels:
            app: autuscalertest
          annotations:
            prometheus.io/scrape: 'true'
        spec:
          containers:
          - name: podinfod
            image: nginx:alpine
            imagePullPolicy: Never
            ports:
            - containerPort: 80
              protocol: TCP
            resources:
              requests:
                memory: "32Mi"
                cpu: "1m"
              limits:
                memory: "256Mi"
                cpu: "100m"

注意：容器端口为80，映射主机端口为9899

### 配置HPA ###

创建HorizontalPodAutoscaler类型yaml文件，apply -f

apiVersion: autoscaling/v2beta1
    kind: HorizontalPodAutoscaler
    metadata:
      name: autuscalertest
    spec:
      scaleTargetRef:
        apiVersion: extensions/v1beta1
        kind: Deployment
        name: autuscalertest
      minReplicas: 2
      maxReplicas: 4
      metrics:
      - type: Resource
        resource:
          name: cpu
          targetAverageUtilization: 40
      - type: Resource
        resource:
          name: memory
          targetAverageUtilization: 45

### 检查pods和hpa ###

![在这里插入图片描述][2019082817125353.png]![在这里插入图片描述][20190828171212778.png]

## 使用webbench进行压力测试 ##

1.  编译安装

> \#wget http://www.ha97.com/code/webbench-1.5.tar.gz  
> \#tar zxvf webbench-1.5.tar.gz  
> \#cd webbench-1.5  
> \#make  
> \#make install

1.  使用  
    webbench -c 1000 -t 12360 http://主机ip:9899/  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIzNTk4MDM3_size_16_color_FFFFFF_t_70 3]  
    可以看见随着cpu压力的增加，已经自动scale了，需要注意的是，scale up是一个阶段性的过程，并不是一次性就直接scale到max了，而是一个阶段性的过程，判定算法就是上文介绍的内容。  
    隔断时间没操作压力下来后，自动缩减pod

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIzNTk4MDM3_size_16_color_FFFFFF_t_70]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/17/18331b79246a49bd8d8a10118954df25.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIzNTk4MDM3_size_16_color_FFFFFF_t_70 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/17/8807542fbef64719b851e1840634cb56.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIzNTk4MDM3_size_16_color_FFFFFF_t_70 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/17/934d96eea6dc4aa7aab503f4389acb90.png
[2019082817125353.png]: https://img-blog.csdnimg.cn/2019082817125353.png
[20190828171212778.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/17/93080efdad724237ae91d59267457f86.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIzNTk4MDM3_size_16_color_FFFFFF_t_70 3]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/17/152f3a38f532472f9ed47a7c7ce71522.png