k8s学习--kubernetes服务自动伸缩之水平伸缩(pod副本伸缩)HPA详细解释与案例应用

---

前言

有任何疑问或不懂的地方均可评论或私信，欢迎交流

HPA简介

简单理解

HAP，全称 Horizontal Pod Autoscaler

简单来说就是根据指标来对pod副本数量进行自动控制
比如说cpu和内存使用率

HPA 定期检查内存和 CPU
使用率高就会自动创建多个副本(上限取决于自定义的数量)
使用率低就会关闭多个副本(下限取决于自定义的数量)

实际生产中，广泛使用这四类指标：
1、Resource metrics - CPU和内存利用率指标
2、Pod metrics - 例如网络利用率和流量
3、Object metrics - 特定对象的指标，比如Ingress, 可以按每秒使用请求数来扩展容器
4、Custom metrics - 自定义监控，比如通过定义服务响应时间，当响应时间达到一定指标时自动扩容

---

详细解释

在 Kubernetes (k8s) 中，HPA 指的是 Horizontal Pod Autoscaler（水平 Pod 自动伸缩）。这是 Kubernetes 中用于自动调整 Pod 副本数量的机制，以应对负载的变化，确保应用程序的高可用性和资源的有效利用。

---

HPA 的工作原理

监控指标
HPA 通过 Kubernetes Metrics Server 或者其他自定义的指标（如 Prometheus），定期获取当前的负载情况。常见的指标包括 CPU 使用率、内存使用率、自定义指标（例如 QPS，查询每秒）等。

调整策略
根据定义的策略，HPA 会判断是否需要增加或减少 Pod 的数量。例如，如果 CPU 使用率超过预设的阈值，HPA 会增加 Pod 的数量；如果 CPU 使用率低于预设的阈值，HPA 会减少 Pod 的数量。

---

监控系统

HPA 依赖于监控系统提供的指标数据，常见的监控系统包括：

Kubernetes Metrics Server
提供基础的 CPU 和内存使用率数据。

Prometheus
一个更强大的监控系统，可以自定义多种指标，并与 Kubernetes 集成。

Datadog、New Relic 等第三方监控工具
可以提供更详细的应用监控数据。

---

负载模式

根据应用的负载模式配置 HPA 的策略：

周期性负载
如果应用负载有明显的周期性变化（如电商网站的流量在白天和晚上波动），可以根据历史数据调整 HPA 策略。

突发负载
对于突发性负载（如新闻网站在重大事件发生时流量激增），需要配置更灵活的伸缩策略，以快速响应负载变化。

持续增长