55、Kubernetes Pods和节点自动伸缩指南

vim8coder

墨衍会员 · AI 创作全网分发码龄1天

关注

原创最新推荐文章于 2026-02-19 07:51:06 发布 76 阅读 AI 写同款· GEO 优化 ›

Kubernetes实战指南专栏收录该内容

¥69.90 ¥499.90

61篇文章

订阅专栏

超级会员免费看

Kubernetes Pods和节点自动伸缩指南

在Kubernetes集群中，Pod的调度有时会遇到问题。例如，有如下Pod状态信息：

nginx-deployment-example-59b669d85f-vdn87   1/1     Running   0          52s
nginx-deployment-example-69bd6d55b4-n2mzq   0/1     Pending   0          3s
nginx-deployment-example-69bd6d55b4-qb62p   0/1     Pending   0          3s
nginx-deployment-example-69bd6d55b4-w7xng   0/1     Pending   0          3s

通过以下命令描述处于Pending状态的Pod来进行调查：

$ kubectl describe pod nginx-deployment-example-69bd6d55b4-n2mzq

输出的事件信息显示：

Events:
  Type     Reason            Age                  From               Message
  ----     ------            ----                 ----               -------
  Warning  FailedScheduling  23m (x21 over 121m)  default-scheduler  0/3 nodes 
are available: 1 node(s) had untolerated taint {machine-check-exception: 
memory}, 2 Insufficient cpu. preemption: 0/3 nodes are available: 1 Preemption 
is not helpful for scheduling, 2 No preemption victims found for incoming pod.

这表明没有节点能够容纳需要2000m KCU的容器，因此Pod此时无法调度。接下来，我们将探讨Pod的自动伸缩，首先是垂直自动伸缩。

使用VerticalPodAutoscaler进行Pod垂直自动伸缩

手动管理计算资源的请求和限制值时，需要准确的预估、观察指标并进行基准测试来调整。请求值设置过高会导致计算资源浪费，设置过低则可能使Pod过于密集，导致性能问题。在某些情况下，通过增加Pod可消耗的计算资源进行垂直扩展是扩展Pod工作负载的唯一方法。

为了解决这些问题，可以使用VerticalPodAutoscaler（VPA），它可以动态增加和减少Pod容器的CPU和内存资源请求。VPA的目标是更好地匹配容器的实际使用情况，而不是依赖硬编码的预定义资源请求和限制值。

VPA由名为VerticalPodAutoscaler的自定义资源定义（CRD）对象创建，它不是标准Kubernetes API组的一部分，必须安装在集群中。VPA是Kubernetes生态系统中自动伸缩器项目（https://github.com/kubernetes/autoscaler）的一部分。

VPA有三个主要组件：
| 组件 | 功能 |
| ---- | ---- |
| Recommender | 监控当前和过去的资源消耗，并为Pod容器提供推荐的CPU和内存请求值。 |
| Updater | 检查资源不正确的Pod并删除它们，以便使用更新后的请求和限制值重新创建Pod。 |
| Admission plugin | 为新创建或由其控制器重新创建的Pod设置正确的资源请求和限制。 |

由于Kubernetes不支持动态更改资源请求和限制，因此Updater需要终止Pod，VPA需要依赖Admission插件。

一些Kubernetes产品提供一键或操作员支持来安装VPA，例如OpenShift和GKE。

启用InPlacePodVerticalScaling

Kubernetes 1.27中引入的In-place pod resizing是一个alpha特性，它允许在不重启的情况下动态调整Pod资源，可能会提高应用程序性能和资源效率。

要激活此功能，必须在所有集群节点上启用InPlacePodVerticalScaling功能门。
- Kubernetes集群 ：
1. 更新 /etc/kubernetes/manifests/kube-apiserver.yaml （或您的Kubernetes集群的适当配置）。
2. 添加如下feature-gates：

# /etc/kubernetes/manifests/kube-apiserver.yaml
...
  - command:
    - kube-apiserver
   ...<removed for brevity>...
    - --feature-gates=InPlacePodVerticalScaling=true

minikube环境 ：在集群启动期间加入功能门：

$ minikube start --feature-gates=InPlacePodVerticalScaling=true

在GKE中启用VPA

在Google Kubernetes Engine（GKE）中启用VPA非常简单，只需运行以下命令：

$ gcloud container clusters update <cluster-name> --enable-vertical-pod-autoscaling

此操作会导致Kubernetes控制平面重启。如果要为新集群启用VPA，可以使用额外的参数 --enable-vertical-pod-autoscaling ：

$ gcloud container clusters create k8sforbeginners --num-nodes=2 --zone=us-central1-a --enable-vertical-pod-autoscaling

在其他Kubernetes集群中启用VPA

对于不同的平台，如AKS或EKS（甚至是用于测试的本地部署），需要手动安装VPA，通过向集群添加VPA CRD。具体步骤可参考：https://github.com/kubernetes/autoscaler/tree/master/vertical-pod-autoscaler#installation。

安装步骤如下：
1. 克隆Kubernetes自动伸缩器仓库：

$ git clone https://github.com/kubernetes/autoscaler

$ cd autoscaler/vertical-pod-autoscaler

开始安装：

$ ./hack/vpa-up.sh

验证主要组件Pod是否正确启动：

$ kubectl get pods -n kube-system | grep vpa
vpa-admission-controller-5b64b4f4c4-vsn9j   1/1     Running   0              5m34s
vpa-recommender-54c76554b5-m7wnk            1/1     Running   0              5m34s
vpa-updater-7d5f6fbf9b-rkwlb                1/1     Running   0              5m34s

使用VPA

为了演示，我们需要一个能实际消耗CPU的Deployment。Kubernetes自动伸缩器仓库有一个简单且CPU使用可预测的示例：https://github.com/kubernetes/autoscaler/blob/master/vertical-pod-autoscaler/examples/hamster.yaml。我们将对这个示例进行一些修改并逐步演示。

准备Deployment

为Kubernetes集群启用指标服务器。如果使用minikube集群，可通过以下命令启用：

$ minikube addons enable metrics-server

创建一个新的命名空间：

# vpa/vpa-demo-ns.yaml
---
apiVersion: v1
kind: Namespace
metadata:
  labels:
    project: vpa-demo
  name: vpa-demo

使用以下命令创建命名空间：

$ kubectl apply -f vpa/vpa-demo-ns.yaml

创建 hamster-deployment.yaml YAML清单文件：

# vpa/hamster-deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: hamster
  namespace: vpa-demo
spec:
  selector:
    matchLabels:
      app: hamster
  replicas: 5
  template:
    metadata:
      labels:
        app: hamster
    spec:
      containers:
        - name: hamster
          image: ubuntu:20.04
          resources:
            requests:
              cpu: 100m
              memory: 50Mi
          command:
            - /bin/sh
            - -c
            - while true; do timeout 0.5s yes >/dev/null; sleep 0.5s; done

此Pod中的ubuntu容器会重复消耗最大可用CPU 0.5秒，然后空闲0.5秒，实际CPU使用量平均约为500m KCU，但资源请求值仅为100m KCU，这可能导致Kubernetes调度器做出错误的调度决策。
4. 应用清单到集群：

$ kubectl apply -f vpa/hamster-deployment.yaml

检查 vpa-demo 命名空间中的Pod：

$ kubectl get po -n vpa-demo

验证Pod的CPU使用情况：

$ kubectl top pod -n vpa-demo

创建VPA

VPAs可以通过 .spec.updatePolicy.updateMode 字段指定四种操作模式：
| 模式 | 说明 |
| ---- | ---- |
| Recreate | Pod容器的限制和请求在Pod创建时分配，并根据计算的建议动态更新。要更新值，必须重启Pod，这可能会对应用程序造成干扰。 |
| Auto | 当前等同于Recreate，但当支持Pod容器请求和限制的原地更新时，它可以自动切换到新的更新机制。 |
| Initial | Pod容器的限制和请求值仅在Pod创建时分配。 |
| Off | VPA以仅推荐模式运行，可以在VPA对象中检查推荐值。 |

我们先为 hamster Deployment创建一个以 Off 模式运行的VPA，然后再启用 Auto 模式。
1. 创建 vpa/hamster-vpa.yaml YAML清单：

# vpa/hamster-vpa.yaml
apiVersion: autoscaling.k8s.io/v1
kind: VerticalPodAutoscaler
metadata:
  name: hamster-vpa
  namespace: vpa-demo
spec:
  targetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: hamster
  updatePolicy:
    updateMode: 'Off'
  resourcePolicy:
    containerPolicies:
      - containerName: '*'
        minAllowed:
          cpu: 100m
          memory: 50Mi
        maxAllowed:
          cpu: 1
          memory: 500Mi
        controlledResources:
          - cpu
          - memory

应用清单文件到集群：

$ kubectl apply -f vpa/hamster-vpa.yaml

等待一段时间，让VPA计算出推荐值，然后通过描述VPA来查看推荐值：

$ kubectl describe vpa hamster-vpa -n vpa-demo

推荐值显示应分配比预期的500m KCU略多的CPU和262144k的内存，这为CPU消耗提供了安全缓冲。
4. 将VPA模式改为 Auto ，修改 vpa/hamster-vpa.yaml ：

# vpa/hamster-vpa.yaml
apiVersion: autoscaling.k8s.io/v1
kind: VerticalPodAutoscaler
metadata:
  name: hamster-vpa
  namespace: vpa-demo
spec:
...
  updatePolicy:
    updateMode: Auto
...

应用修改后的清单到集群：

$ kubectl apply -f vpa/hamster-vpa.yaml

一段时间后，会发现Deployment的Pod被VPA重启：

$ kubectl get po -n vpa-demo -w

检查重启后的Pod的资源请求：

$ kubectl describe pod hamster-7fb7dbff7-24p89 -n vpa-demo

可以看到，新启动的Pod的CPU和内存请求已设置为VPA推荐的值。

接下来，我们将讨论如何使用HorizontalPodAutoscaler进行Pod的水平自动伸缩。

使用HorizontalPodAutoscaler进行Pod水平自动伸缩

虽然VPA可以优化资源使用，但要真正扩展运行多个Pod副本的Deployment和StatefulSet，需要使用HorizontalPodAutoscaler（HPA）。HPA的目标是根据当前CPU利用率或其他自定义指标（包括同时使用多个指标）自动调整Deployment或StatefulSet中的副本数量。VPA目前不应与基于CPU/内存指标运行的HPA一起使用，但可以与基于自定义指标运行的HPA结合使用。

下面的流程图展示了垂直和水平伸缩的区别：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A(垂直伸缩):::process --> B(增加单个Pod资源):::process
    C(水平伸缩):::process --> D(增加Pod副本数量):::process

HPAs具有高度可配置性，这里我们将介绍基于目标CPU使用率进行自动伸缩的标准场景。HPA的作用是监控Pod的配置指标（如CPU使用率），并确定是否需要更改副本数量。通常，HPA会计算所有Pod当前指标值的平均值，并判断添加或删除副本是否能使指标值更接近指定的目标值。例如，将目标CPU使用率设置为50%，当应用程序需求增加导致Deployment Pod的CPU使用率达到80%时，HPA会决定添加更多Pod副本，使所有副本的平均使用率接近50%。

HPA是Kubernetes自动伸缩API组中的API资源，当前稳定版本是autoscaling/v2，支持基于内存和自定义指标进行伸缩。使用autoscaling/v1时，autoscaling/v2中引入的新字段会保留为注解。HPA还使用稳定窗口等机制来防止副本过快缩减和不必要的副本抖动。

由于HPA是Kubernetes的内置功能，无需额外安装。我们只需准备一个用于测试的Deployment并创建HorizontalPodAutoscaler Kubernetes资源。

部署用于HPA演示的应用

为了测试HPA，我们将使用标准的CPU使用率指标，因此需要在Deployment Pod上配置CPU请求。同时，我们需要一个能消耗可预测CPU资源的Deployment。

首先，为Kubernetes集群启用指标服务器。如果使用minikube集群，可通过以下命令启用：

$ minikube addons enable metrics-server

GKE具有多维Pod自动伸缩的beta功能，可同时基于CPU指标进行水平伸缩和基于内存使用进行垂直伸缩。

以下是实现HPA的具体步骤：
1. 创建新的命名空间 ：

# hpa/hpa-demo-ns.yaml
---
apiVersion: v1
kind: Namespace
metadata:
  labels:
    project: hpa-demo
  name: hpa-demo

使用以下命令创建命名空间：

$ kubectl apply -f hpa/hpa-demo-ns.yaml

创建Deployment ：

# hpa/todo-deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: todo-app
  namespace: hpa-demo
spec:
  replicas: 1  # 可根据需要调整
  selector:
    matchLabels:
      app: todo
  template:
    metadata:
      labels:
        app: todo
    spec:
      containers:
        - name: todoapp
          image: quay.io/ginigangadharan/todo-app:2.0
          ports:
            - containerPort: 3000
          resources:
            requests:
              memory: "50Mi"   # 请求50 MiB的内存
              cpu: "50m"      # 请求0.05 CPU核心
            limits:
              memory: "100Mi"  # 请求100 MiB的内存
              cpu: "100m"      # 请求0.1 CPU核心

应用配置并确保Pod按预期运行：

$ kubectl apply -f hpa/todo-deployment.yaml
$ kubectl get po -n hpa-demo

创建Service ：

# hpa/todo-service.yaml
apiVersion: v1
kind: Service
metadata:
  name: todo-app
  namespace: hpa-demo
spec:
  type: ClusterIP
  selector:
    app: todo
  ports:
    - port: 8081          # 集群内暴露的端口
      targetPort: 3000    # Pod上的容器端口

应用配置并验证Service资源：

$ kubectl apply -f hpa/todo-service.yaml
$ kubectl get svc -n hpa-demo

通过以上步骤，我们完成了Kubernetes中Pod的垂直和水平自动伸缩的介绍。在实际应用中，需要根据应用程序的特点和需求选择合适的自动伸缩方法，并进行充分的测试和监控，以确保应用程序的性能和稳定性。

标签

#Kubernetes #Pod自动伸缩 #VerticalPodAutoscaler