3. 容量规划核心概念：垂直扩缩容、水平扩缩容、集群自动伸缩
在云原生环境中，容量规划的核心目标是在成本与性能之间找到动态平衡点。Kubernetes 提供了三种基础扩缩容手段：垂直扩缩容（VPA）、水平扩缩容（HPA）和集群自动伸缩（CA）。理解这三者的原理、适用场景及局限性，是制定联合治理策略的前提。
3.1 垂直扩缩容（Vertical Pod Autoscaler, VPA）
垂直扩缩容通过调整 Pod 的 Request 和 Limit（CPU / 内存）来匹配实际负载。VPA 会重启 Pod 以应用新的资源规格，因此对无状态或可优雅重启的工作负载更友好。
| 特性 | 说明 |
|---|---|
| 调整对象 | Pod 的 CPU / 内存 Request 和 Limit |
| 触发方式 | 基于历史指标或实时指标（推荐使用 Histogram 聚合） |
| Pod 行为 | 需要重建 Pod 才能生效（UpdateMode: Auto） |
| 典型场景 | 单体应用、有状态组件、无法水平扩展的中间件 |
| 风险 | 频繁重启导致抖动；与 HPA 共用 CPU 指标时可能冲突 |
最佳实践：VPA 推荐与 HPA 配合使用时，将 VPA 的
updateMode 设置为 Initial，仅在 Pod 创建时设置一次资源规格，避免运行时冲突。
3.2 水平扩缩容（Horizontal Pod Autoscaler, HPA）
水平扩缩容通过增加或减少 Pod 副本数来应对负载变化。HPA 基于 CPU 利用率、内存利用率或自定义指标（如 QPS、队列深度）驱动，是 Kubernetes 中最常用的弹性策略。
- 指标来源：Metrics Server（CPU/内存）、Prometheus Adapter（自定义指标）、External Metrics（外部系统指标）。
- 算法：期望副本数 = 当前副本数 × (当前指标值 / 目标指标值)。
- 冷却机制：
--horizontal-pod-autoscaler-downscale-stabilization防止频繁抖动。
关键参数：
targetAverageUtilization 通常设置为 50%–80%，避免过载同时保留突发缓冲。对于延迟敏感型服务，建议使用自定义指标（如 P99 延迟）替代 CPU 利用率。
3.3 集群自动伸缩（Cluster Autoscaler, CA）
集群自动伸缩在节点层面工作。当 Pod 因资源不足而处于 Pending 状态时，CA 会向云提供商 API 请求增加节点；当节点利用率持续低于阈值时，CA 会缩容空闲节点。
| 维度 | VPA | HPA | CA |
|---|---|---|---|
| 作用范围 | Pod 级别 | Pod 级别 | 节点级别 |
| 调整对象 | 资源规格（Request/Limit） | 副本数 | 节点数 |
| 生效速度 | 慢（需重建 Pod） | 快（秒级） | 慢（分钟级，依赖云 API） |
| 成本影响 | 间接（提高节点利用率） | 直接（Pod 数增加） | 直接（节点数增加） |
| 典型依赖 | VPA Recommender | Metrics Server / Prometheus | 云提供商（AWS/GCP/Azure） |
3.4 联合治理中的版本漂移风险
当 VPA、HPA 和 CA 同时运行时，版本漂移风险显著增加：
- VPA 与 HPA 冲突：VPA 调整 CPU Request 后，HPA 基于 CPU 利用率计算的副本数可能突变，导致过度扩缩或缩容。
- CA 与 HPA 时序错位：CA 启动新节点需要 2–5 分钟，期间 HPA 可能因资源不足而持续创建 Pod，造成副本数膨胀。
- 配置版本不一致：不同命名空间或集群的 VPA/HPA/CA 配置参数（如目标利用率、冷却时间）可能因手动修改而偏离基线。
治理要点：必须通过策略引擎（如 Kyverno）对 VPA/HPA/CA 的配置进行版本锁定和合规校验。例如：强制 HPA 的
targetCPUUtilizationPercentage 必须在 50–80 之间，禁止 VPA 的 updateMode: Auto 与 HPA 共用同一指标。
3.5 实践建议：三层弹性策略
- 第一层（秒级）：HPA 基于自定义指标（如 QPS、延迟）快速调整副本数。
- 第二层（分钟级）：VPA 在非高峰时段（如凌晨）调整 Pod 资源规格，避免影响在线业务。
- 第三层（分钟级）：CA 作为兜底，仅在节点资源不足时扩容，并设置最大节点数上限控制成本。