2. HPA 工作原理：控制循环机制、Metrics Server 数据采集、目标副本数计算公式详解

理解 HPA（Horizontal Pod Autoscaler）的工作原理是进行调度策略调优的基础。HPA 并非实时响应每一个指标波动，而是基于一个控制循环（Control Loop）机制，周期性地从 Metrics Server 拉取资源指标，并通过目标副本数计算公式计算出期望的 Pod 副本数，最终驱动 Deployment 或 StatefulSet 完成扩缩容。

2.1 控制循环机制（Control Loop）

HPA 作为一个内置的控制器（Controller），遵循 Kubernetes 通用的“期望状态（Desired State）与当前状态（Current State）调和”模式。其核心控制循环默认每 15 秒执行一次（由 --horizontal-pod-autoscaler-sync-period 控制），但实际触发扩缩容动作会受到冷却窗口（Cooldown）和容忍度（Tolerance）的约束。

2.2 Metrics Server 数据采集

Metrics Server 是 HPA 获取资源指标（CPU、内存）的核心数据源。它通过 Kubelet 的 Summary API 从每个 Node 上采集 Pod 和 Node 的资源使用数据，并聚合后暴露给 HPA。

2.3 目标副本数计算公式详解

HPA 的核心计算逻辑基于一个简单的比例公式。当使用 CPU 或内存利用率时，计算公式如下：

期望副本数 = ceil[ 当前副本数 × ( 当前指标值 / 期望指标值 ) ]

其中：

• 当前指标值：所有匹配 Pod 的当前资源使用率的平均值（例如所有 Pod 的 CPU 使用率均值）。
• 期望指标值：HPA 配置中设定的目标利用率（例如 targetAverageUtilization: 50）。
• ceil：向上取整，确保副本数为整数。

2.3.1 计算示例

假设当前有 4 个 Pod，每个 Pod 的 CPU 请求为 100m，HPA 目标 CPU 利用率为 50%。当前 4 个 Pod 的 CPU 使用率分别为：60%、70%、50%、40%。

计算步骤：

1. 当前指标值 = (60% + 70% + 50% + 40%) / 4 = 55%
2. 期望指标值 = 50%
3. 期望副本数 = ceil[ 4 × (55% / 50%) ] = ceil[ 4 × 1.1 ] = ceil[ 4.4 ] = 5

因此，HPA 会将 Deployment 的副本数从 4 扩容到 5。

2.3.2 容忍度（Tolerance）的影响

为了避免指标微小波动导致频繁扩缩容（抖动），HPA 引入了容忍度机制。默认容忍度为 0.1（10%）。只有当 |当前指标值 / 期望指标值 - 1| > 容忍度 时，才会触发扩缩容。

if abs(当前指标值 / 期望指标值 - 1) > 0.1:
    触发扩缩容
else:
    不触发扩缩容

在上面的例子中，55% / 50% = 1.1，|1.1 - 1| = 0.1，恰好等于容忍度边界，因此不会触发扩容。只有当平均利用率达到 55.1% 以上时，才会触发扩容。

2.3.3 多指标与自定义指标

当 HPA 配置了多个指标（如 CPU + 内存 + QPS）时，HPA 会分别计算每个指标对应的期望副本数，然后取最大值作为最终的期望副本数。这确保了任何一项指标超标时都能及时扩容。