3、弹性伸缩原理：水平扩缩容 vs 垂直扩缩容、触发策略（指标阈值、时间策略、预测策略）

弹性伸缩是集群应对负载变化的核心理念，其本质是在保证服务质量的前提下，动态调整资源供给以匹配实际需求。理解水平扩缩容与垂直扩缩容的差异，以及三种主流触发策略，是编排大规模集群性能瓶颈排查的基础。

3.1 水平扩缩容 vs 垂直扩缩容

扩缩容方式决定了资源调整的粒度、速度与适用场景。下表从多个维度对比两种模式：

下图展示了两种扩缩容方式在集群中的不同作用路径：

3.2 触发策略：指标阈值

指标阈值策略是最常用的弹性触发方式，通过监控资源或业务指标，当指标超过预设阈值时触发扩缩容动作。

3.2.1 核心指标分类

• 资源指标：CPU 使用率、内存使用率、磁盘 I/O、网络带宽。
• 业务指标：QPS（每秒查询数）、RT（响应时间）、并发连接数、队列深度。
• 自定义指标：基于 Prometheus 等监控系统暴露的应用级指标。

3.2.2 阈值配置示例

# Kubernetes HPA 配置示例（指标阈值策略）
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: web-app-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: web-app
  minReplicas: 3
  maxReplicas: 20
  metrics:
  - type: Resource
    resource:
      name: cpu
      target:
        type: Utilization
        averageUtilization: 70
  - type: Resource
    resource:
      name: memory
      target:
        type: Utilization
        averageUtilization: 80
  behavior:
    scaleDown:
      stabilizationWindowSeconds: 300
      policies:
      - type: Percent
        value: 10
        periodSeconds: 60

3.3 触发策略：时间策略

时间策略（Cron 策略）适用于负载模式具有明显周期性的场景，例如工作日白天高负载、夜间低负载，或电商大促期间的定时扩容。

# KEDA ScaledObject 时间策略示例
apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: cron-scaledobject
spec:
  scaleTargetRef:
    name: worker-app
  triggers:
  - type: cron
    metadata:
      timezone: Asia/Shanghai
      start: 30 8 * * 1-5    # 工作日 08:30 开始扩容
      end: 30 18 * * 1-5     # 工作日 18:30 开始缩容
      desiredReplicas: "10"

3.4 触发策略：预测策略

预测策略利用历史数据和机器学习模型，提前预判未来负载变化，实现“主动式”弹性伸缩，避免指标阈值策略的滞后性。

3.4.1 预测模型类型

• 时间序列预测：ARIMA、Prophet、LSTM，基于历史负载数据预测未来趋势。
• 回归分析：线性回归、随机森林，结合外部特征（如促销活动、节假日）进行预测。
• 强化学习：通过环境交互学习最优扩缩容策略，适用于复杂动态场景。

3.4.2 预测策略工作流程

1. 数据采集：收集历史 CPU、QPS、RT 等指标，时间窗口通常为 7~30 天。
2. 特征工程：提取时间特征（小时、星期、月份）、事件特征（大促、版本发布）。
3. 模型训练：使用历史数据训练预测模型，评估 MAE、RMSE 等误差指标。
4. 预测执行：模型输出未来 1~2 小时的负载预测值，转换为目标副本数。
5. 动作执行：提前 5~15 分钟执行扩缩容，确保资源在负载到达前就绪。

下图展示了三种触发策略在弹性伸缩决策中的协同关系：

3.5 策略组合与性能瓶颈

在实际大规模集群中，单一策略往往无法满足所有场景，需要组合使用。以下是常见的组合模式及对应的性能瓶颈：