📚 课程目录第3章 Kubernetes HPA 原理与实践

3. Kubernetes HPA 原理与实践：HPA工作机制、配置示例、自定义指标适配

3.1 HPA 核心工作机制

Horizontal Pod Autoscaler（HPA）是 Kubernetes 内置的弹性伸缩控制器，通过周期性采集 Pod 资源指标（如 CPU、内存）或自定义指标，动态调整工作负载的副本数。其核心控制循环遵循“采集 → 聚合 → 计算 → 伸缩”的闭环流程。

  关键控制参数：
  --horizontal-pod-autoscaler-sync-period：默认 15 秒，控制 HPA 轮询指标的时间间隔。
--horizontal-pod-autoscaler-tolerance：默认 0.1（10%），当期望副本数与当前副本数偏差小于该阈值时，不触发伸缩。
--horizontal-pod-autoscaler-cpu-initialization-period：Pod 启动后 CPU 指标稳定等待期，默认 5 分钟。

3.2 HPA 配置示例

以下是一个基于 CPU 和内存指标的 HPA 配置，适用于生产环境中的无状态微服务。

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: web-app-hpa
  namespace: production
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: web-app
  minReplicas: 2
  maxReplicas: 20
  metrics:
  - type: Resource
    resource:
      name: cpu
      target:
        type: Utilization
        averageUtilization: 70
  - type: Resource
    resource:
      name: memory
      target:
        type: AverageValue
        averageValue: 512Mi
  behavior:
    scaleDown:
      stabilizationWindowSeconds: 300
      policies:
      - type: Percent
        value: 10
        periodSeconds: 60
    scaleUp:
      stabilizationWindowSeconds: 0
      policies:
      - type: Percent
        value: 100
        periodSeconds: 60
      - type: Pods
        value: 4
        periodSeconds: 60
      selectPolicy: Max

配置要点：

stabilizationWindowSeconds：缩容冷却窗口设为 300 秒，避免频繁缩容导致 Pod 抖动。
selectPolicy: Max：扩容时选择最大策略，确保突发流量下快速扩容。
averageUtilization vs AverageValue：CPU 使用百分比指标，内存使用值指标，避免内存基线波动导致误判。

3.3 自定义指标适配

当业务指标（如 QPS、队列深度、连接数）无法通过 CPU/内存反映时，需要引入自定义指标适配器。Kubernetes 生态中常用的方案是 Prometheus Adapter，它可以将 Prometheus 中的指标暴露为 HPA 可消费的自定义指标 API。

3.3.1 自定义指标适配架构

3.3.2 Prometheus Adapter 配置示例

以下配置将 Prometheus 中的 http_requests_per_second 指标暴露为 HPA 可用的自定义指标。

# prometheus-adapter-values.yaml
rules:
  custom:
  - seriesQuery: 'http_requests_per_second{namespace!="",pod!=""}'
    resources:
      overrides:
        namespace: {resource: "namespace"}
        pod: {resource: "pod"}
    name:
      matches: "http_requests_per_second"
      as: "requests_per_second"
    metricsQuery: 'sum(rate(http_requests_per_second{<<.LabelMatchers>>}[2m])) by (<<.GroupBy>>)'

3.3.3 基于自定义指标的 HPA 配置

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: web-app-qps-hpa
  namespace: production
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: web-app
  minReplicas: 2
  maxReplicas: 30
  metrics:
  - type: Pods
    pods:
      metric:
        name: requests_per_second
      target:
        type: AverageValue
        averageValue: 100

自定义指标适配避坑指南：

指标命名冲突：自定义指标名称不要与 Kubernetes 内置资源指标（cpu、memory）重名，否则 HPA 可能解析错误。
指标延迟：Prometheus 抓取间隔 + Adapter 缓存可能导致指标延迟 30-60 秒，扩容响应不如 CPU 指标快。
Adapter 高可用：生产环境至少部署 2 个 Prometheus Adapter 副本，避免单点故障导致 HPA 无法获取指标。

3.4 指标类型对比

指标类型	API 端点	典型用例	数据源	延迟
Resource	metrics.k8s.io	CPU、内存利用率	metrics-server	< 15 秒
Pods	custom.metrics.k8s.io	QPS、请求延迟、连接数	Prometheus Adapter	30-60 秒
Object	custom.metrics.k8s.io	Ingress 流量、Service 错误率	Prometheus Adapter	30-60 秒
External	external.metrics.k8s.io	云服务队列长度、数据库连接数	云厂商 Adapter	1-5 分钟

3.5 生产环境最佳实践

多指标组合：同时配置 CPU 和自定义指标，CPU 指标作为快速响应层，自定义指标作为精确控制层。
扩容优先、缩容保守：设置 scaleUp.stabilizationWindowSeconds: 0 和 scaleDown.stabilizationWindowSeconds: 300，避免流量尖峰时扩容滞后。
Pod 启动就绪检测：结合 readinessProbe 和 initialDelaySeconds，确保新 Pod 在指标采集窗口内完成初始化。
监控 HPA 自身状态：通过 kubectl describe hpa 查看事件和指标状态，配置告警规则监控 HPA 伸缩失败事件。

关键命令速查：

# 查看 HPA 状态
kubectl get hpa -n production

# 查看 HPA 详细事件
kubectl describe hpa web-app-hpa -n production

# 测试自定义指标 API 是否可用
kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1" | jq .

# 查看特定 Pod 的自定义指标值
kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1/namespaces/production/pods/*/requests_per_second" | jq .