📚 课程目录第2章 HPA基础回顾

2. HPA 基础回顾：工作原理、核心指标与伸缩策略

Horizontal Pod Autoscaler（HPA）是 Kubernetes 中实现工作负载弹性伸缩的核心控制器。在生产环境中，HPA 的稳定性直接决定了服务能否平稳应对流量波动。本节从工作原理、指标体系与伸缩策略三个维度进行系统回顾，为后续的故障注入与复测打下理论基础。

2.1 HPA 工作原理

HPA 采用控制循环（Control Loop）模式运行，默认每 15 秒（由 --horizontal-pod-autoscaler-sync-period 控制）从 Metrics Server 或自定义指标 API 拉取当前 Pod 的指标数据，计算期望副本数，并与当前副本数进行比较，最终通过 Scale 子资源调整 Deployment / StatefulSet 的副本数。

  核心计算逻辑：

  desiredReplicas = ceil[currentReplicas × (currentMetricValue / desiredMetricValue)]

HPA 控制器在决策时会引入冷却（Cooldown）与容忍窗口（Tolerance）机制，避免因指标抖动导致频繁扩缩容（即“抖动”现象）。默认容忍度为 0.1（10%），即当期望副本数与当前副本数偏差在 10% 以内时，不触发伸缩动作。

2.2 核心指标体系

HPA 支持三类指标来源，生产环境中通常组合使用以覆盖不同维度的伸缩需求。

指标类型	数据来源	典型指标	适用场景
Resource Metrics	Metrics Server	CPU 使用率、Memory 使用率	通用型工作负载，资源密集型服务
Custom Metrics	Prometheus Adapter / 自定义 API	QPS、请求延迟 P99、连接数	业务型工作负载，需要按业务指标伸缩
External Metrics	外部系统（如云厂商监控）	队列深度、Kafka Lag、数据库连接数	依赖外部中间件的有状态服务

实践建议：CPU 指标响应快但容易受“CPU Throttling”干扰；Memory 指标相对稳定但存在“内存泄漏误判”风险。建议将 Resource Metrics 与 Custom Metrics 结合使用，例如以 CPU 作为快速扩容触发条件，以 QPS 作为精确容量控制依据。

2.3 伸缩策略详解

Kubernetes v1.23+ 引入了 HPA 伸缩策略（Scaling Policies），允许用户精细控制扩缩容的行为，包括速率限制、窗口大小与优先级策略。

2.3.1 策略结构

behavior:
  scaleDown:
    stabilizationWindowSeconds: 300    # 稳定窗口，防止频繁缩容
    policies:
    - type: Percent
      value: 10
      periodSeconds: 60
    - type: Pods
      value: 2
      periodSeconds: 60
    selectPolicy: Min                  # 选择策略：Min / Max / Disabled
  scaleUp:
    stabilizationWindowSeconds: 0      # 扩容通常不设稳定窗口
    policies:
    - type: Percent
      value: 100
      periodSeconds: 15
    - type: Pods
      value: 4
      periodSeconds: 15
    selectPolicy: Max

2.3.2 策略参数对比

参数	含义	典型值	注意事项
`stabilizationWindowSeconds`	稳定窗口，窗口内取最大/最小期望值	扩容 0，缩容 300	窗口过大可能导致缩容滞后
`type: Percent`	按当前副本数的百分比限制	扩容 100%，缩容 10%	副本数较小时百分比策略可能过于激进
`type: Pods`	按 Pod 数量限制	扩容 4，缩容 2	副本数较大时 Pods 策略可能过于保守
`selectPolicy`	多策略生效时的选择逻辑	扩容 Max，缩容 Min	Min 策略用于保守缩容，Max 用于激进扩容

2.3.3 常见策略模式

快速扩容 + 慢速缩容：扩容使用 Percent + Max 策略，缩容使用 Pods + Min 策略，适用于流量突增场景。
稳定窗口优先：缩容设置较长的稳定窗口（如 5-10 分钟），避免因瞬时指标下降导致 Pod 被误回收。
禁用缩容：将 scaleDown 的 selectPolicy 设为 Disabled，适用于需要手动控制缩容的场景。

常见陷阱：当同时配置 Percent 和 Pods 策略时，如果 selectPolicy 选择不当，可能导致扩容不足或缩容过快。例如，在副本数较少时（如 2 个 Pod），Percent 策略的 10% 向下取整为 0，此时若 selectPolicy 为 Min，缩容将永远不会触发。建议在副本数较小的场景优先使用 Pods 策略。

2.4 多指标组合与优先级

HPA 支持在同一个资源对象中配置多个指标，控制器会分别计算每个指标对应的期望副本数，最终取最大值作为实际伸缩目标。这意味着只要有一个指标满足扩容条件，就会触发扩容动作。

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: web-app-hpa
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: Pods
    pods:
      metric:
        name: http_requests_per_second
      target:
        type: AverageValue
        averageValue: 500
  behavior:
    scaleDown:
      stabilizationWindowSeconds: 300
      policies:
      - type: Pods
        value: 2
        periodSeconds: 60
      selectPolicy: Min

上述配置中，HPA 会同时监控 CPU 利用率和每秒 HTTP 请求数，只要任一指标超过阈值即触发扩容，缩容则受稳定窗口和 Pods 策略约束。

  关键理解：多指标组合时，HPA 的“取最大值”策略天然具备“一票扩容”特性，但缩容需要所有指标都低于阈值且满足稳定窗口条件。这种不对称设计是为了优先保障服务可用性。