📚 课程目录第4章 HPA算法与行为

4. HPA 算法与行为：扩缩容公式、稳定窗口与策略周期

HPA（Horizontal Pod Autoscaler）的核心在于一套闭环控制算法：它周期性地采集 Pod 的指标实际值，与用户设定的目标值进行比较，计算出期望副本数，再经过稳定窗口、策略和周期等行为约束，最终决定是否执行扩缩容操作。本章深入拆解这一算法的每个环节。

4.1 核心算法公式：期望副本数的计算

HPA 控制器在每个同步周期（默认 15 秒）内，对每个 Pod 计算当前指标的实际值，然后使用以下公式计算期望副本数：

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

其中：

currentReplicas：当前运行的 Pod 副本数。
currentMetricValue：所有目标 Pod 的指标实际值的聚合结果（如平均值、利用率）。
desiredMetricValue：用户在 HPA 中设定的目标值。
ceil：向上取整，确保副本数为整数。

关键理解： 该公式本质上是线性比例控制。当实际值超过目标值时，期望副本数按比例增加；当实际值低于目标值时，期望副本数按比例减少。例如，当前 10 个 Pod 的 CPU 平均利用率为 80%，目标值为 50%，则期望副本数 = ceil[10 × (80% / 50%)] = ceil[16] = 16 个 Pod。

4.2 目标值与实际值的计算口径

不同类型的指标，其“实际值”的聚合方式不同，直接影响扩缩容的灵敏度。

指标类型	实际值计算方式	典型场景
Resource Metric（CPU/内存）	所有目标 Pod 的指标值之和 ÷ Pod 数量（平均值）	CPU 利用率、内存利用率
Pod Metric（自定义指标）	所有目标 Pod 的指标值之和 ÷ Pod 数量（平均值）	QPS、请求延迟 P99
Object Metric（对象指标）	直接取单个对象的指标值（不除以 Pod 数）	Ingress 的请求数、Service 的连接数

避坑提示： 对于 Pod Metric，如果某个 Pod 尚未就绪或刚启动，其指标可能为 0 或缺失，这会导致平均值被拉低，可能引发误缩容。建议配合 --horizontal-pod-autoscaler-tolerance（默认 0.1）的容忍度来避免微小波动导致的频繁扩缩。

4.3 稳定窗口（stabilizationWindowSeconds）

稳定窗口是 HPA 行为配置中最重要的平滑机制。它通过“历史决策缓存”来抑制噪声，防止副本数在短时间内剧烈抖动。

扩容稳定窗口：HPA 在窗口期内记录所有“建议的期望副本数”，最终选择 最大值 作为实际执行值。这保证了系统能快速响应突发流量，不会因为单次采样回落而取消扩容。
缩容稳定窗口：HPA 在窗口期内记录所有“建议的期望副本数”，最终选择 最小值 作为实际执行值。这避免了因瞬时指标抖动而过度缩容。

默认行为： 如果未显式配置 stabilizationWindowSeconds，Kubernetes 默认扩容稳定窗口为 0 秒（立即响应），缩容稳定窗口为 300 秒（5 分钟）。这是生产环境中最常见的误缩容来源——建议根据业务容忍度适当调整缩容窗口。

4.4 策略（policy）与周期（periodSeconds）

策略和周期共同定义了 HPA 在单个时间窗口内允许变化的 Pod 数量上限，是防止扩缩容过冲的第二道防线。

4.4.1 策略类型

策略类型	含义	示例
Pods	在周期内最多允许变化 N 个 Pod	`pods: 4` → 每周期最多增减 4 个 Pod
Percent	在周期内最多允许变化当前副本数的百分比	`percent: 50` → 当前 10 个 Pod，最多增减 5 个

4.4.2 周期（periodSeconds）

周期定义了策略生效的时间窗口。例如，periodSeconds: 60 表示每 60 秒内，策略限制的 Pod 变化量不能超过设定值。周期结束后，计数器重置。

组合使用示例：

behavior:
  scaleDown:
    policies:
    - type: Percent
      value: 10
      periodSeconds: 60
    - type: Pods
      value: 2
      periodSeconds: 60
    selectPolicy: Min  # 选择限制更严格的策略

上述配置表示：在每 60 秒内，缩容最多允许减少当前副本数的 10% 或 2 个 Pod（取两者中更小的值）。这有效防止了大规模缩容。

4.5 算法行为综合流程图

以下 SVG 展示了从指标采集到最终执行扩缩容的完整链路，包含稳定窗口和策略周期的交互位置。

--horizontal-pod-autoscaler-sync-period：默认 15s，控制 HPA 循环频率 • --horizontal-pod-autoscaler-tolerance：默认 0.1（10%），实际值与目标值偏差在 10% 内不触发扩缩 • stabilizationWindowSeconds：扩容默认 0s，缩容默认 300s • selectPolicy：当配置多个策略时，可选 Max（取宽松）、Min（取严格）、Disabled（禁用该方向） • behavior.scaleUp 与 scaleDown：可分别配置扩容和缩容的稳定窗口、策略、周期，实现非对称行为

4.6 实战建议：如何校准 HPA 行为参数

缩容稳定窗口：对于有流量突降风险的业务（如电商大促后的回落），建议将缩容窗口从 300s 缩短至 120-180s，避免长时间占用资源；对于稳定型业务，可保持默认或延长至 600s。
扩容策略：对于突发流量场景，建议使用 Percent 策略并设置较大值（如 100%），配合 periodSeconds: 15，实现快速扩容。
多指标 HPA：当配置多个指标时，HPA 会分别计算每个指标的期望副本数，最终取 最大值 作为目标副本数。确保各指标的目标值口径一致，避免相互矛盾。
监控与告警：建议对 HPA 的 scale_up 和 scale_down 事件设置告警，结合 kubectl describe hpa 查看决策日志，验证算法行为是否符合预期。