📚 课程目录第4章 HPA支持的指标类型

4. HPA 支持的指标类型：资源指标、自定义指标与外部指标

Kubernetes Horizontal Pod Autoscaler (HPA) 的核心决策依据来自指标数据。根据指标来源与抽象层级，HPA 支持三类指标：资源指标 (Resource Metrics)、自定义指标 (Custom Metrics) 和 外部指标 (External Metrics)。理解三者的区别与适用场景，是配置高效弹性伸缩策略的前提。

核心原则：资源指标用于“容量驱动”的伸缩，自定义指标用于“业务驱动”的伸缩，外部指标用于“事件驱动”的伸缩。选择错误的指标类型会导致伸缩滞后或误触发。

4.1 三类指标对比总览

维度	资源指标	自定义指标	外部指标
数据来源	cAdvisor / Metrics Server	Prometheus / Datadog / 自定义 API	云厂商服务 (AWS SQS / Azure SB / GCP PubSub)
指标粒度	Pod 级别 (CPU/内存)	Pod 级别 / 对象级别 (QPS / 连接数)	集群外部全局值 (队列深度 / 事件数)
API 端点	`metrics.k8s.io`	`custom.metrics.k8s.io`	`external.metrics.k8s.io`
配置复杂度	低 (开箱即用)	中 (需部署 Adapter)	高 (需云厂商集成 + Adapter)
典型场景	Web 服务器、批处理任务	API 网关、消息消费者	事件驱动工作负载、队列处理
伸缩响应速度	中等 (15-30s 延迟)	快 (5-15s，取决于采集间隔)	快 (可实时感知外部事件)

4.2 资源指标 (Resource Metrics)

资源指标是 HPA 最基础的指标类型，直接反映 Pod 的物理资源消耗。Kubernetes 通过 Metrics Server 从每个节点上的 cAdvisor 收集 CPU 和内存使用数据，并通过 metrics.k8s.io API 对外暴露。

CPU 指标：以 millicores (m) 为单位，表示 Pod 当前使用的 CPU 时间相对于其 requests 的百分比。例如，targetAverageUtilization: 80 表示当 Pod 平均 CPU 使用率达到 80% 时触发扩容。
内存指标：以字节为单位，表示 Pod 当前内存使用量相对于 requests 的百分比。内存指标通常用于内存密集型应用，如缓存服务或数据处理任务。

  适用场景：
  无状态 Web 服务：CPU 使用率与请求量呈正相关，适合用 CPU 指标驱动伸缩。
批处理任务：内存占用随数据量增长，适合用内存指标控制 Pod 数量。
快速原型验证：无需额外组件，Metrics Server 安装后即可使用。

局限性：资源指标无法反映业务层面的真实负载。例如，一个 Pod 的 CPU 使用率很低，但可能因为死锁而无法处理请求；或者 CPU 使用率很高，但请求处理效率反而下降（如 I/O 等待）。此时需要自定义指标来补充。

4.3 自定义指标 (Custom Metrics)

自定义指标允许用户基于应用内部的业务数据来驱动伸缩。这些指标通常由 Prometheus Adapter、Datadog Cluster Agent 或 Kubernetes Metrics Adapter 等组件从监控系统中获取，并通过 custom.metrics.k8s.io API 暴露给 HPA。

自定义指标可以按两种粒度配置：

Pod 级别指标：每个 Pod 独立上报指标值，HPA 计算所有 Pod 的平均值。例如，每个 Pod 的 HTTP 请求数 (QPS)。
对象级别指标：指标绑定到某个 Kubernetes 对象（如 Service、Ingress），HPA 直接读取该对象的指标值。例如，Ingress 的每秒请求总数。

# 基于 Pod 级别 QPS 的 HPA 配置示例
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: Pods
    pods:
      metric:
        name: http_requests_per_second
      target:
        type: AverageValue
        averageValue: 1000

最佳实践：自定义指标应选择与应用吞吐量直接相关的业务指标，如 QPS、活跃连接数、队列处理速率。避免使用过于底层的指标（如 GC 次数）或过于聚合的指标（如集群总请求数）。

4.4 外部指标 (External Metrics)

外部指标用于感知 Kubernetes 集群外部的系统状态，通常来自云厂商的托管服务。这些指标通过 external.metrics.k8s.io API 暴露，需要部署对应的 External Metrics Adapter（如 AWS CloudWatch Adapter、Azure Monitor Adapter）。

外部指标的核心价值在于：在事件到达集群之前触发伸缩，从而消除“先感知、后伸缩”的延迟。

云服务	典型外部指标	适用场景
AWS SQS	`ApproximateNumberOfMessagesVisible`	消息消费者工作负载，根据队列深度伸缩
Azure Service Bus	`ActiveMessages`	事件驱动架构，根据消息积压量伸缩
GCP Pub/Sub	`subscription/num_undelivered_messages`	流处理任务，根据未确认消息数伸缩
AWS S3 / CloudFront	`BucketSizeBytes` / `Requests`	数据处理管道，根据存储量或请求率伸缩

# 基于 AWS SQS 队列深度的 HPA 配置示例
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: sqs-consumer-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: sqs-consumer
  minReplicas: 1
  maxReplicas: 50
  metrics:
  - type: External
    external:
      metric:
        name: aws_sqs_queue_depth
        selector:
          matchLabels:
            queue: my-queue
      target:
        type: AverageValue
        averageValue: 100

4.5 三类指标的选择决策流程

4.6 多指标组合策略

HPA 允许在同一个 metrics 数组中配置多种指标类型。当配置多个指标时，HPA 会分别计算每个指标建议的副本数，然后取最大值作为最终的伸缩目标。这种机制可以避免单一指标的盲区。

# 多指标组合 HPA 示例：资源指标 + 自定义指标
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: multi-metric-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: api-server
  minReplicas: 3
  maxReplicas: 30
  metrics:
  - type: Resource
    resource:
      name: cpu
      target:
        type: Utilization
        averageUtilization: 70
  - type: Pods
    pods:
      metric:
        name: requests_per_second
      target:
        type: AverageValue
        averageValue: 500

  组合策略建议：
  基础 + 业务：CPU 资源指标作为保底伸缩条件，QPS 自定义指标作为业务驱动条件。当 CPU 未达到阈值但 QPS 激增时，HPA 仍会扩容。
内部 + 外部：内存资源指标控制 Pod 数量上限，外部队列深度指标触发提前扩容。适用于消息消费者场景。
避免冗余：不要同时配置 CPU 和内存两个资源指标，除非应用对两者都有明确的线性关系。通常选择一个即可。

4.7 指标适配器部署要求

自定义指标和外部指标需要额外的适配器组件才能被 HPA 使用。以下是常见适配器的部署要点：

适配器	支持的指标类型	部署方式	关键配置
Prometheus Adapter	自定义指标	Helm Chart / 手动部署	`prometheus.url`、`rules` 指标映射规则
Kubernetes Metrics Adapter	自定义指标 + 外部指标	Helm Chart	`metricSources` 配置外部数据源
AWS CloudWatch Adapter	外部指标 (AWS)	Helm Chart + IAM 角色	`region`、`metrics` 列表
Azure Monitor Adapter	外部指标 (Azure)	Helm Chart + 托管身份	`azure.resourceGroup`、`azure.subscriptionId`

注意：适配器本身会成为集群的故障点。建议为适配器配置资源限制和 Pod 反亲和性，避免适配器宕机导致 HPA 无法获取指标。同时，适配器的指标采集延迟会直接影响 HPA 的响应速度，应确保采集间隔 ≤ 15s。

4.8 选择建议与避坑指南

优先使用资源指标：对于大多数无状态应用，CPU 指标已经足够。不要为了“炫技”而引入自定义指标，增加运维复杂度。
自定义指标要选择“领先指标”：选择那些在资源消耗之前就能反映负载变化的指标。例如，QPS 上升 10 秒后 CPU 才会上升，那么 QPS 就是领先指标。
外部指标要注意数据新鲜度：云服务指标通常有 1-5 分钟的延迟。如果应用对延迟敏感，考虑使用更实时的指标源或缩短适配器的轮询间隔。
避免指标数量过多：HPA 每次评估都会查询所有配置的指标。指标越多，API 调用次数越多，评估延迟越大。建议不超过 3 个指标。
测试指标可用性：在配置 HPA 之前，先通过 kubectl get --raw 验证指标 API 是否返回数据。例如：kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1"。