2. HPA 工作原理：控制循环、指标采集周期与目标副本数计算算法

Horizontal Pod Autoscaler（HPA）是 Kubernetes 实现工作负载弹性伸缩的核心控制器。理解 HPA 的内部运行机制，是正确配置自定义 metric 触发器的前提。本章深入剖析 HPA 的三个关键环节：控制循环、指标采集周期以及目标副本数计算算法。

2.1 HPA 控制循环

HPA 作为一个独立的控制器，运行在 kube-controller-manager 进程中。它采用周期性、事件驱动的工作模式，每个周期称为一次“调谐（Reconcile）”。

一次完整的 HPA 控制循环包含以下步骤：

1. 获取目标资源当前副本数：从 API Server 读取目标资源（如 Deployment）的 spec.replicas 和 status.replicas。
2. 采集指标数据：根据 HPA 配置的 metric 规格，向 metrics.k8s.io（Resource Metric）、custom.metrics.k8s.io（Custom Metric）或 external.metrics.k8s.io（External Metric）API 发起查询，获取当前 Pod 或对象的指标值。
3. 计算期望副本数：将采集到的指标值与 HPA 中定义的“目标值”进行比较，使用核心算法计算出期望的副本数。
4. 决策与限速：将期望副本数与当前副本数对比，结合冷却（Cooldown）和容忍度（Tolerance）策略，决定是否执行伸缩。
5. 更新目标资源：如果决定伸缩，则通过 API Server 更新目标资源的 spec.replicas。

2.2 指标采集周期与数据源

HPA 的指标采集并非与控制循环完全同步。指标数据由独立的 Metrics Server（资源指标）或 Adapter（自定义/外部指标）负责采集和聚合，HPA 通过 API 查询这些聚合后的数据。

2.3 目标副本数计算算法

HPA 的核心算法基于一个简单的比例公式，但针对多指标、多 Pod 的情况进行了扩展和优化。

2.3.1 单指标、单 Pod 的基础公式

对于单个 Pod 的单个指标（如 CPU 使用率），期望副本数的计算公式为：

期望副本数 = ceil[ 当前副本数 × ( 当前指标值 / 目标指标值 ) ]

例如：当前 2 个 Pod，当前 CPU 使用率平均为 80%，目标值为 50%。

期望副本数 = ceil[ 2 × ( 80% / 50% ) ] = ceil[ 2 × 1.6 ] = ceil[ 3.2 ] = 4

2.3.2 多 Pod 场景：取平均值

当目标资源有多个 Pod 时，HPA 会先计算所有 Pod 的当前指标值的平均值，再代入公式：

平均指标值 = sum(Pod_i 的指标值) / Pod 数量
期望副本数 = ceil[ 当前副本数 × ( 平均指标值 / 目标指标值 ) ]

2.3.3 多指标场景：取最大值

当 HPA 配置了多个指标（如 CPU + QPS）时，HPA 会为每个指标独立计算出一个期望副本数，然后取其中的最大值作为最终的期望副本数。这确保了任何一个指标过载时都会触发扩容。

2.3.4 容忍度与冷却机制

为了防止指标抖动导致频繁伸缩（即“抖动”或“乒乓效应”），HPA 引入了两个关键机制：

• 容忍度（Tolerance）：默认值为 0.1（10%）。只有当 |期望副本数 - 当前副本数| / 当前副本数 > 容忍度 时，才会触发伸缩。例如，当前 10 个 Pod，计算出的期望副本数为 10.8，由于 (10.8 - 10) / 10 = 0.08 < 0.1，HPA 不会执行扩容。
• 冷却（Cooldown）：通过 --horizontal-pod-autoscaler-downscale-stabilization-window（默认 5 分钟）控制缩容冷却。HPA 会记录过去一段时间内计算出的所有期望副本数，并取其中的最大值作为实际缩容目标，避免因瞬时指标下降而过度缩容。

2.4 算法总结与关键参数