2. KEDA 核心概念：ScaledObject、Scaler、Trigger、HPA 的关系与工作原理

Kubernetes 原生 HPA（Horizontal Pod Autoscaler）仅支持 CPU/内存等资源指标，无法直接感知消息队列长度、HTTP 请求速率、数据库连接数等业务指标。KEDA（Kubernetes Event-Driven Autoscaling）通过引入 ScaledObject、Scaler、Trigger 三个核心抽象层，将外部事件源与 HPA 桥接起来，实现基于任意自定义 Metric 的弹性伸缩。

2.1 核心概念速览

2.2 四者协作关系

KEDA 并不替代 HPA，而是作为 HPA 的“指标上游”。整个伸缩链路分为四个阶段：

1. 用户定义 ScaledObject：在 YAML 中声明目标 Deployment、Trigger 类型（如 Kafka、Prometheus、RabbitMQ）及阈值。
2. KEDA Operator 生成 HPA：Operator 监听 ScaledObject 资源，自动创建或更新对应的 HPA 对象。
3. Scaler 采集指标：KEDA 内置的 Scaler 根据 Trigger 配置连接外部系统，将业务指标转换为标准 Metric 值。
4. HPA 执行伸缩：HPA 定期从 KEDA Metrics Adapter 拉取指标，计算期望副本数并调整 Deployment 的 replicas。

2.3 ScaledObject 深度解析

ScaledObject 是 KEDA 的入口 CRD，包含三个核心字段组：

2.4 Scaler 与 Trigger 的关系

Trigger 是 Scaler 的“实例化配置”。每个 Trigger 包含：

• type：指定 Scaler 类型，如 prometheus、kafka、rabbitmq、postgresql 等。
• metadata：连接参数和查询条件，如 PromQL 查询语句、Kafka 主题名、队列名称。
• authenticationRef：可选，引用 TriggerAuthentication 或 ClusterTriggerAuthentication 资源，用于存储敏感信息。

KEDA 内置 50+ 种 Scaler，覆盖主流中间件和云服务。当 KEDA Operator 解析 ScaledObject 时，会根据 triggers[].type 动态加载对应的 Scaler 实现，并传入 metadata 完成初始化。

apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: kafka-scaledobject
spec:
  scaleTargetRef:
    name: order-processor
  triggers:
  - type: kafka
    metadata:
      bootstrapServers: kafka-cluster:9092
      topic: orders
      lagThreshold: "100"
      consumerGroup: order-group
    authenticationRef:
      name: kafka-auth

2.5 HPA 的生成与指标桥接

KEDA Operator 为每个 ScaledObject 自动生成一个 HPA 对象。生成的 HPA 具有以下特征：

• 指标来源：指向 KEDA Metrics Adapter 暴露的自定义指标，格式为 pods/{metric-name}。
• 目标值：由 Scaler 返回的指标值与 Trigger 中定义的阈值共同决定。
• 动态更新：当 ScaledObject 的 triggers 或边界条件变更时，Operator 自动更新对应的 HPA。

2.6 工作原理解析：一次完整的伸缩循环

假设我们有一个 Kafka 消费者应用，希望根据消息堆积数自动伸缩：

1. 轮询阶段：KEDA Operator 每隔 pollingInterval（默认 30s）调用 Kafka Scaler，查询指定 topic 的消费者滞后量（lag）。
2. 指标暴露：Scaler 将 lag 值返回给 KEDA Metrics Adapter，Adapter 将其注册为自定义指标 kafka-lag。
3. HPA 拉取：HPA 通过 /apis/custom.metrics.k8s.io 接口拉取 kafka-lag 的当前值。
4. 副本计算：HPA 将当前 lag 值与 Trigger 中定义的 lagThreshold（如 100）比较，计算期望副本数。公式为 desiredReplicas = ceil(currentMetricValue / targetValue)。
5. 执行伸缩：HPA 调用 Deployment 的 Scale 子资源，更新 replicas 字段。
6. 冷却等待：缩容时，KEDA 会等待 cooldownPeriod（默认 300s），避免频繁抖动。

2.7 多 Trigger 与指标聚合

一个 ScaledObject 可以包含多个 Trigger，KEDA 会取所有 Trigger 返回的指标值中的 最大值 作为最终伸缩依据。这种设计确保系统对任何单一指标的异常都能快速响应。