1. 课程导学：KEDA 与 HPA 概述、课程目标、前置知识要求

欢迎来到《KEDA 实战：基于 RabbitMQ 队列深度的 HPA 弹性伸缩》课程。在云原生时代，应用流量的突发性与资源利用率之间的矛盾日益突出。传统的 Horizontal Pod Autoscaler（HPA）基于 CPU/内存指标进行伸缩，无法感知消息队列中的积压情况，导致响应滞后或资源浪费。本课程将深入讲解 KEDA（Kubernetes Event-Driven Autoscaling）如何弥补这一空白，实现真正的事件驱动弹性伸缩。

1.1 传统 HPA 的局限与 KEDA 的定位

Kubernetes 原生 HPA 依赖 Metrics Server 采集节点与 Pod 的 CPU、内存使用率。这种模式在微服务架构中面临明显短板：

• 指标滞后：CPU/内存升高往往是请求积压的“结果”，而非“原因”，扩容响应存在分钟级延迟。
• 业务无关：无法感知队列长度、数据库连接数、HTTP 请求速率等业务级指标。
• 静态阈值：难以应对突发流量下的非线性增长，容易触发频繁抖动或扩容不足。

KEDA 作为 CNCF 毕业项目，在 HPA 之上构建了一层事件驱动适配器。它通过 Scaler（伸缩器）连接外部系统（如 RabbitMQ、Kafka、Prometheus），将外部指标转换为 HPA 可消费的格式，从而让 Pod 的副本数随业务事件动态调整。

1.2 KEDA 核心架构与工作流程

KEDA 由三个核心组件构成：Operator、Metrics Adapter 和 Scaler。Operator 负责监听 ScaledObject 自定义资源，Metrics Adapter 将外部指标暴露给 HPA，Scaler 则封装了与具体事件源的交互逻辑。

1.3 课程目标与学习路径

本课程共 30 章，从基础概念到生产级部署，覆盖 KEDA 与 RabbitMQ 集成的完整知识体系。完成本课程后，你将能够：

• 独立部署 KEDA 到 Kubernetes 集群，并配置 RabbitMQ Scaler。
• 编写 ScaledObject 自定义资源，实现基于队列深度的自动伸缩策略。
• 优化伸缩参数（冷却时间、轮询间隔、队列阈值），避免抖动与资源浪费。
• 结合 Prometheus 监控与告警，构建可观测的弹性伸缩体系。
• 在生产环境中进行压测、调优与故障排查。

1.4 前置知识要求

为了确保学习效果，建议你具备以下基础能力：

• Kubernetes 基础：熟悉 Pod、Deployment、Service、HPA 等核心资源；能够使用 kubectl 操作集群；了解 Namespace 与 RBAC 基本概念。
• RabbitMQ 基础：理解队列、交换机、绑定、消息确认（ACK）等核心概念；能够通过管理界面或命令行查看队列状态。
• Linux 命令行：能够执行基本的 Shell 命令，编辑 YAML 文件，查看日志。
• 可选但推荐：了解 Prometheus 指标采集与 Grafana 仪表盘，有助于后续监控章节的学习。

1.5 环境准备与工具链

本课程所有实验均可在本地或云上完成。推荐使用以下环境：

• Kubernetes 集群：Minikube（v1.30+）或 Kind（v0.20+），建议 4 核 8GB 以上配置。
• KEDA 版本：v2.12+（支持 RabbitMQ Scaler 的稳定版本）。
• RabbitMQ：v3.12+，部署在集群内或外部均可。
• 工具：kubectl、helm（用于安装 KEDA）、curl、jq。