📚 课程目录第3章 Kubernetes HPA 原理回顾

3. Kubernetes HPA 原理回顾：HPA工作流程、Replica计算逻辑、targetAverageValue与targetAverageUtilization

在深入基于连接池水位的自定义指标配置之前，必须彻底理解 HPA（Horizontal Pod Autoscaler）的核心原理。HPA 是 Kubernetes 中实现工作负载弹性伸缩的控制器，它通过持续监控 Pod 的指标数据，动态调整 ReplicaSet 或 StatefulSet 的副本数量。本节将系统回顾 HPA 的工作流程、副本计算逻辑以及两种核心指标目标类型。

3.1 HPA 工作流程

HPA 控制器以控制循环（Control Loop）的方式运行，默认每 15 秒（由 --horizontal-pod-autoscaler-sync-period 控制）执行一次完整的调谐流程。其核心步骤包括指标采集、计算期望副本、决策与执行。

  关键流程节点：
  指标查询：HPA 通过 API Server 查询指定的 Metrics 源（Metrics Server 或自定义 Metrics API），获取当前 Pod 的指标值。
聚合计算：对每个 Pod 的指标值进行聚合（默认取所有就绪 Pod 的平均值），得到当前实际指标值。
副本计算：将当前实际指标值与目标值（targetAverageValue 或 targetAverageUtilization）进行比较，计算期望副本数。
决策与限速：根据冷却窗口（Cooldown）、扩缩容策略（behavior）和副本数上下限（minReplicas/maxReplicas）进行决策。
更新工作负载：调用 Scale 子资源更新 Deployment/StatefulSet 的副本数，触发实际 Pod 的创建或删除。

3.2 Replica 计算逻辑

HPA 的副本计算基于一个简单的比例公式，但实际执行时受到多种策略的约束。核心公式如下：

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

其中：

当前指标值：所有就绪 Pod 的指标聚合值（默认取算术平均值）。
目标指标值：由 HPA 配置中的 targetAverageValue 或 targetAverageUtilization 决定。
ceil：向上取整，确保副本数为整数。

计算示例：假设当前有 4 个 Pod，每个 Pod 的连接池水位分别为 120、130、110、140，平均值为 125。如果目标值为 100，则期望副本数 = ceil[ 4 × (125 / 100) ] = ceil[5.0] = 5。HPA 将扩容到 5 个 Pod。

HPA 在计算过程中还会考虑以下边界条件：

条件	行为	说明
指标值接近目标值（容忍度内）	不执行扩缩容	默认容忍度为 0.1（10%），避免频繁抖动
计算出的期望副本数超出 [minReplicas, maxReplicas]	截断到边界值	minReplicas 默认 1，maxReplicas 必须显式设置
Pod 处于未就绪状态	不参与指标聚合	避免将正在启动的 Pod 纳入计算
指标缺失（Pod 无数据）	跳过该 Pod	如果所有 Pod 都缺失指标，HPA 将停止扩缩容

3.3 targetAverageValue 与 targetAverageUtilization

HPA 支持两种目标指标类型，它们在定义方式和适用场景上有显著区别。理解这两者的差异对于配置基于连接池水位的自定义指标至关重要。

特性	targetAverageValue	targetAverageUtilization
定义方式	直接指定一个绝对数值	指定一个百分比（0-100）
指标类型	适用于 Pod 指标（PodMetrics）	仅适用于资源指标（ResourceMetrics）
计算基准	直接与 Pod 指标平均值比较	需要结合 Pod 的 Request 值计算利用率
典型场景	自定义指标（如连接数、QPS、队列深度）	CPU / 内存利用率
配置示例	`targetAverageValue: 100`	`targetAverageUtilization: 80`
计算公式	期望副本 = ceil[ 当前副本 × (当前平均值 / 目标值) ]	期望副本 = ceil[ 当前副本 × (当前利用率 / 目标利用率) ]

重要提示：对于连接池水位这类自定义指标，必须使用 targetAverageValue。因为连接池水位是一个绝对数值（如当前活跃连接数），而不是相对于 Pod Request 的百分比。如果错误使用 targetAverageUtilization，HPA 将无法正确解析指标，导致扩缩容失效。

在 HPA YAML 配置中，两种目标类型的定义方式如下：

# targetAverageValue 示例（适用于自定义指标）
metrics:
- type: Pods
  pods:
    metric:
      name: connection_pool_watermark
    target:
      type: AverageValue
      averageValue: 100

# targetAverageUtilization 示例（适用于资源指标）
metrics:
- type: Resource
  resource:
    name: cpu
    target:
      type: Utilization
      averageUtilization: 80

3.4 多指标与策略扩展

HPA 支持同时配置多个指标，此时 HPA 会分别计算每个指标对应的期望副本数，并选择其中的 最大值 作为最终期望副本数。这种机制确保了即使某个指标未达到阈值，其他指标也可能触发扩容。

此外，Kubernetes v1.18+ 引入了 behavior 字段，允许精细控制扩缩容策略：

scaleDown 策略：可设置缩容稳定窗口（stabilizationWindowSeconds）、选择策略（Max / Min）和每秒允许缩容的 Pod 数量。
scaleUp 策略：可设置扩容稳定窗口、选择策略和每秒允许扩容的 Pod 数量。
禁用缩容：将 scaleDown 的 selectPolicy 设置为 Disabled。

  连接池水位场景的最佳实践：
  使用 targetAverageValue 定义连接池水位目标值。
设置合理的 minReplicas 和 maxReplicas，避免过度扩缩容。
配置 behavior 的扩容稳定窗口（如 30-60 秒），防止连接数瞬时波动导致频繁扩容。
缩容稳定窗口建议设置较长（如 5 分钟），避免连接池水位下降后立即缩容导致连接中断。