介绍
Kubernetes旨在提供复原力和可扩展性。 它通过部署多个具有不同资源分配的吊舱来实现这一点,为您的应用程序提供冗余. 虽然您可以根据您的需要手动增长并收缩自己的部署,但Kubernetes提供一等支持来进行点播,使用一个名为"Horizontal Pod Autoscale"(https://kubernetes.io/docs/tasks/run-application/horizontal-pod-autoscale)的功能. 它是一个封闭的循环系统,根据您当前的需要,自动地增长或收缩资源(应用程序 Pods). 您为每次需要自动缩放的应用程序配置创建)资源,并让它自动为您处理其余部分.
在高层次上,HPA可以做到以下几点:
- 联合国 它通过查询度量衡服务器来观察来自应用程序工作量(Pods)的资源请求计量。
- 联合国 它比较了您在HPA定义中设定的目标阈值与您应用工作量(CPU和内存)观察到的平均资源利用率. 3个 如果达到目标阈值,那么HPA会扩大您的应用部署,以满足更高的需求. 否则,如果低于阈值,它将缩小部署规模。 要了解HPA用什么逻辑来缩放您的应用程序部署,您可以从官方文档中查看[算法细节] (https://kubernetes.io/docs/tasks/run-application/horizontal-pod-autoscale/# algorithm-details)页面. .
在帽子下,),它通过集群的控制平面内的专用控制器实现的Kubernetes控制环节。
为了工作,HPA需要一个在您的集群中可用的计量服务器来扫描所需的计量数据,例如CPU和内存利用率。一个简单的选择是Kubernetes Metrics Server。Metrics Server通过从Kubelets收集资源计量数据并通过Kubernetes API Server将其曝光到Horizontal Pod Autoscaler。如果需要,Metrics API也可以通过kubectl top访问。
在本教程中,你将:
- 将 Metrics Server 部署到您的 Kubernetes 集群中。 * 了解如何为您的应用程序创建 horizontal Pod Autoscalers。 * 使用两个场景测试每个 HPA 设置:恒定和可变应用程序负载。
如果您正在寻找一个管理的Kubernetes托管服务,请查看我们的简单的,用于增长的管理的Kubernetes服务(https://www.digitalocean.com/products/kubernetes)。
前提条件
要遵循本教程,您将需要:
- 启用了具有基于作用的存取控制的Kubernetes集群。 此设置将使用 [数字Ocean Kubernetes] (https://www.digitalocean.com/products/kubernetes/]] 集群, 但您也可以 [手动创建集群] (https://andsky.com/tech/tutorials/how-to-create-a-kubernetes-cluster-using-kubeadm-on-ubuntu-20-04) 。 库伯内特斯的版本应该在1.20到1.25之间
- 联合国 )。 如果您正在使用 DigitalOcean Kubernetes 集群,请参见[如何连接到 DigitalOcean Kubernetes 集群 (https://www.digitalocean.com/docs/kubernetes/how-to/connect-to-cluster/),学习如何使用
kubectl连接您的集群 。 - 联合国 您开发环境中可用的版本控制工具[Git] (https://git-scm.com/). 在Ubuntu工作的人可以指: [Ubuntu 22.04上的Git] (https://andsky.com/tech/tutorials/how-to-install-git-on-ubuntu-22-04)
- Kubernetes [Helm] (https://helm.sh/) 软件包管理器也可用于您的开发环境。 可以指: [如何用Helm来安装软件 (https://andsky.com/tech/tutorials/how-to-install-software-on-kubernetes-clusters-with-the-helm-3-package-manager) 在当地安装Helm. .
第1步:通过头盔安装Metrics服务器
您将首先将metrics-server存储库添加到您的helm包列表中,您可以使用helm repo add:
1[environment local]
2helm repo add metrics-server https://kubernetes-sigs.github.io/metrics-server
接下来,使用helm repo update来更新可用的包:
1[environment local]
2helm repo update metrics-server
1[secondary_label Output]
2Hang tight while we grab the latest from your chart repositories...
3...Successfully got an update from the "metrics-server" chart repository
4Update Complete. ⎈Happy Helming!⎈
现在你已将存储库添加到),其中包括metrics-server的配置。
要做到这一点,克隆 Kubernetes Starter Kit Git 存储库:
1[environment local]
2git clone https://github.com/digitalocean/Kubernetes-Starter-Kit-Developers.git
Metrics-server配置位于Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/metrics-server-values-v3.8.2.yaml中,您可以使用nano或您最喜欢的文本编辑器来查看或编辑:
1[environment local]
2nano Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/metrics-server-values-v3.8.2.yaml
它包含一些股票参数,请注意复制是一个固定的值,即2。
1[label metrics-server-values-v3.8.2.yaml]
2## Starter Kit metrics-server configuration
3## Ref: https://github.com/kubernetes-sigs/metrics-server/blob/metrics-server-helm-chart-3.8.2/charts/metrics-server
4##
5
6# Number of metrics-server replicas to run
7replicas: 2
8
9apiService:
10 # Specifies if the v1beta1.metrics.k8s.io API service should be created.
11 #
12 # You typically want this enabled! If you disable API service creation you have to
13 # manage it outside of this chart for e.g horizontal pod autoscaling to
14 # work with this release.
15 create: true
16
17hostNetwork:
18 # Specifies if metrics-server should be started in hostNetwork mode.
19 #
20 # You would require this enabled if you use alternate overlay networking for pods and
21 # API server unable to communicate with metrics-server. As an example, this is required
22 # if you use Weave network on EKS
23 enabled: false
请参阅 Metrics Server 图表页面对 metrics-server 的可用参数进行解释。
<美元 > [注]
注: 在将Kubernetes的部署与正在运行的Kubernetes的版本相匹配时,你需要相当小心,而且helm'图表本身也用于强制执行。 目前的计量服务器 ' 上游 " 掩体 " 图表为3.8.2,该图表部署计量服务器 ' 本身的0.6.1'版本。 从量子服务器相容性矩阵中,可以看到"0.6.x"版本. 支持 Kubernetes 1.19+'。
< $ > (美元)
在您审查了文件并做出任何更改后,您可以通过提供此文件以及头盔安装命令来部署metrics-server:
1[environment local]
2HELM_CHART_VERSION="3.8.2"
3
4helm install metrics-server metrics-server/metrics-server --version "$HELM_CHART_VERSION" \
5 --namespace metrics-server \
6 --create-namespace \
7 -f "Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/metrics-server-values-v${HELM_CHART_VERSION}.yaml"
这将部署metrics-server到您配置的 Kubernetes 集群:
1[secondary_label Output]
2NAME: metrics-server
3LAST DEPLOYED: Wed May 25 11:54:43 2022
4NAMESPACE: metrics-server
5STATUS: deployed
6REVISION: 1
7TEST SUITE: None
8NOTES:
9***********************************************************************
10* Metrics Server *
11***********************************************************************
12 Chart version: 3.8.2
13 App version: 0.6.1
14 Image tag: k8s.gcr.io/metrics-server/metrics-server:v0.6.1
15***********************************************************************
部署后,您可以使用helm ls来验证metrics-server已被添加到部署中:
1[environment local]
2helm ls -n metrics-server
1[secondary_label Output]
2NAME NAMESPACE REVISION UPDATED STATUS CHART APP VERSION
3metrics-server metrics-server 1 2022-02-24 14:58:23.785875 +0200 EET deployed metrics-server-3.8.2 0.6.1
接下来,您可以检查部署到metrics-server名称空间的所有Kubernetes资源的状态:
1[environment local]
2kubectl get all -n metrics-server
根据您部署的配置,无论是deployment.apps还是replicaset.apps值都应计算2个可用实例。
1[secondary_label Output]
2NAME READY STATUS RESTARTS AGE
3pod/metrics-server-694d47d564-9sp5h 1/1 Running 0 8m54s
4pod/metrics-server-694d47d564-cc4m2 1/1 Running 0 8m54s
5
6NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
7service/metrics-server ClusterIP 10.245.92.63 <none> 443/TCP 8m54s
8
9NAME READY UP-TO-DATE AVAILABLE AGE
10deployment.apps/metrics-server 2/2 2 2 8m55s
11
12NAME DESIRED CURRENT READY AGE
13replicaset.apps/metrics-server-694d47d564 2 2 2 8m55s
您现在已经在您的 Kubernetes 集群中部署了metrics-server。在下一步中,您将审查 HorizontalPodAutoscaler 定义自定义资源的一些参数。
步骤2 - 了解HPA
到目前为止,您的配置已经为部署的 ReplicaSet 实例数量使用了固定值. 在此步骤中,您将学习如何定义 HorizontalPodAutoscaler CRD,以便此值可以动态增长或缩小。
一个典型的HorizontalPodAutoscalerCRD看起来是这样的:
1[label crd.yaml]
2apiVersion: autoscaling/v2beta2
3kind: HorizontalPodAutoscaler
4metadata:
5 name: my-app-hpa
6spec:
7 scaleTargetRef:
8 apiVersion: apps/v1
9 kind: Deployment
10 name: my-app-deployment
11 minReplicas: 1
12 maxReplicas: 3
13 metrics:
14 - type: Resource
15 resource:
16 name: cpu
17 target:
18 type: Utilization
19 averageUtilization: 50
在此配置中使用的参数如下:
spec.scaleTargetRef: 被扩展的资源的命名参照. *spec.minReplicas: 自动扩展器可以扩展的复制件数量的最低限制. *spec.maxReplicas: 上限. *spec.metrics.type: 用于计算所需复制件数的计量。
您有两种选择来创建应用部署的 HPA:
- 在现有部署中使用
kubectl autoscale命令 2. 创建 HPA YAML 示例,然后使用kubectl将更改应用到您的集群中。
您将首先尝试选项# 1,使用DigitalOcean Kubernetes Starter Kit的另一个配置,它包含一个名为myapp-test.yaml的部署,该部署将通过创建一些任意的CPU负载来演示行动中的HPA。
您可以使用nano或您最喜欢的文本编辑器来查看该文件:
1[environment local]
2nano Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/hpa/metrics-server/myapp-test.yaml
1[label myapp-test.yaml]
2apiVersion: apps/v1
3kind: Deployment
4metadata:
5 name: myapp-test
6spec:
7 selector:
8 matchLabels:
9 run: myapp-test
10 replicas: 1
11 template:
12 metadata:
13 labels:
14 run: myapp-test
15 spec:
16 containers:
17 - name: busybox
18 image: busybox
19 resources:
20 limits:
21 cpu: 50m
22 requests:
23 cpu: 20m
24 command: ["sh", "-c"]
25 args:
26 - while [ 1 ]; do
27 echo "Test";
28 sleep 0.01;
29 done
注意这个文件的最后几行. 它们包含一些壳语法,可以重复打印测试一百次每秒,以模拟负载. 一旦你完成了审查文件,你可以使用kubectl部署到你的集群中:
1[environment local]
2kubectl apply -f Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/hpa/metrics-server/myapp-test.yaml
接下来,使用kubectl autoscale创建一个针对myapp-test部署的HorizontalPodAutoscaler:
1[environment local]
2kubectl autoscale deployment myapp-test --cpu-percent=50 --min=1 --max=3
请注意传递给这个命令的参数 - 这意味着每次CPU利用率达到50%时,您的部署都会在1和3复制品之间进行扩展。
您可以通过运行kubectl get hpa来检查是否创建了 HPA 资源:
1[environment local]
2kubectl get hpa
输出的目标列最终会显示当前使用率% / 目标使用率%的数字。
1[secondary_label Output]
2NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
3myapp-test Deployment/myapp-test 240%/50% 1 3 3 52s
<$>[注] 注: )。这是正常的,因为HPA需要随着时间的推移收集平均值,并且在第一个15秒间隔之前不会有足够的数据。
您还可以使用kubectl 描述来观察 HPA 生成的日志事件:
1[environment local]
2kubectl describe hpa myapp-test
1[secondary_label Output]
2Name: myapp-test
3Namespace: default
4Labels: <none>
5Annotations: <none>
6CreationTimestamp: Mon, 28 May 2022 10:10:50 -0800
7Reference: Deployment/myapp-test
8Metrics: ( current / target )
9 resource cpu on pods (as a percentage of request): 240% (48m) / 50%
10Min replicas: 1
11Max replicas: 3
12Deployment pods: 3 current / 3 desired
13...
14Events:
15 Type Reason Age From Message
16 ---- ------ ---- ---- -------
17 Normal SuccessfulRescale 17s horizontal-pod-autoscaler New size: 2; reason: cpu resource utilization (percentage of request) above target
18 Normal SuccessfulRescale 37s horizontal-pod-autoscaler New size: 3; reason: cpu resource utilization (percentage of request) above target
在生产场景中,你通常应该使用一个专用YAML宣言来定义每个HPA。这样,你可以通过将宣言致力于Git仓库来跟踪变化,并根据需要进行修改。
在继续前,删除myapp-test部署和相应的HPA资源:
1[environment local]
2kubectl delete hpa myapp-test
3kubectl delete deployment myapp-test
第3步:通过Metrics Server自动扩展应用程序
在这最后一步中,您将尝试两种不同的方式来生成服务器负载和扩展通过YAML表达式:
- 一个应用程序部署,通过执行一些CPU密集的计算来创建恒定的负载 2. 一个壳脚本通过对Web应用程序执行快速连续的HTTP调用来模拟该外部负载。
连续负载测试
在这种情况下,你将创建一个使用Python实现的样本应用程序,该应用程序执行一些CPU密集的计算。类似于上一个步骤的壳脚本,这个Python代码包含在启动套件的示例 manifests之一中。
1[environment local]
2nano Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/hpa/metrics-server/constant-load-deployment-test.yaml
1[label constant-load-deployment-test.yaml]
2---
3apiVersion: v1
4kind: ConfigMap
5metadata:
6 name: python-test-code-configmap
7data:
8 entrypoint.sh: |-
9 #!/usr/bin/env python
10
11 import math
12
13 while True:
14 x = 0.0001
15 for i in range(1000000):
16 x = x + math.sqrt(x)
17 print(x)
18 print("OK!")
19
20---
21apiVersion: apps/v1
22kind: Deployment
23metadata:
24 name: constant-load-deployment-test
25spec:
26 selector:
27 matchLabels:
28 run: python-constant-load-test
29 replicas: 1
30 template:
31 metadata:
32 labels:
33 run: python-constant-load-test
34 spec:
35 containers:
36 - name: python-runtime
37 image: python:alpine3.15
38 resources:
39 limits:
40 cpu: 50m
41 requests:
42 cpu: 20m
43 command:
44 - /bin/entrypoint.sh
45 volumeMounts:
46 - name: python-test-code-volume
47 mountPath: /bin/entrypoint.sh
48 readOnly: true
49 subPath: entrypoint.sh
50 volumes:
51 - name: python-test-code-volume
52 configMap:
53 defaultMode: 0700
54 name: python-test-code-configmap
Python 代码,该代码反复生成任意的平方根,是上面提到的。部署将收集一个托管所需的 python 运行时间的 docker 图像,然后将一个ConfigMap附加到托管先前显示的样本 Python 脚本的Pod应用程序。
首先,为此部署创建一个单独的名称空间(为了更好地观察),然后通过kubectl部署它:
1[environment local]
2kubectl create ns hpa-constant-load
3
4kubectl apply -f Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/hpa/metrics-server/constant-load-deployment-test.yaml -n hpa-constant-load
1[secondary_label Output]
2configmap/python-test-code-configmap created
3deployment.apps/constant-load-deployment-test created
<$>[注] 注: 示例 [部署](资产/示例/hpa/metrics-server/constant-load-deployment-test.yaml# L37)也为示例应用程序 Pods 配置资源请求限制,这很重要,因为 HPA 逻辑依赖于为您的 Pods 设置资源请求限制。
检查部署是否成功创建,并且它正在运行:
1[environment local]
2kubectl get deployments -n hpa-constant-load
1[secondary_label Output]
2NAME READY UP-TO-DATE AVAILABLE AGE
3constant-load-deployment-test 1/1 1 1 8s
接下来,您需要在这个集群中部署另一个 HPA. 在 constant-load-hpa-test.yaml 中有一个与此场景匹配的示例,您可以使用 nano 或您最喜欢的文本编辑器打开:
1[environment local]
2nano Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/hpa/metrics-server/constant-load-hpa-test.yaml -n hpa-constant-load
1[label constant-load-hpa-test.yaml]
2apiVersion: autoscaling/v2beta2
3kind: HorizontalPodAutoscaler
4metadata:
5 name: constant-load-test
6spec:
7 scaleTargetRef:
8 apiVersion: apps/v1
9 kind: Deployment
10 name: constant-load-deployment-test
11 minReplicas: 1
12 maxReplicas: 3
13 metrics:
14 - type: Resource
15 resource:
16 name: cpu
17 target:
18 type: Utilization
19 averageUtilization: 50
通过kubectl部署:
1[environment local]
2kubectl apply -f Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/hpa/metrics-server/constant-load-hpa-test.yaml -n hpa-constant-load
这将创建一个HPA资源,瞄准样本Python部署,您可以通过kubectl get hpa检查恒定负载测试的HPA状态:
1[environment local]
2kubectl get hpa constant-load-test -n hpa-constant-load
请注意参考列针对恒定负载部署测试,以及目标列显示当前 CPU 资源请求与门槛值,如上一个示例。
1[secondary_label Output]
2NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
3constant-load-test Deployment/constant-load-deployment-test 255%/50% 1 3 3 49s
您也可能注意到REPLICAS列值从1增加到3用于示例应用部署,正如 HPA CRD 规格中所述。
外部负载测试
一个更有趣和现实的场景是观察外部负载创建的地方. 对于这个最终的示例,您将使用不同的名称空间和示例集,以避免从上一个测试中重复使用任何数据。
此示例将使用(https://github.com/datawire/quote)样本服务器。每次向该服务器发送 HTTP 请求时,它会作为回应发送不同的请求。 您将通过每 1 分钟发送 HTTP 请求来创建集群的负载。 此部署包含在 quote_deployment.yaml 中。 使用 nano` 或您最喜欢的文本编辑器来审查此文件:
1[environment local]
2nano Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/hpa/metrics-server/quote_deployment.yaml
1[label quote_deployment.yaml]
2---
3apiVersion: apps/v1
4kind: Deployment
5metadata:
6 name: quote
7spec:
8 replicas: 1
9 selector:
10 matchLabels:
11 app: quote
12 template:
13 metadata:
14 labels:
15 app: quote
16 spec:
17 containers:
18 - name: quote
19 image: docker.io/datawire/quote:0.4.1
20 ports:
21 - name: http
22 containerPort: 8080
23 resources:
24 requests:
25 cpu: 100m
26 memory: 50Mi
27 limits:
28 cpu: 200m
29 memory: 100Mi
30
31---
32apiVersion: v1
33kind: Service
34metadata:
35 name: quote
36spec:
37 ports:
38 - name: http
39 port: 80
40 targetPort: 8080
41 selector:
42 app: quote
请注意,实际的 HTTP 查询脚本不包含在这个 manifests 中 - 这个 manifests 只提供一个应用程序现在可以运行查询. 当您完成审查文件时,创建 quote的名称空间和部署使用 kubectl:
1[environment local]
2kubectl create ns hpa-external-load
3
4kubectl apply -f Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/hpa/metrics-server/quote_deployment.yaml -n hpa-external-load
检查引用应用程序部署和服务是否正在运行:
1[environment local]
2kubectl get all -n hpa-external-load
1[secondary_label Output]
2NAME READY STATUS RESTARTS AGE
3pod/quote-dffd65947-s56c9 1/1 Running 0 3m5s
4
5NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
6service/quote ClusterIP 10.245.170.194 <none> 80/TCP 3m5s
7
8NAME READY UP-TO-DATE AVAILABLE AGE
9deployment.apps/quote 1/1 1 1 3m5s
10
11NAME DESIRED CURRENT READY AGE
12replicaset.apps/quote-6c8f564ff 1 1 1 3m5s
接下来,您将创建HPA用于引文的部署。 此设置在quote-deployment-hpa-test.yaml中。 在nano或您最喜欢的文本编辑器中查看文件:
1[environment local]
2nano Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/hpa/metrics-server/quote-deployment-hpa-test.yaml
1[label quote-deployment-hpa-test.yaml]
2apiVersion: autoscaling/v2beta2
3kind: HorizontalPodAutoscaler
4metadata:
5 name: external-load-test
6spec:
7 scaleTargetRef:
8 apiVersion: apps/v1
9 kind: Deployment
10 name: quote
11 behavior:
12 scaleDown:
13 stabilizationWindowSeconds: 60
14 minReplicas: 1
15 maxReplicas: 3
16 metrics:
17 - type: Resource
18 resource:
19 name: cpu
20 target:
21 type: Utilization
22 averageUtilization: 20
请注意,在这种情况下,CPU利用率资源度量表("20%`")有不同的阈值设定. 还有一个不同的缩放行为。 这种配置改变了 " 下.稳定Window Seconds " 行为,并将其设定为下等值为 " 60 " 秒。 这在实际中并不总是需要的,但在这种情况下,你可能想要加快事情的进度,以更快地看到自动缩放器如何进行缩放动作. 默认情况下, " Horizontal PodAutoscale " 的冷却期为5分钟。 这在多数情况下都足够了,在复制品规模扩大时应可避免波动.
当你准备好时,使用kubectl部署它:
1[environment local]
2kubectl apply -f Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/manifests/hpa/metrics-server/quote-deployment-hpa-test.yaml -n hpa-external-load
现在,检查HPA资源是否存在并活着:
1[environment local]
2kubectl get hpa external-load-test -n hpa-external-load
1[secondary_label Output]
2NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
3external-load-test Deployment/quote 1%/20% 1 3 1 108s
最后,您将运行实际的 HTTP 查询,使用壳脚本 `quote_service_load_test.sh. 此壳脚本之前没有嵌入到显示中的原因是,您可以观察它在您的集群中运行,同时直接登录到您的终端。
1[environment local]
2nano Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/scripts/quote_service_load_test.sh
1[label quote_service_load_test.sh]
2#!/usr/bin/env sh
3
4echo
5echo "[INFO] Starting load testing in 10s..."
6sleep 10
7echo "[INFO] Working (press Ctrl+C to stop)..."
8kubectl run -i --tty load-generator \
9 --rm \
10 --image=busybox \
11 --restart=Never \
12 -n hpa-external-load \
13 -- /bin/sh -c "while sleep 0.001; do wget -q -O- http://quote; done" > /dev/null 2>&1
14echo "[INFO] Load testing finished."
要进行此演示,请打开两个单独的终端窗口. 首先,运行quote_service_load_test.sh壳脚本:
1[environment local]
2Kubernetes-Starter-Kit-Developers/09-scaling-application-workloads/assets/scripts/quote_service_load_test.sh
接下来,在第二个窗口中,使用HPA资源上的w标志运行一个kubectl观看命令:
1[environment local]
2kubectl get hpa -n hpa-external-load -w
您应该看到负载向上滚动并自动扩展:
1[secondary_label Output]
2NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
3external-load-test Deployment/quote 1%/20% 1 3 1 2m49s
4external-load-test Deployment/quote 29%/20% 1 3 1 3m1s
5external-load-test Deployment/quote 67%/20% 1 3 2 3m16s
您可以观察自动缩放器在加载时如何启动,并将引用服务器部署副本设置增加到更高的值。一旦加载生成器脚本被停止,就会有一个冷却期,然后在1分钟或更长时间后,副本集被降至1的初始值。
结论
在本教程中,您部署并观察了使用Kubernetes Metrics Server的Horizontal Pod Autoscaling(HPA)的行为,在几个不同的场景下。
Metrics Server有一个显著的局限性,因为它不能提供超出CPU或内存用量的任何度量. 您可以进一步审查量子服务器文档,以了解如何在其使用的情况下工作。 如果需要使用任何其他度量衡(如磁盘用量或网络负载)来缩放,可以通过一个特殊的适配器来使用Prometheus,命名为Prometheus-adapter.