Kubernetes弹性伸缩全场景解读（二） - HPA的原理与演进

前言

在上一篇文章中，我们介绍了在Kubernetes在处理弹性伸缩时的设计理念以及相关组件的布局，在今天这篇文章中，会为大家介绍在Kubernetes中弹性伸缩最常用的组件HPA（Horizontal Pod Autoscaler）。HPA是通过计算Pod的实际工作负载进行重新容量规划的组件，在资源池符合满足条件的前提下，HPA可以很好的实现弹性伸缩的模型。HPA到目前为止，已经演进了三个大的版本，在本文中会为大家详细解析HPA底层的原理以及在Kubernetes中弹性伸缩概念的演变历程。

HPA基本原理

HPA是根据实际工作负载水平伸缩容器数目的组件，从中可以提炼出两个非常重要的关键字：负载和数目。我们可以用一个非常简单的数学公式进行归纳：

下面举一个实际例子进行上述公式的阐述，假设存在一个叫A的Deployment，包含3个Pod，每个副本的Request值是1核，当前3个Pod的CPU利用率分别是60%、70%与80%，此时我们设置HPA阈值为50%，最小副本为3，最大副本为10。接下来我们将上述的数据带入公式中。

总的Pod的利用率是60%+70%+80% = 210%。
当前的Target是3。
算式的结果是70%，大于阈值的50%阈值，因此当前的Target数目过小，需要进行扩容。
重新设置Target值为5，此时算式的结果为42%低于50%，判断还需要扩容两个容器。
此时HPA设置Replicas为5，进行Pod的水平扩容。

经过上面的推演，可以协助开发者快速理解HPA最核心的原理，不过上面的推演结果和实际情况下是有所出入的，如果开发者进行试验的话，会发现Replicas最终的结果是6而不是5。这是由于HPA中一些细节的处理导致的，主要包含如下三个主要的方面：

噪声处理

通过上面的公式可以发现，Target的数目很大程度上会影响最终的结果，而在Kubernetes中，无论是变更或者升级，都更倾向于使用Recreate而不是Restart的方式进行处理。这就导致了在Deployment的生命周期中，可能会出现某一个时间，Target会由于计算了Starting或者Stopping的的Pod而变得很大。这就会给HPA的计算带来非常大的噪声，在HPA Controller的计算中，如果发现当前的对象存在Starting或者Stopping的Pod会直接跳过当前的计算周期，等待状态都变为Running再进行计算。

冷却周期

在弹性伸缩中，冷却周期是不能逃避的一个话题，很多时候我们期望快速弹出与快速回收，而另一方面，我们又不希望集群震荡，所以一个弹性伸缩活动冷却周期的具体数值是多少，一直被开发者所挑战。在HPA中，默认的扩容冷却周期是3分钟，缩容冷却周期是5分钟。

边界值计算

我们回到刚才的计算公式，第一次我们算出需要弹出的容器数目是5，此时扩容后整体的负载是42%，但是我们似乎忽略了一个问题，一个全新的Pod启动会不会自己就占用了部分资源？此外，8%的缓冲区是否就能够缓解整体的负载情况，要知道当一次弹性扩容完成后，下一次扩容要最少等待3分钟才可以继续扩容。为了解决这些问题，HPA引入了边界值△，目前在计算边界条件时，会自动加入10%的缓冲，这也是为什么在刚才的例子中最终的计算结果为6的原因。

HPA的演进历程

在了解了HPA的基本原理后，我们来聊一下HPA的演进历程，目前HPA已经支持了autoscaling/v1、autoscaling/v1beta1和autoscaling/v1beta2三个大版本。大部分的开发者目前比较熟悉的是autoscaling/v1的版本，这个版本的特点是只支持CPU一个指标的弹性伸缩，大致的yaml内容如下：

apiVersion: autoscaling/v1
kind: HorizontalPodAutoscaler
metadata:
  name: php-apache
  namespace: default
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: php-apache
  minReplicas: 1
  maxReplicas: 10
  targetCPUUtilizationPercentage: 50

接下来我们再来看一下v2beta1与v2beta2的yaml，会发现里面支持的metrics类型增加了很多，结构也复杂了很多。

apiVersion: autoscaling/v2beta1
kind: HorizontalPodAutoscaler
metadata:
  name: php-apache
  namespace: default
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: php-apache
  minReplicas: 1
  maxReplicas: 10
  metrics:
  - type: Resource
    resource:
      name: cpu
      target:
        kind: AverageUtilization
        averageUtilization: 50
  - type: Pods
    pods:
      metric:
        name: packets-per-second
      targetAverageValue: 1k
  - type: Object
    object:
      metric:
        name: requests-per-second
      describedObject:
        apiVersion: extensions/v1beta1
        kind: Ingress
        name: main-route
      target:
        kind: Value
        value: 10k
---
apiVersion: autoscaling/v2beta2
kind: HorizontalPodAutoscaler
metadata:
  name: php-apache
  namespace: default
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: php-apache
  minReplicas: 1
  maxReplicas: 10
  metrics:
  - type: Resource
    resource:
      name: cpu
      target:
        type: Utilization
        averageUtilization: 50

而这些变化的产生不得不提的是Kubernetes社区中对监控与监控指标的认识与转变。在Kubernetes中，有两个核心的监控组件Heapster与Metrics Server。Heapster是早期Kubernetes社区中唯一的监控组件，它所包含的功能很强大，通过采集kubelet提供的metrics接口，并支持监控数据的离线与归档。

大致的架构图如下，source的部分是不同的数据来源，主要是kubelet的common api与后来提供的summary api；processor的作用是将采集的数据进行处理，分别在namespace级别、cluster级别进行聚合，并创建新的聚合类型的监控数据；sink的作用是数据离线与归档，常见的归档方式包括influxdb、kafka等等。Heapster组件在相当长时间成为了Kubernetes社区中监控数据的唯一来源，也因此有非常多的和监控相关的组件通过Heapster的链路进行监控数据的消费。但是后来，Kubernetes社区发现了Heapster存在非常严重的几个问题。

强大繁多的Sink由不同的Maintainer进行维护，50%以上的Heapster Issues都是关于Sink无法使用的，而由于Maintainer的活跃度不同造成Heapster社区有大量的issues无法解决。
对于开发者而言，监控数据的类型已经不再是CPU、Memory这么简单的几个指标项了，越来越多的开发者需要应用内或者接入层的监控指标，例如ingress的QPS、应用的在线活跃人数等等。而这些指标的获取是Heapster无法实现的。
Prometheus的成熟让Heapster的生存空间不断被挤压，自从Prometheus被CNCF收录为孵化项目，Heapster的不可替代地位被正式移除。

社区经过反思后，决定将监控的指标边界进行划分，分为Resource、Custom和External三种不同的Metrics，而Heapster(Metrics Server)的定位就只关心在了Resource这一种指标类型。为了解决代码维护性的问题，Metrics Server对Heapster进行了裁剪，裁剪后的架构如下：

去掉了Sink的机制，并将调用方式改为标准的API注册的方式，这样的好处是既精简了核心代码的逻辑又提供了替代的可能，也就是说此时Metrics Server也是可以替代的，只要实现了相同的API接口，并注册到API Server上，就可以替代Metrics Server。

接下来我们解析一下三种不同的Metrics与使用的场景

	API	注释
Resource	metrics.k8s.io	Pod的资源指标，计算的时要除以Pod数目再对比阈值进行判断
Custom	custom.metrics.k8s.io	Object： CRD等对象的监控指标，直接计算指标比对阈值 Pods : 每个Pod的自定义指标，计算时要除以Pods的数目
External	external.metrics.k8s.io	External：集群指标的监控指标，通常由云厂商实现

其中autoscaling/v2beta1支持Resource与Custom两种指标，而autoscaling/v2beta2中增加了External的指标的支持。

最后

HPA目前已经进入了GA阶段，在大体的功能上面不会进行过多的变化，目前社区的主要发力点在如何配置化的调整细节参数、丰富监控adapter的实现等等。在本文中，我们在概念上给大家介绍了HPA的一些原理以及发展的趋势，在下一篇文章中，我们会为大家讲解如何开启v2beta1与v2beta2的。