HPA原理
K8S弹性伸缩，指在大业务量情况下，当前容器资源如cpu，内存，自定义指标等，已超出正常设定的范围时进行的自动扩容操作，将业务负载到扩容后的容器上，降低容器压力，直到达到HPA设定的容器数量上限，当业务量降低后，实现自动缩容操作。Kubernetes 中的 Metrics Server 持续采集所有 Pod 副本的指标数据。HPA 控制器通过 Metrics Server 的 API（Heapster 的 API 或聚合 API）获取这些数据，基于用户定义的扩缩容规则进行计算，得到目标 Pod 副本数量。当目标 Pod 副本数量与当前副本数量不同时，HPA 控制器就向 Pod 的副本控制器（Deployment、RC 或 ReplicaSet）发起 scale 操作，调整 Pod 的副本数量，完成扩缩容操作。
HPA的具有扩缩容冷却周期，防止因网络抖动而造成的不必要扩缩容操作
扩容冷却时间默认值：3分钟
缩容冷却时间默认值：5分钟
可以通过调整kube-controller-manager组件启动参数设置冷却时间：
--horizontal-pod-autoscaler-downscale-delay ：扩容冷却
--horizontal-pod-autoscaler-upscale-delay ：缩容冷却
HPA发展初期只支持内存，cpu的自动扩缩容操作，不支持自定义指标，发展至今，已经可以通过第三方插件与Prometheus等监控服务进行交互，获取到自定义指标，并转换成apiserver能够理解的内容，供HPA进行自动化扩缩容操作。如下图
HPA发展历程
目前 HPA 已经支持了 autoscaling/v1、autoscaling/v2beta1和autoscaling/v2beta2 三个大版本 。
目前大多数人比较熟悉是autoscaling/v1，这个版本只支持CPU一个指标的弹性伸缩。
而autoscaling/v2beta1增加了支持自定义指标，autoscaling/v2beta2又额外增加了外部指标支持。
而产生这些变化不得不提的是Kubernetes社区对监控与监控指标的认识与转变。从早期Heapster到Metrics Server再到将指标边界进行划分，一直在丰富监控生态。
传统HPA，只针对cpu，内存进行扩缩容编写方式也很简单，可以通过yaml，也可以通过kubectl 命令行形式设定阀值。
v1版本：
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
v2beta2版本：
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
- type: Pods
pods:
metric:
name: packets-per-second
target:
type: AverageValue
averageValue: 1k
- type: Object
object:
metric:
name: requests-per-second
describedObject:
apiVersion: networking.k8s.io/v1beta1
kind: Ingress
name: main-route
target:
type: Value
value: 10k
- type: External
external:
metric:
name: queue_messages_ready
selector: "queue=worker_tasks"
target:
type: AverageValue
averageValue: 30
Resource：指的是当前伸缩对象下的pod的cpu和memory指标，只支持Utilization和AverageValue类型的目标值。
Object：指的是指定k8s内部对象的指标，数据需要第三方adapter提供，只支持Value和AverageValue类型的目标值。
Pods：指的是伸缩对象Pods的指标，数据需要第三方的adapter提供，只允许AverageValue类型的目标值。
External：指的是k8s外部的指标，数据同样需要第三方的adapter提供，只支持Value和AverageValue类型的目标值。
基于Prometheus自定义指标缩放
1.部署Prometheus
参考我之前的博客部署即可
2.部署Prometheus Adapter
但是prometheus采集到的metrics并不能直接给k8s用，因为两者数据格式不兼容，还需要另外一个组件(k8s-prometheus-adpater)，将prometheus的metrics 数据格式转换成k8s API接口能识别的格式，转换以后，因为是自定义 API，所以还需要用Kubernetes aggregator在主APIServer中注册，以便直接通过/apis/来访问。
直接使用Helm Charts安装
# wget https://get.helm.sh/helm-v3.0.0-linux-amd64.tar.gz
# tar zxvf helm-v3.0.0-linux-amd64.tar.gz
# mv linux-amd64/helm /usr/bin/
# helm repo add stable http://mirror.azure.cn/kubernetes/charts
# helm repo update
# helm repo list
# helm install prometheus-adapter stable/prometheus-adapter --namespace kube-system --set prometheus.url=http://prometheus.kube-system,prometheus.port=9090
# helm list -n kube-system
确保适配器adapter注册到apiserver
# kubectl get apiservices |grep custom
# kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1"
3.创建metrics deployment
容器需要暴露出让prometheus获取数据的端口，metrics路径，需要和开发商量好，服务暴露在外的需要监控的指标放在/metrics路径下
注意：镜像为私人镜像，需要实验的话，需要进行替换
apiVersion: apps/v1
kind: Deployment
metadata:
labels:
app: metrics-app
name: metrics-app
spec:
replicas: 3
selector:
matchLabels:
app: metrics-app
template:
metadata:
labels:
app: metrics-app
annotations:
prometheus.io/scrape: "true"
prometheus.io/port: "80"
prometheus.io/path: "/metrics"
spec:
containers:
- image: 172.30.0.109/metrics-app
name: metrics-app
ports:
- name: web
containerPort: 80
resources:
requests:
cpu: 200m
memory: 256Mi
readinessProbe:
httpGet:
path: /
port: 80
initialDelaySeconds: 3
periodSeconds: 5
livenessProbe:
httpGet:
path: /
port: 80
initialDelaySeconds: 3
periodSeconds: 5
---
apiVersion: v1
kind: Service
metadata:
name: metrics-app
labels:
app: metrics-app
spec:
ports:
- name: web
port: 80
targetPort: 80
selector:
app: metrics-app
访问容器/metrics路径，得到总共http访问量，经过prometheus指标转换为QPS
4.创建HPA规则
针对容器QPS进行扩缩容操作，Pods类型只支持averageValue，deployment最大扩容数设为10。
HPA yaml：
apiVersion: autoscaling/v2beta2
kind: HorizontalPodAutoscaler
metadata:
name: metrics-app-hpa
namespace: default
spec:
scaleTargetRef:
apiVersion: apps/v1
kind: Deployment
name: metrics-app
minReplicas: 1
maxReplicas: 10
metrics:
- type: Pods
pods:
metric:
name: http_requests_per_second
target:
type: AverageValue
averageValue: 800m # 800m 即0.8个/秒
配置好HPA后，hpa还不能获取到http_requests_per_second的数据，kubetcl get hpa看到的获取指标是unknown，需要在prometheus adapter适配器中配置http_requests_per_second
相当于白名单，去获取prometheus中的指标数据。
修改prometheus adapter configmap
# kubectl edit cm -n kube-system prometheus-adapter
新增：
- seriesQuery: 'http_requests_total{kubernetes_namespace!="",kubernetes_pod_name!=""}'
resources:
overrides:
kubernetes_namespace: {resource: "namespace"}
kubernetes_pod_name: {resource: "pod"}
name:
matches: "^(.*)_total"
as: "${1}_per_second"
metricsQuery: 'sum(rate(<<.Series>>{<<.LabelMatchers>>}[2m])) by (<<.GroupBy>>)'
这里主要是利用promSQL的形式通过将http_requests_total转换成一个区间的平均访问量，如上两分钟，求容器所有的和，即为QPS
注意：将/metrics中的http_requests_total名称替换为http_requests_per_second，HPA根据http_requests_per_second去获取指标数据进行扩缩容操作
prometheus-adapter配置修改后，需要重启容器加载新的配置
到这一步，指标已经获取到了
# kubectl get hpa
5.测试HPA
进行压测
# yum install -y httpd-tools
使用ab命令对metrics-app service进行压力测试
查看HPA，指标数据已经打满，deployment下的容器已经扩容到了10个，等压力测试结束，就会自动缩容
