K8s学习笔记(十八) HPA控制器

能不能别报错2025-10-17 16:14

要掌握 Kubernetes (K8s) 的 HPA（Horizontal Pod Autoscaler，水平 Pod 自动扩缩容） 控制器，需从「基础概念→前提条件→核心原理→实践操作→高级配置」逐步拆解，最终实现 "理解逻辑 + 动手落地"。以下是系统化的学习指南：

1 HPA 是什么？为什么需要它？

1.1 HPA 的核心作用

HPA 是 K8s 中负责 "根据资源使用率或自定义指标，自动调整 Pod 副本数量" 的控制器，解决以下问题：

  • 高峰期：Pod 负载过高（如 CPU 使用率 90%），自动增加副本（扩容），避免服务卡顿；
  • 低谷期：Pod 负载过低（如 CPU 使用率 10%），自动减少副本（缩容），节省资源。

1.2 HPA 与其他扩缩容的区别

类型 作用范围 触发方式 典型场景
HPA（水平） Pod 副本数（横向扩展） 指标触发（CPU / 内存 / 自定义） 业务流量波动（如电商促销）
VPA（垂直） Pod 资源配额（纵向扩展） 指标触发（资源不足） 单 Pod 性能瓶颈（如内存不够）
手动扩缩容 Pod 副本数 人工执行 kubectl scale 临时调整（如紧急修复）

本文聚焦 HPA，这是生产环境中最常用的自动扩缩容方案。

2 前提条件：HPA 依赖什么？

HPA 本身不收集指标，需依赖外部组件提供 "指标数据"，核心依赖是 Metrics Server（K8s 官方的基础指标采集组件）。

2.1 必须部署 Metrics Server

Metrics Server 负责从 Kubelet 采集 Pod/Node 的 基础指标 （CPU 使用率、内存使用率），并通过 K8s API（metrics.k8s.io）暴露给 HPA。

部署 Metrics Server（步骤）

  1. 下载官方部署文件（适配 K8s 1.24+，低版本需调整）：

    bash 复制代码 
    wget https://github.com/kubernetes-sigs/metrics-server/releases/latest/download/components.yaml

  2. 编辑 components.yaml，在 spec.containers.args中添加--kubelet-insecure-tls

    （跳过 Kubelet 证书验证，测试环境用；生产环境需配置证书）：

    yaml 复制代码 
    spec:
  containers:
  - name: metrics-server
    image: k8s.gcr.io/metrics-server/metrics-server:v0.6.4  # 替换为最新版本
    args:
      - --cert-dir=/tmp
      - --secure-port=4443
      - --kubelet-preferred-address-types=InternalIP,ExternalIP,Hostname
      - --kubelet-use-node-status-port
      - --kubelet-insecure-tls  # 新增这行（测试环境）

  3. 部署并验证：

    bash 复制代码 
    # 部署
kubectl apply -f components.yaml

# 检查 Pod 是否运行（命名空间 kube-system）
kubectl get pods -n kube-system | grep metrics-server

# 验证指标是否能获取（查看 Node/Pod 指标）
kubectl top node  # 查看节点 CPU/内存使用
kubectl top pod   # 查看 Pod CPU/内存使用

    ✅ 若 kubectl top能正常输出指标，说明 Metrics Server 部署成功，HPA 可正常获取基础指标。

3 核心原理：HPA 如何决策扩缩容？

3.1 步骤 1：采集指标

HPA 定期（默认 15 秒，可通过 --horizontal-pod-autoscaler-sync-period 调整）从 Metrics Server 或自定义指标源（如 Prometheus）获取指标，支持 3 类指标：

  • 资源指标（Resource Metrics）：K8s 内置的 CPU / 内存，基于 Pod 请求（Request）计算使用率（如 "CPU 使用率 50%"= 实际使用 / Request）；
  • 容器资源指标（Container Resource Metrics）：针对单个容器的 CPU / 内存（而非整个 Pod）；
  • 自定义指标（Custom Metrics）：业务指标（如 QPS、请求延迟、并发用户数），需依赖 Prometheus + k8s-prometheus-adapter 等组件。

3.2 步骤 2：计算期望副本数

HPA 基于 "当前指标值" 和 "目标指标值"，通过公式计算 期望副本数，核心公式如下：

plaintext 复制代码 
期望副本数 = ceil(当前副本数 × (当前指标值 / 目标指标值))

  • 例：当前副本数 = 2，目标 CPU 使用率 = 50%，实际 CPU 使用率 = 100%

    期望副本数 = 2 × (100%/50%)=4 → 自动扩容到 4 个副本。

关键约束（避免极端情况）：
  • 最小副本数（minReplicas）：扩缩容的下限（如至少 2 个副本，避免缩到 0）；
  • 最大副本数（maxReplicas）：扩缩容的上限（如最多 10 个副本，避免资源耗尽）；
  • 容忍阈值：指标波动在 ±10% 内（默认），不触发扩缩容（避免频繁调整）；
  • 冷却时间：扩容后需等待 3 分钟（默认）才能再次扩容，缩容后需等待 5 分钟（默认）才能再次缩容（避免 "震荡"）。

3.3 步骤 3：执行扩缩容

HPA 通过 K8s API 调用 Deployment/StatefulSet 的 scale 接口，修改其 replicas 字段，实现 Pod 副本数的自动调整。

4 实践操作：从零实现 HPA 扩缩容

4.1 准备测试资源（Deployment + Service）

先创建一个简单的 Nginx Deployment（模拟业务服务），并配置 CPU Request（HPA 计算使用率的基础）:

yaml 复制代码 
# 新建文件：nginx-deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: nginx-deploy
spec:
  replicas: 2  # 初始副本数
  selector:
    matchLabels:
      app: nginx
  template:
    metadata:
      labels:
        app: nginx
    spec:
      containers:
      - name: nginx
        image: nginx:1.21
        resources:
          requests:  # HPA 依赖 Request 计算使用率，必须配置！
            cpu: 100m  # 100 毫核（0.1 CPU）
            memory: 128Mi
          limits:
            cpu: 200m
            memory: 256Mi
---
# 可选：创建 Service（方便外部访问压测）
apiVersion: v1
kind: Service
metadata:
  name: nginx-svc
spec:
  selector:
    app: nginx
  ports:
  - port: 80
    targetPort: 80
  type: NodePort  # 测试环境用 NodePort 暴露服务

部署资源：

bash 复制代码 
kubectl apply -f nginx-deployment.yaml

# 验证：Deployment 副本数是否为 2
kubectl get deploy nginx-deploy
# 输出示例：READY   UP-TO-DATE   AVAILABLE   AGE
#          2/2     2            2           1m

4.2 创建 HPA 资源

通过 YAML 文件创建 HPA，配置 "基于 CPU 使用率的扩缩容规则"：

yaml 复制代码 
# 新建文件：nginx-hpa.yaml
apiVersion: autoscaling/v2  # 注意版本：v2 支持更多指标（v1 仅支持 CPU）
kind: HorizontalPodAutoscaler
metadata:
  name: nginx-hpa
spec:
  scaleTargetRef:  # 关联的 Deployment（HPA 要控制的目标）
    apiVersion: apps/v1
    kind: Deployment
    name: nginx-deploy
  minReplicas: 2  # 最小副本数（避免缩到 0）
  maxReplicas: 10  # 最大副本数（避免资源耗尽）
  metrics:  # 扩缩容指标配置（这里用 CPU 使用率）
  - type: Resource
    resource:
      name: cpu
      target:
        type: Utilization  # 基于"使用率"（而非绝对值）
        averageUtilization: 50  # 目标 CPU 使用率：50%

创建 HPA 并验证：

bash 复制代码 
# 创建 HPA
kubectl apply -f nginx-hpa.yaml

# 查看 HPA 状态（关键！观察指标和副本数）
kubectl get hpa nginx-hpa -o wide
# 输出示例（初始状态，负载低）：
# NAME         REFERENCE               TARGETS   MINPODS   MAXPODS   REPLICAS   AGE
# nginx-hpa    Deployment/nginx-deploy  5%/50%    2         10        2          1m
  • TARGETS：左侧是 "当前 CPU 使用率"（5%），右侧是 "目标使用率"（50%）；
  • REPLICAS：当前副本数（2），未触发扩缩容。

4.3 模拟负载，验证 HPA 扩容

通过 busybox 容器向 Nginx 发送大量请求，触发 CPU 使用率升高，观察 HPA 是否自动扩容。

步骤 1：启动 busybox 压测容器
bash 复制代码 
# 启动一个交互式 busybox 容器
kubectl run -it --rm load-generator --image=busybox /bin/sh
步骤 2：在 busybox 内执行压测命令

先获取 Nginx Service 的 ClusterIP（或 NodePort + 节点 IP）：

bash 复制代码 
# 在 busybox 容器内执行（获取 Nginx Service 的 ClusterIP）
NGINX_SVC_IP=$(kubectl get svc nginx-svc -o jsonpath='{.spec.clusterIP}')

# 执行压测（用 wget 循环请求 Nginx，消耗 CPU）
while true; do wget -q -O /dev/null $NGINX_SVC_IP; done
步骤 3：观察 HPA 状态变化

打开新的终端窗口，每隔 10 秒查看 HPA 状态：

bash 复制代码 
watch kubectl get hpa nginx-hpa -o wide
预期结果：

  1. 随着压测进行，TARGETS 中的 "当前 CPU 使用率" 会从 5% 上升到 50% 以上；

  2. HPA 检测到指标超标后，会逐步将 REPLICAS 从 2 扩容到 4、6...（直到 CPU 使用率降至 50% 左右）；

  3. 查看 Deployment 副本数，确认已扩容：

    bash 复制代码 
    kubectl get deploy nginx-deploy
# 输出示例：READY   UP-TO-DATE   AVAILABLE   AGE
#          6/6     6            6           5m

4.4 停止负载，验证 HPA 缩容

步骤 1：停止压测

在 busybox 容器内按 Ctrl+C 停止循环请求，然后退出容器（容器会自动删除）：

bash 复制代码 
exit
步骤 2：观察 HPA 缩容

继续用 watch 查看 HPA 状态：

bash 复制代码 
watch kubectl get hpa nginx-hpa -o wide
预期结果：
  1. CPU 使用率逐步下降到 50% 以下；
  2. 等待 5 分钟（默认缩容冷却时间） 后，HPA 会将副本数从 6 逐步缩回到 2（minReplicas）；
  3. 最终 REPLICAS 恢复为 2，TARGETS 回到 5%/50% 左右。

5 高级配置：自定义 HPA 行为

默认的扩缩容规则（如冷却时间、扩容速度）可能不满足生产需求，可通过 behavior 字段自定义 HPA 行为。

示例：自定义扩缩容策略

yaml 复制代码 
# 新建文件：nginx-hpa-advanced.yaml
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: nginx-hpa-advanced
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: nginx-deploy
  minReplicas: 2
  maxReplicas: 10
  metrics:
  - type: Resource
    resource:
      name: cpu
      target:
        type: Utilization
        averageUtilization: 50
  # 自定义扩缩容行为
  behavior:
    scaleUp:  # 扩容策略
      stabilizationWindowSeconds: 60  # 扩容前等待 60 秒（确认指标稳定）
      policies:
      - type: Percent  # 按百分比扩容
        value: 50      # 每次扩容 50% 的副本数（如当前 2 个，扩到 3 个）
        periodSeconds: 60  # 每 60 秒最多扩容一次
    scaleDown:  # 缩容策略
      stabilizationWindowSeconds: 300  # 缩容前等待 300 秒（避免误缩容）
      policies:
      - type: Fixed  # 按固定数量缩容
        value: 1      # 每次缩容 1 个副本
        periodSeconds: 120  # 每 120 秒最多缩容一次

部署后，HPA 会按自定义的策略扩缩容，更贴合生产环境的稳定性需求。

6 常见问题与排查技巧

在使用 HPA 时，经常会遇到 "指标获取失败""不扩缩容" 等问题，以下是高频问题的排查方法：

6.1 HPA 状态显示 "unknown"（指标获取失败）

bash 复制代码 
# 查看 HPA 详细事件（关键！）
kubectl describe hpa nginx-hpa
常见原因：
  • Metrics Server 未部署或运行异常：检查 kubectl get pods -n kube-system | grep metrics-server；
  • Pod 未配置 CPU Request：HPA 无法计算使用率，需在 Deployment 中添加 resources.requests.cpu；
  • 网络问题：Metrics Server 无法访问 Kubelet，检查网络策略或防火墙。

6.2 HPA 指标达标但不扩缩容

排查步骤：
  1. 查看 HPA 事件，确认是否有 "忽略扩缩容" 的原因（如冷却时间未到）；
  2. 检查 Deployment 的副本数是否已达 maxReplicas（扩容上限）或 minReplicas（缩容下限）；
  3. 验证指标是否真实达标：用 kubectl top pod <pod-name> 查看单个 Pod 的指标，确认不是 "平均指标达标但单个 Pod 未达标"。

6.3 自定义指标无法使用

需确认：

  • 已部署自定义指标适配器（如 k8s-prometheus-adapter）；
  • 自定义指标已通过 custom.metrics.k8s.io API 暴露；
  • HPA 的 metrics 字段配置正确（参考适配器文档）。

7 学习路径总结

掌握 HPA 的核心步骤可归纳为：

  1. 基础准备：部署 Metrics Server，理解指标采集逻辑；
  2. 入门实践：基于 CPU / 内存指标创建 HPA，模拟负载验证扩缩容；
  3. 进阶学习：配置自定义指标（如 Prometheus 指标）、自定义扩缩容行为；
  4. 生产落地：结合监控工具（如 Grafana）观察 HPA 效果，优化策略。
相关推荐
开发者导航1 天前
【开发者导航】支持多存储方式的开源文件列表程序：OpenList
人工智能·学习·阿里云·信息可视化
GISer_Jing1 天前
前端学习总结——AI&主流前沿方向篇
前端·人工智能·学习
荣光波比1 天前
K8S（九）—— Kubernetes持久化存储深度解析：从Volume到PV/PVC与动态存储
云原生·容器·kubernetes
William_cl1 天前
一、前置基础（MVC学习前提）_核心特性_【C# 泛型入门】为什么说 List＜T＞是程序员的 “万能收纳盒“？避坑指南在此
学习·c#·mvc
Nan_Shu_6141 天前
熟悉RuoYi-Vue-Plus4.8.2-后端
学习
XiangrongZ1 天前
江协科技STM32课程笔记（四）—定时器TIM(输入捕获)
笔记·科技·stm32
koo3641 天前
李宏毅机器学习笔记24
人工智能·笔记·机器学习
xyx-3v1 天前
SPI四种工作模式
stm32·单片机·嵌入式硬件·学习
老虎06271 天前
黑马点评学习笔记02（Mabatis—plus）
笔记·学习
热门推荐
01BongoCat - 跨平台键盘猫动画工具02GitHub 镜像站点03两千字总结：Codex 国内如何安装和使用的教程，以及如何设置中文回答04UV安装并设置国内源05Linux下V2Ray安装配置指南06GitLab 零基础入门指南：从安装到项目管理全流程0746个Nano-banana 精选提示词，持续更新中08在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）09windows找不到gpedit.msc（本地组策略编辑器）10KGG转MP3工具|非KGM文件|解密音频