本篇内容介绍了“Kubernetes HPA Controller的工作原理”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!
HPA Controller 工作原理
截止到Kubernetes 1.6,Release特性中仅支持CPU utilization这一resource metrics
,对custom metrics
的支持目前仍在alpha阶段,请知晓。
HPA Controller周期性(默认每30s一次,可通过kube-controller-manager的flag--horizontal-pod-autoscaler-sync-period
进行设置)的调整对应的rc, deployment中的replicas数量,使得指定的metrics value能匹配用户指定的target utilization value。
在每个HPA Controller的处理周期中,kube-controller-manager都去查询HPA中定义的metrics的utilization。查询方式根据metric类型不同而不同:
计算伸缩比例算法:
对于resource metrics,比如CPU,HPA Controller获取HPA中指定的metrics,如果HPA中设定了target utilization,则HPA Controller会将获取到的metrics除于对应的容器的resource request值作为监测到的当前pod的resource utilization。如此计算完所有HPA对应的pods后,对该resource utilization values取平均值。最后将平均值除于定义的target utilization,得到伸缩的比例。
注意:如果HPA对应的某些pods中的容器没有定义对应的resource request,则HPA不会对这些pods进行scale。
对于custome metrics,HPA Controller的伸缩算法几乎与resource metrics一样,不同的是:此时是根据custome metrics API查询到的metrics value对比target metics value计算得到的,而不是通过utilization计算得到的。
HPA与rc, deployment, pod的关系如下图所示。
HPA Controller有两种方式获取metrics:
direct Heapster access: 用于对resource metrics的监控,需要提前在kube-system namespace中部署Heapster。
REST client access: 用于对custom metrics的监控,需要设置kube-controller-manager的--horizontal-pod-autoscaler-use-rest-clients
flag为true。
“Kubernetes HPA Controller的工作原理”的内容就介绍到这里了,感谢大家的阅读。如果想了解更多行业相关的知识可以关注天达云网站,小编将为大家输出更多高质量的实用文章!