2 弹性伸缩
k8s版本v1.20
2.1 传统弹性伸缩的困境
从传统意义上，弹性伸缩主要解决的问题是容量规划与实际负载的矛盾。
蓝色水位线表示集群资源容量随着负载的增加不断扩容，红色曲线表示集群资源实际负载变化。
弹性伸缩就是要解决当实际负载增大，而集群资源容量没来得及反应的问题。
1 Kubernetes中弹性伸缩存在的问题
常规的做法是给集群资源预留保障集群可用，通常20%左右。这种方式看似没什么问题，但放到Kubernetes中，就会发现如下2个问题。
(1) 机器规格不统一造成机器利用率百分比碎片化
在一个Kubernetes集群中，通常不只包含一种规格的机器，假设集群中存在4C8G与16C32G两种规格的机器，对于10%的资源预留，这两种规格代表的意义是完全不同的。
特别是在缩容的场景下，为了保证缩容后集群稳定性，我们一般会一个节点一个节点从集群中摘除，那么如何判断节点是否可以摘除其利用率百分比就是重要的指标。此时如果大规则机器有较低的利用率被判断缩容，那么很有可能会造成节点缩容后，容器重新调度后的争抢。如果优先缩容小规则机器，则可能造成缩容后资源的大量冗余。
(2) 机器利用率不单纯依靠宿主机计算
在大部分生产环境中，资源利用率都不会保持一个高的水位，但从调度来讲，调度应该保持一个比较高的水位，这样才能保障集群稳定性，又不过多浪费资源。
2 弹性伸缩概念的延伸
不是所有的业务都存在峰值流量，越来越细分的业务形态带来更多成本节省和可用性之间的跳转。
(1) 在线负载型：微服务、网站、API (2) 离线任务型：离线计算、机器学习 (3) 定时任务型：定时批量计算 不同类型的负载对于弹性伸缩的要求有所不同，在线负载对弹出时间敏感，离线任务对价格敏感，定时任务对调度敏感。
2.2 kubernetes 弹性伸缩布局
1 在 Kubernetes 的生态中，在多个维度、多个层次提供了不同的组件来满足不同的伸缩场景
有三种弹性伸缩：
(1) CA(Cluster Autoscaler): Node级别自动扩/缩容cluster-autoscaler组件。 (2) HPA(Horizontal Pod Autoscaler): Pod个数自动扩/缩容。 (3) VPA(Vertical Pod Autoscaler): Pod配置自动扩/缩容，主要是CPU、内存。addon-resizer组件
如果在云上建议 HPA 结合 cluster-autoscaler 的方式进行集群的弹性伸缩管理。
2 在Kubernetes平台中，资源分为两个维度
(1) Node级别：K8s将多台服务器抽象一个集群资源池，每个Node提供这些资源
(2) Pod级别：Pod是K8s最小部署单元，运行实际的应用程序，使用request和limit为Pod配额
因此，K8s实现弹性伸缩也是这两个级别，当Node资源充裕情况下，Pod可任意弹性，当不足情况下需要弹性增加节
点来扩容资源池。
(3) 针对Pod负载：当Pod资源不足时，使用HPA（Horizontal Pod Autoscaler）自动增加Pod副本数量
(4) 针对Node负载：当集群资源池不足时，使用CA（Cluster Autoscaler）自动增加Node
3 Node弹性伸缩有两种方案 (1) Cluster Autoscaler：是一个自动调整Kubernetes集群大小的组件，需要与公有云一起使用，例如AWS、Azure、Aliyun 项目地址：https://github.com/kubernetes/autoscaler (2) 自研发：根据Node监控指标或者Pod调度状态判断是否增加Node，需要一定开发成本
2.3 Node 自动扩容/缩容
1 Cluster AutoScaler
扩容：Cluster AutoScaler 定期检测是否有充足的资源来调度新创建的 Pod，当资源不足时会调用 Cloud Provider 创建新的 Node。
缩容：Cluster AutoScaler 也会定期监测 Node 的资源使用情况，当一个 Node 长时间资源利用率都很低时（低于 50%）自动将其所在虚拟机从云服务商中删除。此时，原来的 Pod 会自动调度到其他 Node 上面。
Cluster Autoscaler支持的云提供商(阿里云、aws、azure ......): https://github.com/kubernetes/autoscaler/tree/master/cluster-autoscaler/cloudprovider/ GCE：https://kubernetes.io/docs/concepts/cluster-administration/cluster-management/ GKE：https://cloud.google.com/container-engine/docs/cluster-autoscaler/
2 自研发-基于Ansible自动增加Node
(1) 触发新增Node (2) 调用Ansible脚本部署组件 (3) 检查服务是否可用 (4) 调用API将新Node加入集群或者启用Node自动加入 (5) 观察新Node状态 (6) 完成Node扩容，接收新Pod
3 自研发-基于Ansible自动增加Node
(1) 自动增加Node
https://github.com/HyjyLc/ansible-install-k8s/
1）在k8s主节点添加新增节点的解析(kubectl操作节点时使用的是主机名)
# echo '172.16.1.85 k8s-node3' >> /etc/hosts
2）扩容node
# cd /root/ansible-install-k8s-master/
# vim hosts
[newnode]
172.16.1.85 node_name=k8s-node3
注: /root/ansible-install-k8s-master/roles/node/templates/
bootstrap.kubeconfig.j2、kube-proxy.kubeconfig.j2
文件对多master进行了判断，如果是多master，kubelet、kube-proxy的kubeconfig使用的是VIP，否则则相反。
# ansible-playbook -i hosts add-node.yml -uroot -k
# kubectl get node
# kubectl get pod -n kube-system -o wide
(2) 自动减少Node
如果你想从Kubernetes集群中删除节点，正确流程如下
1) 获取节点列表
kubectl get node
2) 设置不可调度
kubectl cordon <node_name>
3) 驱逐节点上的Pod
kubectl drain <node_name> --ignore-daemonsets
4) 移除节点
kubectl delete node <node_name>
注:
如果这块自动化的话，前提要获取长期空闲的Node，然后执行这个步骤。
我这里是二进制部署的k8s，在下线的node节点重新启动kubelet、kube-proxy服务后就可以重新将下线的node节点注册上了。
如果是kubeadm部署的k8s，需要在master节点上重新生成node加入k8s集群的token即可。
2.4 Pod自动扩容/缩容(HPA)
1 HPA介绍
Horizontal Pod Autoscaler（HPA，Pod水平自动伸缩），根据资源利用率或者自定义指标自动调整replication controller, deployment 或 replica set，实现部署的自动扩展和缩减，让部署的规模接近于实际服务的负载。HPA不适用于无法缩放的对象，例如DaemonSet。
2 使用HPA前提条件
(1) 使用HPA，确保满足以下条件 1）启用Kubernetes API聚合层 2）相应的API已注册 对于资源指标（例如CPU、内存），将使用metrics.k8s.io API，一般由metrics-server提供。 对于自定义指标（例如QPS），将使用custom.metrics.k8s.io API，由相关适配器（Adapter）服务提供。 已知适配器列表：https://github.com/kubernetes/metrics/blob/master/IMPLEMENTATIONS.md#custom-metrics-api
(2) Kubernetes API Aggregation
在 Kubernetes 1.7 版本引入了聚合层，允许第三方应用程序通过将自己注册到kube-apiserver上，仍然通过 API Server 的 HTTP URL 对新的 API 进行访问和操作。为了实现这个机制，Kubernetes 在 kube-apiserver 服务中引入了一个 API 聚合层（API Aggregation Layer），用于将扩展 API 的访问请求转发到用户服务的功能。
当你访问 apis/metrics.k8s.io/v1beta1 的时候，实际上访问到的是一个叫作 kube-aggregator 的代理。而 kube-apiserver，正是这个代理的一个后端；而 Metrics Server，则是另一个后端 。通过这种方式，我们就可以很方便地扩展 Kubernetes 的 API 了。 如果你使用kubeadm部署的，默认已开启。如果你使用二进制方式部署的话，需要在kube-APIServer中添加启动参数，增加以下配置：
# vim /opt/kubernetes/cfg/kube-apiserver.conf
......
--requestheader-client-ca-file=/opt/kubernetes/ssl/ca.pem \
--proxy-client-cert-file=/opt/kubernetes/ssl/server.pem \
--proxy-client-key-file=/opt/kubernetes/ssl/server-key.pem \
--requestheader-allowed-names=kubernetes \
--requestheader-extra-headers-prefix=X-Remote-Extra- \
--requestheader-group-headers=X-Remote-Group \
--requestheader-username-headers=X-Remote-User \
--enable-aggregator-routing=true \
......
在设置完成重启 kube-apiserver 服务，就启用 API 聚合功能了。
3 HPA冷却周期
在弹性伸缩中，冷却周期是不能逃避的一个话题， 由于评估的度量标准是动态特性，副本的数量可能会不断波动。有时被称为颠簸， 所以在每次做出扩容缩容后，冷却时间是多少。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。 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
4 HPA的演进历程
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。 (1) autoscaling/v1版本
apiVersion: autoscaling/v1
kind: HorizontalPodAutoscaler
metadata:
name: web
namespace: lc
spec:
maxReplicas: 10
minReplicas: 2
scaleTargetRef:
apiVersion: apps/v1
kind: Deployment
name: web
targetCPUUtilizationPercentage: 80
(2) autoscaling/v2beta2(多指标)
# kubectl get hpa.v2beta2.autoscaling -o yaml > /tmp/hpa-v2.yaml
metrics中的type字段有四种类型的值：Object、Pods、Resource、External。 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。
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
5 资源指标与自定义指标工作流程
(1) 资源指标工作流程: hpa -> apiserver -> kube aggregation -> metrics-server -> kubelet(cadvisor) (2) 自定义资源指标工作流程: hpa -> apiserver -> kube aggregation -> prometheus-adapter -> prometheus -> pods
2.5 基于CPU资源指标缩放
1 基本工作原理
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。
2 部署 Metrics Server
Metrics Server是一个集群范围的资源使用情况的数据聚合器，作为一个应用部署在集群中。 Metric server从每个节点上Kubelet公开的摘要API(cadvisor)收集指标。 Metrics server通过Kubernetes聚合器注册在Master APIServer中。
hpa/kubectl get --raw/kubectl top -> apiserver -> metrics-server(不效验证书) -> kubelet/cadvisor(https自签)
兼容性:
(1) 项目地址
https://github.com/kubernetes-sigs/metrics-server/
https://github.com/kubernetes-sigs/metrics-server/releases/
(2) 下载yaml
# wget https://github.com/kubernetes-sigs/metrics-server/releases/download/v0.5.1/components.yaml
(3) 修改yml文件
# vim components.yaml
# 修改的参数如下
- --kubelet-insecure-tls
image: registry.aliyuncs.com/google_containers/metrics-server:v0.5.1
(4) 部署
# kubectl apply -f components.yaml
(5) 查看容器
# kubectl get pod -n kube-system -o wide | grep metrics-server
metrics-server-6f6f7948b9-w98vc 1/1 Running 0 41s 172.27.224.7 k8s-master2
可通过Metrics API在Kubernetes中获得资源使用率指标，例如容器CPU和内存使用率。这些度量标准既可以由用户直接访问（例如，通过使用kubectl top命令），也可以由集群中的控制器（例如，Horizontal Pod Autoscaler）用于进行决策。
(6) 测试
1) 查看注册到apiserver上的metrics-server
# kubectl get apiservices |grep metrics
v1beta1.metrics.k8s.io kube-system/metrics-server True 23m
2) 获取node，pod的cpu、内存使用量指标
# kubectl get --raw /apis/metrics.k8s.io/v1beta1/nodes
# kubectl get --raw /apis/metrics.k8s.io/v1beta1/namespaces/kube-system/pods
3) 查看node资源消耗
# kubectl top node
NAME CPU(cores) CPU% MEMORY(bytes) MEMORY%
k8s-master1 205m 10% 995Mi 25%
k8s-master2 237m 11% 965Mi 25%
k8s-node1 131m 6% 635Mi 16%
k8s-node2 87m 4% 410Mi 10%
4) 查看pod资源消耗(区分命名空间)
# kubectl top pod -n kube-system
NAME CPU(cores) MEMORY(bytes)
calico-kube-controllers-97769f7c7-fnxpb 1m 13Mi
calico-node-4hngl 25m 65Mi
calico-node-5kwnr 29m 69Mi
calico-node-h46tb 25m 65Mi
calico-node-qchbv 25m 62Mi
coredns-6cc56c94bd-cwtgf 3m 12Mi
metrics-server-6f6f7948b9-fwss4 4m 20Mi
5) 以上测试能正常显示资源消耗，说明Metrics Server服务工作正常。
3 autoscaling/v1(CPU指标实践)
autoscaling/v1版本只支持CPU一个指标。
(1) 部署应用
# kubectl create namespace lc
# kubectl create deployment web --image=nginx -n lc --dry-run=client -o yaml > deployment-web-lc.yaml
# cat deployment-web-lc.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
labels:
app: web
name: web
namespace: lc
spec:
replicas: 1
selector:
matchLabels:
app: web
template:
metadata:
labels:
app: web
spec:
containers:
- image: nginx
name: nginx
resources:
requests:
memory: "300Mi"
cpu: "300m"
limits:
memory: "450Mi"
cpu: "450m"
# 注意：修改yaml，增加resources.requests.cpu
# kubectl apply -f deployment-web-lc.yaml
# kubectl expose deployment web --port=80 --target-port=80 --type=NodePort -n lc \
--dry-run=client -o yaml > service-web-lc.yaml
# cat service-web-lc.yaml
apiVersion: v1
kind: Service
metadata:
labels:
app: web
name: web
namespace: lc
spec:
ports:
- port: 80
protocol: TCP
targetPort: 80
selector:
app: web
type: NodePort
# kubectl apply -f service-web-lc.yaml
(2) 创建HPA
# kubectl autoscale deployment web -n lc --min=2 --max=10 --cpu-percent=80 \
--dry-run=client -o yaml > deployment-web-lc-hpa.yaml
# cat deployment-web-lc-hpa.yaml
apiVersion: autoscaling/v1
kind: HorizontalPodAutoscaler
metadata:
name: web
namespace: lc
spec:
maxReplicas: 10
minReplicas: 2
scaleTargetRef:
apiVersion: apps/v1
kind: Deployment
name: web
targetCPUUtilizationPercentage: 80
# scaleTargetRef：表示当前要伸缩对象是谁
# targetCPUUtilizationPercentage：当整体的资源利用率超过80%的时候，会进行扩容。
# kubectl apply -f deployment-web-lc-hpa.yaml
# kubectl get hpa -n lc
NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
web Deployment/web 0%/80% 2 10 2 78s
# 说明：为名为web的deployment创建一个HPA对象，目标CPU使用率为80%，副本数量配置为2到10之间。
(3) 压测
# yum install httpd-tools
# ab -n 2000000 -c 100 http://172.28.34.23/index.html
# 总200w请求，并发100，172.28.34.23为ClusterIP
(4) 观察扩容状态
# kubectl get hpa -n lc
NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
web Deployment/web 106%/80% 2 10 8 21m
# 可以看到deployment/web的副本数加到了8，由于node节点cpu的资源不够了，不能够继续创建pod了。
# kubectl top pods -n lc
NAME CPU(cores) MEMORY(bytes)
web-86c68d4466-khvqg 253m 4Mi
web-86c68d4466-ksfkz 221m 5Mi
web-86c68d4466-kwldc 250m 4Mi
web-86c68d4466-ltpbf 258m 7Mi
web-86c68d4466-mbflm 173m 4Mi
web-86c68d4466-mchtg 272m 4Mi
web-86c68d4466-px8cv 262m 4Mi
web-86c68d4466-rsqg4 258m 7Mi
# kubectl get pods -n lc
NAME READY STATUS RESTARTS AGE
web-86c68d4466-khvqg 1/1 Running 0 7m31s
web-86c68d4466-ksfkz 1/1 Running 0 11m
web-86c68d4466-kwldc 1/1 Running 0 8m21s
web-86c68d4466-ltpbf 1/1 Running 1 27m
web-86c68d4466-mbflm 1/1 Running 0 7m31s
web-86c68d4466-mchtg 1/1 Running 0 8m21s
web-86c68d4466-px8cv 1/1 Running 0 11m
web-86c68d4466-rsqg4 1/1 Running 1 35m
(5) 关闭压测，过5分钟后检查缩容状态，发现pod数量变为了2
# kubectl get hpa -n lc
NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
web Deployment/web 0%/80% 2 10 2 32m
# kubectl get pods -n lc
NAME READY STATUS RESTARTS AGE
web-86c68d4466-ltpbf 1/1 Running 1 33m
web-86c68d4466-rsqg4 1/1 Running 1 41m
2.6 基于Prometheus自定义指标缩放
资源指标只包含CPU、内存，一般来说也够了。但如果想根据自定义指标:如请求qps/5xx错误数来实现HPA，就需要使用自定义指标了，目前比较成熟的实现是 Prometheus Custom Metrics。自定义指标由Prometheus来提供，再利用k8s-prometheus-adpater聚合到apiserver，实现和核心指标（metric-server)同样的效果。
为满足更多的需求，HPA也支持自定义指标，例如QPS、5xx错误状态码等，实现自定义指标由autoscaling/v2版本提供，而v2版本又分为beta1和beta2两个版本。 这两个版本的区别是autoscaling/v2beta1支持了Resource Metrics(资源指标)、Custom Metrics(自定义指标)。 在autoscaling/v2beta2的版本中额外增加了External Metrics(扩展指标)的支持。 对于自定义指标(例如QPS)，将使用custom.metrics.k8s.io API，由相关适配器(Adapter)服务提供。 已知适配器列表：https://github.com/kubernetes/metrics/blob/master/IMPLEMENTATIONS.md#custom-metrics-api
hpa/kubectl get --raw/kubectl top -> apiserver -> prometheus-adpater -> prometheus -> pod(自定义暴露指标)
假设我们有一个网站，想基于每秒接收到的HTTP请求对其Pod进行自动缩放，实现HPA大概步骤如下： (1) 部署Prometheus (2) 对应用暴露指标，部署应用，并让Prometheus采集暴露的指标 (3) 部署Prometheus Adapter (4) 为指定HPA配置Prometheus Adapter (5) 创建HPA (6) 压测、验证
1 部署Prometheus
Prometheus（普罗米修斯）是一个最初在SoundCloud上构建的监控系统。自2012年成为社区开源项目，拥有非常活跃的开发人员和用户社区。为强调开源及独立维护，Prometheus于2016年加入云原生云计算基金会（CNCF），成为继Kubernetes之后的第二个托管项目。
(1) Prometheus 特点 1）多维数据模型：由度量名称和键值对标识的时间序列数据 2）PromSQL：一种灵活的查询语言，可以利用多维数据完成复杂的查询 3）不依赖分布式存储，单个服务器节点可直接工作 4）基于HTTP的pull方式采集时间序列数据 5）推送时间序列数据通过PushGateway组件支持 6）通过服务发现或静态配置发现目标 7）多种图形模式及仪表盘支持（grafana）
(2) Prometheus组成及架构
1）Prometheus Server：收集指标和存储时间序列数据，并提供查询接口 2）ClientLibrary：客户端库 3）Push Gateway：短期存储指标数据。主要用于临时性的任务 4）Exporters：采集已有的第三方服务监控指标并暴露metrics 5）Alertmanager：告警 6）Web UI：简单的Web控制台
(3) 部署(采用deployment方式部署)
# unzip prometheus.zip
# cd prometheus/
# ls -l
prometheus-configmap.yaml # 部署Prometheus
prometheus-deployment.yaml # Prometheus配置文件，主要配置基于Kubernetes服务发现
prometheus-rules.yaml # Prometheus告警规则
# kubectl apply -f .
# kubectl get pods -n kube-system
NAME READY STATUS RESTARTS AGE
(省略的内容)......
prometheus-8474f8559d-zrpg8 2/2 Running 0 2m19s
# kubectl get svc -n kube-system
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
(省略的内容)......
prometheus NodePort 172.28.46.226 <none> 9090:30090/TCP 2m43s
访问Prometheus UI: http://NodeIP:30090
2 部署一个应用并暴露Prometheus采集的指标
对应用暴露指标，部署应用，并让Prometheus采集暴露的指标。在做这步之前先了解下Prometheus如何监控应用的。 如果要想监控，前提是能获取被监控端指标数据，并且这个数据格式必须遵循Prometheus数据模型，这样才能识别和采集，一般使用exporter提供监控指标数据。但对于自己开发的项目，是需要自己实现类似于exporter的指标采集程序。 exporter列表：https://prometheus.io/docs/instrumenting/exporters
先模拟自己开发一个网站，采用Python Flask Web框架，写两个页面，/ 首页，/metrics 指标、然后使用Dockefile制作成镜像并部署 到Kubernetes平台。
# cat metrics-flask-app.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
name: metrics-flask-app
spec:
replicas: 3
selector:
matchLabels:
app: flask-app
template:
metadata:
labels:
app: flask-app
# 声明Prometheus采集
annotations:
prometheus.io/scrape: "true"
prometheus.io/port: "80"
prometheus.io/path: "/metrics"
spec:
containers:
- image: lc/metrics-flask-app
name: web
resources:
requests:
memory: "300Mi"
cpu: "300m"
---
apiVersion: v1
kind: Service
metadata:
name: metrics-flask-app
spec:
ports:
- port: 80
protocol: TCP
targetPort: 80
selector:
app: flask-app
# kubectl apply -f metrics-flask-app.yaml
(1) flask-app.py
# cat main.py
import prometheus_client
from prometheus_client import Counter
from flask import Response, Flask
app = Flask(__name__)
requests_total = Counter("request_count","统计HTTP请求")
@app.route("/metrics")
def requests_count():
requests_total.inc()
return Response(prometheus_client.generate_latest(requests_total),
mimetype="text/plain")
@app.route('/')
def index():
requests_total.inc()
return "Hello World"
if __name__ == "__main__":
app.run(host="0.0.0.0",port=80)
(2) Dockerfile
# cat Dockerfile
FROM python
RUN pip install flask -i https://mirrors.aliyun.com/pypi/simple/ && \
pip install prometheus_client -i https://mirrors.aliyun.com/pypi/simple/
COPY main.py /
CMD python main.py
该metrics-app暴露了一个Prometheus指标接口，可以通过访问service看到
# kubectl get svc -n default
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
kubernetes ClusterIP 172.28.0.1 <none> 443/TCP 23d
metrics-flask-app ClusterIP 172.28.128.88 <none> 80/TCP 10m
# curl 172.28.128.88/metrics
# HELP request_count_total 统计HTTP请求
# TYPE request_count_total counter
request_count_total 9.0
# HELP request_count_created 统计HTTP请求
# TYPE request_count_created gauge
request_count_created 1.63419377682031e+09
# 说明: 由于是svc起到了负载均衡的作用，每次统计到的request_count_total值都不一样。
由于我们Prometheus配置了基于Kubernetes服务发现，会自动采集Pod暴露的指标，在prometheus UI界面中查看被采集到指标的pod。
3 部署 Custom Metrics 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。
https://github.com/DirectXMan12/k8s-prometheus-adapter 注: 由于官方推荐使用的helm安装，我在国内拉不下来，我这里直接使用yaml进行不出，yaml也是从helm中拿到的。
(1) prometheus-adapter.yaml配置文件注意点
prometheus-adapter部署在kube-system命名空间下(configmap配置文件在kube-system命名空间)，并添加prometheus-adapter连
接prometheus的参数prometheus-url=http://prometheus.kube-system:9090。
(省略内容)......
containers:
- name: prometheus-adapter
image: "directxman12/k8s-prometheus-adapter-amd64:v0.7.0"
imagePullPolicy: IfNotPresent
args:
- /adapter
- --secure-port=6443
- --cert-dir=/tmp/cert
- --logtostderr=true
- --prometheus-url=http://prometheus.kube-system:9090
- --metrics-relist-interval=1m
- --v=4
- --config=/etc/adapter/config.yaml
ports:
(省略内容)......
(2) 部署
# kubectl apply -f prometheus-adapter.yaml
# kubectl get pod -n kube-system
NAME READY STATUS RESTARTS AGE
(省略的内容......)
prometheus-8474f8559d-zrpg8 2/2 Running 0 18m
prometheus-adapter-7f94cc997d-qhpcf 1/1 Running 0 50s
# kubectl get svc -n kube-system
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
kube-dns ClusterIP 172.28.0.2 <none> 53/UDP,53/TCP,9153/TCP 23d
prometheus NodePort 172.28.46.226 <none> 9090:30090/TCP 18m
prometheus-adapter ClusterIP 172.28.10.137 <none> 443/TCP 93s
(3) 验证适配器注册到APIServer
# kubectl get apiservices |grep custom
v1beta1.custom.metrics.k8s.io kube-system/prometheus-adapter True 3m26s
# kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1"
4 指定prometheus-adapter从prometheus中查询指标的配置(configmap)
(1) 配置内容配置
# cat prometheus-adapter-configmap.yaml
apiVersion: v1
kind: ConfigMap
metadata:
name: prometheus-adapter
labels:
app: prometheus-adapter
chart: prometheus-adapter-2.5.1
release: prometheus-adapter
heritage: Helm
namespace: kube-system
data:
config.yaml: |
rules:
- seriesQuery: 'request_count_total{app="flask-app"}'
resources:
overrides:
kubernetes_namespace: {resource: "namespace"}
kubernetes_pod_name: {resource: "pod"}
name:
matches: "request_count_total"
as: "qps"
metricsQuery: 'sum(rate(<<.Series>>{<<.LabelMatchers>>}[2m])) by (<<.GroupBy>>)'
(2) 配置说明
seriesQuery # Prometheus查询语句，查询应用系列指标。
resources # Kubernetes资源标签映射到Prometheus标签。
name # 将Prometheus指标名称在自定义指标API中重命名，
matches # 正则匹配，as指定新名称。
metricsQuery # 一个Go模板，对调用自定义指标API转换为Prometheus查询语句。
(3) 应用配置
# kubectl apply -f prometheus-adapter-configmap.yaml
# 删除prometheus-adapter pod使配置生效
# kubectl delete pod/prometheus-adapter-7f94cc997d-qhpcf -n kube-system
(4) 向自定义指标API访问
# kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1/namespaces/default/pods/*/qps"
注: 如果配置没问题，会返回JSON数据，注意里面的value字段，HPA控制器会拿这个值计算然后比对阈值。这个值单位是m，表示毫秒，千分之一，
例如值为500m是每秒0.5个请求，10000m是每秒10个请求(并发)。
Adapter向Prometheus查询语句最终是由于HTTP请求统计是累计的，对HPA自动缩放不是特别有用，因此将其转为速率指标。
这条语句意思是：查询每个Pod在2分钟内访问速率，即QPS（每秒查询率）
sum(rate(request_count_total{app="flask-app", kubernetes_namespace="default", kubernetes_pod_name=~"pod1|pod2"}[2m])) by (kubernetes_pod_name)
5 创建HPA策略
# cat hpa-v2-qps.yaml
apiVersion: autoscaling/v2beta2
kind: HorizontalPodAutoscaler
metadata:
name: metrics-flask-app
namespace: default
spec:
minReplicas: 1
maxReplicas: 10
scaleTargetRef:
apiVersion: apps/v1
kind: Deployment
name: metrics-flask-app
metrics:
- type: Pods
pods:
metric:
name: qps
target:
type: AverageValue
averageValue: 10000m
# 所有Pod平均值为10000m触发扩容，即每秒10个请求
# kubectl apply -f hpa-v2-qps.yaml
# kubectl get hpa -n default
NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
metrics-flask-app Deployment/metrics-flask-app 16m/10 1 10 3 41s
6 压测
# yum install httpd-tools -y
# ab -n 100000 -c 100 http://172.28.128.88/
# 172.28.128.88 是 deployment/metrics-flask-app svc 的 cluster-ip 地址
7 查看HPA状态
# 可以看到pod副本数扩充到了10个
# kubectl get hpa -n default
NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
metrics-flask-app Deployment/metrics-flask-app 202072m/10 1 10 10 4m17s
# kubectl get pod -n default
NAME READY STATUS RESTARTS AGE
metrics-flask-app-5475d5f794-4n9sw 1/1 Running 0 2m10s
metrics-flask-app-5475d5f794-6cm4c 1/1 Running 0 2m26s
metrics-flask-app-5475d5f794-9gwzp 1/1 Running 0 80m
metrics-flask-app-5475d5f794-9jlt2 1/1 Running 0 2m26s
metrics-flask-app-5475d5f794-chwrl 1/1 Running 0 2m10s
metrics-flask-app-5475d5f794-gnvm7 1/1 Running 0 2m10s
metrics-flask-app-5475d5f794-jvl26 1/1 Running 0 2m10s
metrics-flask-app-5475d5f794-lnj4q 1/1 Running 0 80m
metrics-flask-app-5475d5f794-px6pg 1/1 Running 0 80m
metrics-flask-app-5475d5f794-ws42t 1/1 Running 0 2m26s
# kubectl describe hpa metrics-flask-app