kubernetes(十六) k8s 弹性伸缩
k8s 弹性伸缩
传统弹性伸缩的困境
弹性伸缩的难点在于及时响应业务的实际负载。
比较常见的解决方法如下：
- 在初始化创建资源之前，提前做好压测，对环境资源的需求上做到资源预留（至少要高出实际20~30%）
kubernetes弹性伸缩布局
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。
-
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。此时如果大规格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。如果优先缩容小规格机器，则可能造成缩容后资源的大量冗余。
-
机器利用率不单纯依靠宿主机计算
当使用K8s之后，资源申请者无需再关心底层硬件资源了，而对于K8s来说，它通过Request和Limit的方式进行配额，Request表示资源的申请值，Limit表示资源的限制值。
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。
- 在线负载型：微服务、网站、API
- 离线任务型：离线计算、机器学习
- 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。
- 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：
-
CA（Cluster Autoscaler）：Node级别自动扩/缩容cluster-autoscaler组件
-
HPA（Horizontal Pod Autoscaler）：Pod个数自动扩/缩容
- 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。
Node自动扩缩容
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。
支持的云提供商：
- 阿里云：<https://github.com/kubernetes/autoscaler/blob/master/cluster-autoscaler/cloudprovider/alicloud/README.md>;
- AWS： <https://github.com/kubernetes/autoscaler/blob/master/cluster-autoscaler/cloudprovider/aws/README.md>;
- Azure： <https://github.com/kubernetes/autoscaler/blob/master/cluster-autoscaler/cloudprovider/azure/README.md>;
Ansible扩容Node
操作如下：【一定要做到集群内的服务器时间同步一致】
$ cat hosts ... [newnode] 192.168.56.14 node_name=k8s-node3 $ ansible-playbook -i hosts add-node.yml -k $ kubectl get csr $ kubectl certificate approve xxxx $ kubectl get node #扩容转态查看
Node节点缩容
- 查看节点
kubectl get node
- 设置节点不可调度
$ kubectl cordon k8s-node3 $ kubectl get node NAME STATUS ROLES AGE VERSION k8s-master1 Ready <none> 2d v1.18.8 k8s-node1 Ready <none> 2d v1.18.8 k8s-node2 Ready <none> 2d v1.18.8 k8s-node3 Ready,SchedulingDisabled <none> 81m v1.18.8
- 驱逐节点上的pod
$ kubectl drain k8s-node3 --ignore-daemonsets
- 移除节点
$ kubectl delete node k8s-node3
Pod自动扩缩容
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不适于无法缩放的对象，例如DaemonSet。
HPA基本原理
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。如图所示
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
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 。
$ kubectl api-versions | grep autoscal autoscaling/v1 autoscaling/v2beta1 autoscaling/v2beta2
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。
示例：
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
基于CPU指标缩放
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：
- 添加apiserver聚合层配置
$ vi /data/kubernetes/cfg/kube-apiserver.conf ... --requestheader-client-ca-file=/data/kubernetes/ssl/ca.pem \ --proxy-client-cert-file=/data/kubernetes/ssl/server.pem \ --proxy-client-key-file=/data/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 \ $ systemctl restart kube-apiserver
-
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收集指标。
Metrics server通过Kubernetes聚合器注册在Master APIServer中。
$ wget https://github.com/kubernetes-sigs/metrics-server/releases/download/v0.3.7/components.yaml $ vim components.yaml containers: - name: metrics-server image: lizhenliang/metrics-server:v0.3.7 imagePullPolicy: IfNotPresent args: - --cert-dir=/tmp - --secure-port=4443 - --kubelet-insecure-tls - --kubelet-preferred-address-types=InternalIP $ kubectl apply -f components.yaml $ kubectl top node NAME CPU(cores) CPU% MEMORY(bytes) MEMORY% k8s-master1 226m 11% 1271Mi 73% k8s-node1 124m 6% 758Mi 43% k8s-node2 176m 8% 895Mi 51% $ kubectl top pod -A NAMESPACE NAME CPU(cores) MEMORY(bytes) default nfs-client-provisioner-6d868b5856-fdtsf 3m 7Mi default weave-scope-agent-k8s-ui-4zh87 38m 68Mi default weave-scope-agent-k8s-ui-trhzv 24m 77Mi default weave-scope-agent-k8s-ui-w5rk5 29m 66Mi default weave-scope-cluster-agent-k8s-ui-5fc9cd4b58-bk6c5 2m 53Mi default weave-scope-frontend-k8s-ui-547488fcbc-glmnd 15m 126Mi ingress-nginx nginx-ingress-controller-766fb9f77-lndpk 8m 89Mi kube-system coredns-5ffbfd976d-nvm2d 6m 24Mi kube-system kube-flannel-ds-amd64-25xm8 3m 10Mi kube-system kube-flannel-ds-amd64-4jgl4 2m 18Mi kube-system kube-flannel-ds-amd64-xcb69 2m 12Mi kube-system metrics-server-7875f8bf59-fbzdh 1m 13Mi kubernetes-dashboard dashboard-metrics-scraper-6b4884c9d5-xs6r2 1m 10Mi kubernetes-dashboard kubernetes-dashboard-7f99b75bf4-2mp6k 4m 17Mi
添加最后两行：
- kubelet-insecure-tls 访问kubelet忽略tls证书效验
- kubelet-preferred-address-types=InternalIP 使用 ip连接kubelet
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。
- 测试
$ kubectl get --raw /apis/metrics.k8s.io/v1beta1/nodes $ kubectl top node $ kubectl get apiservice
autoscaling/v1（CPU指标实践）
autoscaling/v1版本只支持CPU一个指标。
首先部署一个应用：
$ vim deploy_web.yml apiVersion: apps/v1 kind: Deployment metadata: name: web spec: replicas: 1 selector: matchLabels: app: java-demo template: metadata: labels: app: java-demo spec: containers: - image: lizhenliang/java-demo name: java resources: requests: memory: "300Mi" cpu: "250m" --- apiVersion: v1 kind: Service metadata: name: web spec: ports: - port: 80 protocol: TCP targetPort: 8080 selector: app: java-demo $ kubectl apply -f deploy_web.yml
创建HPA策略：
$ vim hpa_web.yml apiVersion: autoscaling/v1 kind: HorizontalPodAutoscaler metadata: name: web spec: maxReplicas: 5 minReplicas: 1 scaleTargetRef: apiVersion: apps/v1 kind: Deployment name: web targetCPUUtilizationPercentage: 60 $ kubectl apply -f hpa_web.yml $ kubectl get hpa
scaleTargetRef：表示当前要伸缩对象是谁
targetCPUUtilizationPercentage：当整体的资源利用率超过50%的时候，会进行扩容。
开启压测：
$ yum install httpd-tools $ ab -c 1000 -n 100000 http://10.0.0.160
10.0.0.160 为ClusterIP。
检查扩容状态：
$ kubectl get hpa $ kubectl top pods $ kubectl get pods
关闭压测，过一会检查缩容状态。
工作流程：hpa -> apiserver -> kube aggregation -> metrics-server -> kubelet(cadvisor)
autoscaling/v2beta2（多指标）
为满足更多的需求， HPA 还有 autoscaling/v2beta1和 autoscaling/v2beta2两个版本。
这两个版本的区别是 autoscaling/v1beta1支持了 Resource Metrics（CPU）和 Custom Metrics（应用程序指标），而在 autoscaling/v2beta2的版本中额外增加了 External Metrics的支持。
apiVersion: autoscaling/v2beta2 kind: HorizontalPodAutoscaler metadata: name: web namespace: default spec: scaleTargetRef: apiVersion: apps/v1 kind: Deployment name: web minReplicas: 1 maxReplicas: 10 metrics: - resource: type: Resource name: cpu target: averageUtilization: 60 type: Utilization
与上面v1版本效果一样，只不过这里格式有所变化。
v2还支持其他另种类型的度量指标，：Pods和Object。
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: 2k
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: web namespace: default spec: scaleTargetRef: apiVersion: apps/v1 kind: Deployment name: web 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
工作流程：hpa -> apiserver -> kube aggregation -> prometheus-adapter -> prometheus -> pods
基于Prometheus自定义指标扩缩容
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。
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。
Prometheus 特点：
-
多维数据模型：由度量名称和键值对标识的时间序列数据
-
PromQL：一种灵活的查询语言，可以利用多维数据完成复杂的查询
-
不依赖分布式存储，单个服务器节点可直接工作
-
基于HTTP的pull方式采集时间序列数据
-
推送时间序列数据通过PushGateway组件支持
-
通过服务发现或静态配置发现目标
- 多种图形模式及仪表盘支持（grafana）
Prometheus组成及架构：
-
Prometheus Server：收集指标和存储时间序列数据，并提供查询接口
-
ClientLibrary：客户端库
-
Push Gateway：短期存储指标数据。主要用于临时性的任务
-
Exporters：采集已有的第三方服务监控指标并暴露metrics
-
Alertmanager：告警
- Web UI：简单的Web控制台
部署：只部署prometheus，其他可不用部署
$ cd prometheus
$ kubectl create ns ops
$ ls prometheus-* |xargs -i kubectl apply -f {}
$ kubectl get pods -n ops
访问Prometheus UI：http://NdeIP:30090
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
该 PrometheusAdapter 有一个稳定的Helm Charts，我们直接使用。
先准备下helm环境：
wget https://get.helm.sh/helm-v3.2.4-linux-amd64.tar.gz tar zxvf helm-v3.2.4-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
部署prometheus-adapter，指定prometheus地址：
$ helm install prometheus-adapter stable/prometheus-adapter --namespace ops --set prometheus.url=http://prometheus.ops,prometheus.port=9090
如果使用helm时出现“Error: Kubernetes cluster unreachable”，请指定：
export KUBERNETES_MASTER=http://127.0.0.1:8080
查看pod状态：
$ kubectl get pod -n ops
确保适配器注册到APIServer：
$ kubectl get apiservices |grep custom $ kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1"
基于QPS指标实践
部署一个应用：
$ vim qps_demo.yml 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: lizhenliang/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 $ kubectl apply -f qps_demo.yml $ kubectl get svc #获取SVC IP $ curl 10.0.0.15/metrics #访问metrics即可获取值
访问http://NodeIP:30090
- 创建HPA
$ vim qps-hpa-v2.yml 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 $ kubectl apply -f qps-hpa-v2.yml
这里使用Prometheus提供的指标测试来测试自定义指标（QPS）的自动缩放.
- 配置适配器收集特定的指标 指定如何获取prometheus的metrics数据（promql）
- 映射关系（adapter和prometheus之间的映射）
- 从prometheus拿到的数据暴露给api
当创建好HPA还没结束，因为适配器还不知道你要什么指标（http_requests_per_second），HPA也就获取不到Pod提供指标。 ConfigMap在default名称空间中编辑prometheus-adapter ，并seriesQuery在该rules: 部分的顶部添加一新的配置
$ kubectl edit cm prometheus-adapter -n ops
rules:
- 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>>)'
$ kubectl delete pod $(kubectl get pod -n ops | grep prometheus-adapter | awk '{print $1}') -n ops
- 测试api
kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1/namespaces/default/pods/*/http_requests_per_second"
- 开始压测
$ ab -n 100000 -c 100 http://10.0.0.15/metrics
- hpa
$ kubectl get hpa,pod NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE horizontalpodautoscaler.autoscaling/metrics-app-hpa Deployment/metrics-app 90633m/800m 1 10 10 76m NAME READY STATUS RESTARTS AGE pod/metrics-app-b4d7dd845-28wkm 1/1 Running 0 84s pod/metrics-app-b4d7dd845-5z292 1/1 Running 0 100s pod/metrics-app-b4d7dd845-cnzbb 1/1 Running 0 84s pod/metrics-app-b4d7dd845-csf2h 1/1 Running 0 84s pod/metrics-app-b4d7dd845-d4r5h 1/1 Running 0 148m pod/metrics-app-b4d7dd845-dtxr6 1/1 Running 0 100s pod/metrics-app-b4d7dd845-dvdw2 1/1 Running 0 69s pod/metrics-app-b4d7dd845-qr7vr 1/1 Running 0 84s pod/metrics-app-b4d7dd845-sbqvh 1/1 Running 0 69s pod/metrics-app-b4d7dd845-std97 1/1 Running 0 148m pod/nfs-client-provisioner-6d868b5856-wsmsj 1/1 Running 0 42m
小结
- 通过/metrics收集每个Pod的http_request_total指标；
- prometheus将收集到的信息汇总；
- APIServer定时从Prometheus查询，获取request_per_second的数据；
- HPA定期向APIServer查询以判断是否符合配置的autoscaler规则；
- 如果符合autoscaler规则，则修改Deployment的ReplicaSet副本数量进行伸缩。
- 【Kubernetes】最佳实践3：服务部署与弹性伸缩
- Kubernetes 弹性伸缩全场景解读（五） - 定时伸缩组件发布与开源
- Kubernetes1.16基于Prometheus自定义指标弹性伸缩
- 阿里云上弹性伸缩kubernetes集群 - autoscaler
- Kubernetes 弹性伸缩全场景解析 （四）- 让核心组件充满弹性
- Kubernetes 弹性伸缩全场景解析 （一）：概念延伸与组件布局
- 深入玩转K8S之简单的业务弹性伸缩和滚动更新操作
- kubernetes实战(十六)：k8s高可用集群平滑升级 v1.11.x 到v1.12.x
- 《Kubernetes弹性伸缩全场景解读（五） - 定时伸缩组件发布与开源》
- Kubernetes高级进阶之多维度弹性伸缩
- kubernetes 1.6版以上1.8版以下弹性伸缩HPA-Memory
- kubernetes 1.6版以上1.8版以下弹性伸缩HPA-Memory
- Kubernetes的弹性伸缩（HPA）
- kubernetes 1.2版弹性伸缩HPA
- kubernetes 1.2版弹性伸缩HPA
- kubernetes学习记录（7）——弹性伸缩与滚动升级
- Kubernetes 弹性伸缩全场景解析 （四）- 让核心组件充满弹性
- css3弹性伸缩和使用
- kubernetes-1-k8s集群安装
- kubernetes-4-k8s集群核心概念Controller