先发制人遇事不慌：Kubernetes集群主动扩展

当集群资源不足时，Cluster Autoscaler会提供新节点并将其加入集群。使用Kubernetes时你可能会注意到，创建节点并将其加入集群的过程可能需要花费数分钟。在这段时间里，应用程序很容易被连接淹没，因为已经无法进一步扩展了。

虚拟机的配置可能需要花费数分钟，在这期间可能无法扩展应用

如何消除如此长的等待时间？

主动扩展（Proactive scaling），或者：

• 理解集群Autoscaler的工作原理并最大限度提升其效用；
• 使用Kubernetes scheduler为节点分配另一个Pod；以及
• 主动配置工作节点，以改善扩展效果。

注意：本文涉及的所有代码都已发布至LearnK8s GitHub。

Cluster Autoscaler如何在Kubernetes中生效

Cluster Autoscaler在触发自动扩展时并不检查内存或CPU的可用数，而是会对事件作出反应，检查所有不可调度的Pod。当调度器找不到能容纳某个Pod的节点时，我们就说这个Pod是不可调度的。

我们可以这样创建一个集群来测试看看。

bash
$ linode-cli lke cluster-create \
 --label learnk8s \
 --region eu-west \
 --k8s_version 1.23 \
 --node_pools.count 1 \
 --node_pools.type g6-standard-2 \
 --node_pools.autoscaler.enabled enabled \
 --node_pools.autoscaler.max 10 \
 --node_pools.autoscaler.min 1 \
$ linode-cli lke kubeconfig-view "insert cluster id here" --text | tail +2 | base64 -d > kubeconfig

请留意下列细节：

• 每个节点有4GB内存和2个vCPU（例如“g6-standard-2”实例）
• 集群中只有一个节点，并且
• Cluster autoscaler被配置为从1个节点扩展至10个节点

我们可以用下列命令验证安装已成功完成：

bash
$ kubectl get pods -A --kubeconfig=kubeconfig

用环境变量导出kubeconfig文件通常是一种很方便的做法，为此我们可以运行：

bash
$ export KUBECONFIG=${PWD}/kubeconfig
$ kubectl get pods

部署应用程序

让我们部署一个需要1GB内存和250m* CPU的应用程序。

注意：m = 内核的千分之一容量，因此250m = CPU的25%容量。

yaml
apiVersion: apps/v1
kind: Deployment
metadata:
 name: podinfo
spec:
 replicas: 1
 selector:
   matchLabels:
     app: podinfo
 template:
   metadata:
     labels:
       app: podinfo
   spec:
     containers:
       - name: podinfo
         image: stefanprodan/podinfo
         ports:
           - containerPort: 9898
         resources:
           requests:
             memory: 1G
             cpu: 250m

用下列命令将资源提交至集群：

bash
$ kubectl apply -f podinfo.yaml

随后很快会发现一些情况。首先，三个Pod几乎会立即开始运行，另有一个Pod处于“未决”状态。

随后很快：

• 几分钟后，Autoscaler创建了一个额外的Pod，并且
• 第四个Pod会被部署到一个新节点中。
  
  最终，第四个Pod被部署到一个新节点中

第四个Pod为何没有部署到第一个节点中？让我们一起看看已分配的资源。

Kubernetes节点中资源的分配

Kubernetes集群中部署的Pod会消耗内存、CPU以及存储资源。而且在同一个节点上，操作系统和Kubelet也需要消耗内存和CPU。

在Kubernetes工作节点上，内存和CPU会被拆分为：

1. 运行操作系统和系统守护进程（如SSH、Systemd等）所需的资源。
2. 运行Kubernetes代理程序（如Kubelet、容器运行时以及节点故障检测程序等）所需的资源。
3. 可用于Pod的资源。
4. 为排空阈值（Eviction threshold）保留的资源。

Kubernetes节点中分配和保留的资源

如果集群运行了DaemonSet（如kube-proxy），那么可用内存和CPU数量还将进一步减少。

那么我们不妨降低需求，以确保能将所有Pod都放入同一个节点中：

yaml
apiVersion: apps/v1
kind: Deployment
metadata:
 name: podinfo
spec:
 replicas: 4
 selector:
   matchLabels:
     app: podinfo
 template:
   metadata:
     labels:
       app: podinfo
   spec:
     containers:
       - name: podinfo
         image: stefanprodan/podinfo
         ports:
           - containerPort: 9898
         resources:
           requests:
             memory: 0.8G # <- lower memory
             cpu: 200m    # <- lower CPU

我们可以使用下列命令修改这个部署：

bash
$ kubectl apply -f podinfo.yaml

选择恰当数量的CPU和内存以优化实例的运行，这是个充满挑战的工作。Learnk8s计算器工具可以帮助我们更快速地完成这项工作。

一个问题解决了，但是创建新节点花费的时间呢？

迟早我们会需要四个以上的副本，我们是否真的需要等待好几分钟，随后才能创建新的Pod？

简单来说：是的！Linode必须从头开始创建和配置新虚拟机，随后将其连接到集群。这个过程经常会超过两分钟。

但其实还有替代方案：我们可以在需要时主动创建已经配置好的节点。

例如：我们可以配置让Autoscaler始终准备好一个备用节点。当Pod被部署到备用节点后，Autoscaler可以主动创建另一个备用节点。然而Autoscaler并没有内置这样的功能，但我们可以很容易地重新创建。

我们可以创建一个请求数与节点资源相等的Pod：

yaml
apiVersion: apps/v1
kind: Deployment
metadata:
 name: overprovisioning
spec:
 replicas: 1
 selector:
   matchLabels:
     run: overprovisioning
 template:
   metadata:
     labels:
       run: overprovisioning
   spec:
     containers:
       - name: pause
         image: k8s.gcr.io/pause
         resources:
           requests:
             cpu: 900m
             memory: 3.8G

用下列命令将资源提交至集群：

bash

kubectl apply -f placeholder.yaml

这个Pod完全不执行任何操作。

用占位Pod保护节点上的所有资源该节点的作用只是确保节点能够被充分使用起来。

随后还需要确保当工作负载需要扩展时，这个占位Pod能够被快速清除。为此我们可以使用Priority Class。

yaml
apiVersion: scheduling.k8s.io/v1
kind: PriorityClass
metadata:
 name: overprovisioning
value: -1
globalDefault: false
description: "Priority class used by overprovisioning."
---
apiVersion: apps/v1
kind: Deployment
metadata:
 name: overprovisioning
spec:
 replicas: 1
 selector:
   matchLabels:
     run: overprovisioning
 template:
   metadata:
     labels:
       run: overprovisioning
   spec:
     priorityClassName: overprovisioning # <--
     containers:
       - name: pause
         image: k8s.gcr.io/pause
         resources:
           requests:
             cpu: 900m
             memory: 3.8G

用下列命令将其提交至集群：

bash
kubectl apply -f placeholder.yaml

至此，配置工作已全部完成。

我们可能需要等待一会让Autoscaler创建节点，随后我们将有两个节点：

1. 一个包含四个Pod的节点
2. 一个包含一个占位Pod的节点

如果将部署扩展为5个副本会怎样？是否要等待Autoscaler创建另一个新节点？

用下列命令测试看看吧：

bash
kubectl scale deployment/podinfo --replicas=5

我们将会看到：

1. 第五个Pod会立即创建出来，并在10秒内变为“正在运行”的状态。
2. 占位Pod会被清除，以便为第五个Pod腾出空间。

占位Pod会被清除，以便为常规Pod腾出空间

随后：

1. Cluster autoscaler会注意到未决的占位Pod并配置一个新的节点。
2. 占位Pod会被部署到新创建的节点中。

未决的Pod触发了Cluster autoscaler新建节点

在可以有更多节点时，为何又要主动创建出一个节点？

我们可以将占位Pod扩展到多个副本，每个副本都会预配置一个Kubernetes节点，准备接受标准工作负载。然而这些节点虽然是闲置的，但它们产生的费用依然会计入云服务账单。因此一定要慎重，不要创建太多节点。

将Cluster Autoscaler与Horizontal Pod Autoscaler配合使用

为理解这项技术的含义，我们可以将Cluster autoscaler和Horizontal Pod Autoscaler（HPA）结合在一起来看。HPA可用于提高部署中的副本数量。

随着应用程序收到越来越多流量，我们可以让Autoscaler调整处理请求的副本数量。当Pod耗尽所有可用资源后，会触发Cluster autoscaler新建一个节点，这样HPA就可以继续创建更多副本。

可以这样新建一个集群来测试上述效果：

bash
$ linode-cli lke cluster-create \
 --label learnk8s-hpa \
 --region eu-west \
 --k8s_version 1.23 \
 --node_pools.count 1 \
 --node_pools.type g6-standard-2 \
 --node_pools.autoscaler.enabled enabled \
 --node_pools.autoscaler.max 10 \
 --node_pools.autoscaler.min 3 \
$ linode-cli lke kubeconfig-view "insert cluster id here" --text | tail +2 | base64 -d > kubeconfig-hpa

用下列命令验证安装过程已成功完成：

bash
$ kubectl get pods -A --kubeconfig=kubeconfig-hpa

使用环境变量导出kubeconfig文件是一种方便的做法，为此我们可以运行：

bash
$ export KUBECONFIG=${PWD}/kubeconfig-hpa
$ kubectl get pods

接下来使用Helm安装Prometheus并查看该部署的相关指标。我们可以在官网上了解安装Helm的详细方法。

bash
$ helm repo add prometheus-community https://prometheus-community.github.io/helm-charts
$ helm install prometheus prometheus-community/prometheus

Kubernetes为HPA提供了一个控制器，借此可以动态增减副本数量。然而HPA也有一些局限性：

1. 无法拆箱即用。需要安装Metrics Server来汇总并暴露出指标。
2. PromQL查询无法做到拆箱即用。

好在我们可以使用KEDA，它通过一些实用功能（包括从Prometheus读取指标）扩展了HPA控制器的用法。KEDA是一种Autoscaler，可适用于下列三个组件：

• Scaler
• Metrics Adapter
• Controller
  
  KEDA架构

我们可以通过Helm安装KEDA：

bash
$ helm repo add kedacore https://kedacore.github.io/charts
$ helm install keda kedacore/keda

安装好Prometheus和KEDA之后，来创建一个部署吧。

在这个实验中，我们将使用一个每秒可以处理固定数量请求的应用。每个Pod每秒最多可以处理十个请求，如果Pod收到第11个请求，会将请求挂起，稍后再处理。

yaml
apiVersion: apps/v1
kind: Deployment
metadata:
 name: podinfo
spec:
 replicas: 4
 selector:
   matchLabels:
     app: podinfo
 template:
   metadata:
     labels:
       app: podinfo
     annotations:
       prometheus.io/scrape: "true"
   spec:
     containers:
       - name: podinfo
         image: learnk8s/rate-limiter:1.0.0
         imagePullPolicy: Always
         args: ["/app/index.js", "10"]
         ports:
           - containerPort: 8080
         resources:
           requests:
             memory: 0.9G
---
apiVersion: v1
kind: Service
metadata:
 name: podinfo
spec:
 ports:
   - port: 80
     targetPort: 8080
 selector:
   app: podinfo

使用下列命令将资源提交至集群：

bash
$ kubectl apply -f rate-limiter.yaml

为了生成一些流量，我们可以使用Locust。下列YAML定义将创建一个分布式负载测试集群：

yaml
apiVersion: v1
kind: ConfigMap
metadata:
 name: locust-script
data:
 locustfile.py: |-
   from locust import HttpUser, task, between
   class QuickstartUser(HttpUser):
       @task
       def hello_world(self):
           self.client.get("/", headers={"Host": "example.com"})
---
apiVersion: apps/v1
kind: Deployment
metadata:
 name: locust
spec:
 selector:
   matchLabels:
     app: locust-primary
 template:
   metadata:
     labels:
       app: locust-primary
   spec:
     containers:
       - name: locust
         image: locustio/locust
         args: ["--master"]
         ports:
           - containerPort: 5557
             name: comm
           - containerPort: 5558
             name: comm-plus-1
           - containerPort: 8089
             name: web-ui
         volumeMounts:
           - mountPath: /home/locust
             name: locust-script
     volumes:
       - name: locust-script
         configMap:
           name: locust-script
---
apiVersion: v1
kind: Service
metadata:
 name: locust
spec:
 ports:
   - port: 5557
     name: communication
   - port: 5558
     name: communication-plus-1
   - port: 80
     targetPort: 8089
     name: web-ui
 selector:
   app: locust-primary
 type: LoadBalancer
---
apiVersion: apps/v1
kind: DaemonSet
metadata:
 name: locust
spec:
 selector:
   matchLabels:
     app: locust-worker
 template:
   metadata:
     labels:
       app: locust-worker
   spec:
     containers:
       - name: locust
         image: locustio/locust
         args: ["--worker", "--master-host=locust"]
         volumeMounts:
           - mountPath: /home/locust
             name: locust-script
     volumes:
       - name: locust-script
         configMap:
           name: locust-script

运行下列命令将其提交至集群：

bash
$ kubectl locust.yaml

Locust会读取下列locustfile.py文件，该文件存储在一个ConfigMap中：

py
from locust import HttpUser, task, between
class QuickstartUser(HttpUser):
   @task
   def hello_world(self):
       self.client.get("/")

该文件并没有什么特别的作用，只是向一个URL发出请求。若要连接至Locust仪表板，我们需要提供其负载均衡器的IP地址。为此可使用下列命令获取地址：

bash
$ kubectl get service locust -o jsonpath='{.status.loadBalancer.ingress[0].ip}'

随后打开浏览器并访问该IP地址即可。

此外还需要注意一个问题：Horizontal Pod Autoscaler。KEDA autoscaler会用一个名为ScaledObject的特殊对象来封装Horizontal Autoscaler。

yaml
apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
name: podinfo
spec:
scaleTargetRef:
  kind: Deployment
  name: podinfo
minReplicaCount: 1
maxReplicaCount: 30
cooldownPeriod: 30
pollingInterval: 1
triggers:
- type: prometheus
  metadata:
    serverAddress: http://prometheus-server
    metricName: connections_active_keda
    query: |
      sum(increase(http_requests_total{app="podinfo"}[60s]))
    threshold: "480" # 8rps * 60s

KEDA可以连接由Prometheus收集的指标，并将其发送给Kubernetes。最后，它还将使用这些指标创建一个Horizontal Pod Autoscaler (HPA)。

我们可以用下列命令手工检查HPA：

bash
$ kubectl get hpa
$ kubectl describe hpa keda-hpa-podinfo

并使用下列命令提交该对象：

bash
$ kubectl apply -f scaled-object.yaml

接下来可以测试扩展效果了。请在Locust仪表板中用下列设置启动一项实验：

• Number of users：300
• Spawn rate：0.4
• Host：http://podinfo
  
  集群和Horizontal pod autoscaler的结合

可以看到，副本的数量增加了！

效果不错，但有个问题不知道你是否注意到。

当该部署扩展到8个Pod后，需要等待几分钟，随后才能在新节点中创建新的Pod。在这段时间里，每秒处理的请求数量也不再增加了，因为当前的8个副本每个都只能处理10个请求。

让我们试试看收缩容量并重复该实验：

bash
kubectl scale deployment/podinfo --replicas=4 # or wait for the autoscaler to remove pods

这次，我们将用一个占位Pod实现超量配置（Overprovision）：

yaml
apiVersion: scheduling.k8s.io/v1
kind: PriorityClass
metadata:
 name: overprovisioning
value: -1
globalDefault: false
description: "Priority class used by overprovisioning."
---
apiVersion: apps/v1
kind: Deployment
metadata:
 name: overprovisioning
spec:
 replicas: 1
 selector:
   matchLabels:
     run: overprovisioning
 template:
   metadata:
     labels:
       run: overprovisioning
   spec:
     priorityClassName: overprovisioning
     containers:
       - name: pause
         image: k8s.gcr.io/pause
         resources:
           requests:
             cpu: 900m
             memory: 3.9G

运行下列命令将其提交至集群：

bash
kubectl apply -f placeholder.yaml

打开Locust仪表板并用下列设置重复实验：

• Number of users：300
• Spawn rate：0.4
• Host：http://podinfo
  
  在超量配置的情况下进行集群和Horizontal pod autoscaler的结合

这一次，新节点将在后台创建，每秒请求数量将持续增减，不会原地踏步。很棒！

总结

本文介绍了下列内容：

• Cluster autoscaler并不追踪CPU或内存用量，而是会监控未决的Pod。
• 我们可以用可用内存和CPU的总量来创建一个Pod，从而主动配置Kubernetes节点。
• Kubernetes节点会为Kubelet、操作系统以及排空阈值保留一定的资源。
• 我们可以结合使用Prometheus和KEDA，从而通过PromQL查询扩展自己的Pod。