Kubernetes 弹性伸缩全场景解析

在本系列的前三篇中，我们介绍了弹性伸缩的整体布局以及HPA的一些原理，HPA的部分还遗留了一些内容需要进行详细解析。在准备这部分内容的期间，会穿插几篇弹性伸缩组件的最佳实践。今天我们要讲解的是

cluster-proportional-autoscaler 。cluster-proportional-autoscaler是根据集群中节点的数目进行Pod副本数水平伸缩的组件，这个组件的产生主要是为了解决集群的核心组件负载弹性的问题。在一个Kubernetes集群中，除了APIServer等耳熟能详的Control Pannel组件，还有很多系统组件是部署在worker上的，例如CoreDNS、Ingress Controller、Istio等等。这些核心组件大部分和我们的应用接入层息息相关，也就是说每当我们的系统处理了一条外部的请求，可能都会调用这些组件。那么这就有可能由于这些组件的负载过大，造成应用的QPS达到瓶颈。那么一个集群该运行多少个核心组件副本呢？

很遗憾，这个问题是没有统一答案的，因为不同的类型的应用、不同的网络模型、不同的调度分布，都有可能会带来不同的挑战。在本篇文章中，我们不谈具体的指标和数据，只探讨解法。在本系列后面的文章中，会为大家深入解析。

大部分的情况下，核心组件的副本数目和集群的节点数目是成正比的，一个集群的节点数目越多，核心组件所需要的副本数就越多。今天我们以CoreDNS为例，通过cluster-proportional-autoscaler，来实现一个动态的、基于节点数目的核心组件动态伸缩。

cluster-proportional-autoscaler的使用

cluster-proportional-autoscaler和传统的Kubernetes组件设计有所不同，我们已经见惯了各种Controller、CRD或者Operator，而cluster-proportional-autoscaler走了另外一条非常简单的路。使用cluster-proportional-autoscaler只需要部署一个Yaml并选择一个伸缩的监听对象以及伸缩策略即可。如果需要有多个组件进行伸缩，那就部署多个Yaml，每个Yaml包含一个cluster-proportional-autoscaler。一个使用cluster-proportional-autoscaler弹性伸缩coredns的模板如下。

apiVersion: apps/v1kind: Deploymentmetadata:  name: dns-autoscaler  namespace: kube-system  labels:    k8s-app: dns-autoscalerspec:  selector:    matchLabels:       k8s-app: dns-autoscaler  template:    metadata:      labels:        k8s-app: dns-autoscaler        spec:      containers:      - name: autoscaler        image: registry.cn-hangzhou.aliyuncs.com/ringtail/cluster-proportional-autoscaler-amd64:v1.3.0        resources:            requests:                cpu: "200m"                memory: "150Mi"        command:          - /cluster-proportional-autoscaler          - --namespace=kube-system          - --configmap=dns-autoscaler          - --target=Deployment/coredns          - --default-params={"linear":{"coresPerReplica":16,"nodesPerReplica":2,"min":1,"max": 100,"preventSinglePointFailure": true}}          - --logtostderr=true          - --v=2        serviceAccountName: admin         

cluster-proportional-autoscaler的伸缩策略主要有两种，一种是线性模型，一种是梯度模型。

简单的理解，线性模型就是 y = rate * x + min，设置最小值，以及伸缩的区间，并根据当前节点的数目，通过线性模型计算所需的核心组件数目。在上面的例子中，我们用的就是线性模型，线性模型支持的配置参数如下：

{      "coresPerReplica": 2,      "nodesPerReplica": 1,      "min": 1,      "max": 100,      "preventSinglePointFailure": true}

min、max、以及preventSinglePointFailure都比较好理解，coresPerReplica的意思是按照核心数目来计算副本集，nodesPerReplica是按照节点数目来计算副本集。用一个实际的例子进行举例，例如当前集群有两个节点，每个节点的配置是4C8G，那么如果按照coresPerReplica这个指标计算，则需要弹出4*2/2=4个副本。如果按照nodesPerReplica来计算，则需要弹出2*1 = 2个副本。此时cluster-proportional-autoscaler会取两者之间的大的数值，也就是4作为最后的伸缩数目进行扩容。

梯度模型就是分级的机制，每个梯度对应了一个副本，例如：

{      "coresToReplicas":      [        [ 1, 1 ],        [ 64, 3 ],        [ 512, 5 ],        [ 1024, 7 ],        [ 2048, 10 ],        [ 4096, 15 ]      ],      "nodesToReplicas":      [        [ 1, 1 ],        [ 2, 2 ]      ]    }

这个配置表示存在coresToReplicas和nodesToReplicas两个梯度，其中coresToReplicas的梯度表示，最小为1个副本；CPU核心数目大于3小于64的时候，为2个副本；依次类推。同样nodesToReplicas表示1个节点的时候为1个副本，2个节点的时候为2个副本。

最后

至此，cluster-proportional-autoscaler的使用就给大家讲解完了，建议优先配置CoreDNS的autoscaler，对于负载不高的场景可以考虑节点副本1:2的比例，如果负载比较高，可以1:1的配置进行配置。