在 Kubernetes 中，HPA（Horizontal Pod Autoscaler）是一种用于动态扩展集群的强大工具。通过自动调整 Pod 的数量，HPA 可以帮助您保持应用程序的稳定性和可用性。
除了根据 CPU 和亲和性选择等规则进行 Pod 扩展和收缩外，HPA 还提供了一种资源限制机制，可以控制 Pod 的资源使用量，从而控制应用程序的资源成本。本文将介绍 Kubernetes 中的 HPA 资源限制控制实战，并提供示例代码和技术指导。
HPA 资源限制控制
在 Kubernetes 中，资源限制是指为 Pod 分配的 CPU、内存等资源上限。通过限制资源，管理员可以控制 Pod 的资源成本，避免资源浪费，同时提高节点的资源利用率。
HPA 提供了一种资源限制机制，它可以帮助您根据应用程序的需求自动调整 Pod 的资源限制。通过 HPA，您可以设置 Pod 的最小和最大资源限制，HPA 会根据实际运行状况自动调整资源限制，保证您的应用程序可以正常运行，同时最大程度地节约资源成本。
HPA 资源限制控制的核心思想是应用程序自适应，同时最小化资源浪费。在实现过程中，需要注意以下几个方面：
- 需要根据应用程序的实际需求设置资源限制，避免过度限制或过度消耗资源；
- 需要根据实际情况调整资源限制，以符合应用程序的实际负载；
- 需要通过适当的缓冲区机制，避免过于频繁的调整资源限制，以减少性能消耗。
实战演练
接下来，我们将结合实际的示例进行演练，以帮助您更好地理解 Kubernetes 中的 HPA 资源限制控制。
步骤一：创建应用程序
首先，我们需要创建一个应用程序，用于演示资源限制控制的实现过程。我们创建一个名为 hello-world 的简单 web 应用程序，将其封装在一个 Docker 镜像中，并将其上传到 Docker Hub。
-- -------------------- ---- ------- ---- -------------- ------- ---- ---- ------------- -- --- --- ------- ---- - - ------ ---- ---------- ------- --------
上述 Dockerfile 中定义了一个基于 Node.js 的应用程序，该应用程序会在 3000 端口启动一个简单的 web 服务。我们将该应用程序的代码保存在 app 目录下，并在 package.json 文件中定义了启动程序的命令：
-- -------------------- ---- -------
-
------- --------------
---------- --------
-------------- -- ------ --- -----
------- -----------
---------- -
-------- ----- ---------
--
--------------- -
---------- ---------
-
-我们将该应用程序打包成 Docker 镜像，并上传到 Docker Hub：
docker build -t <username>/hello-world . docker push <username>/hello-world
步骤二：创建 Kubernetes 集群
接下来，我们需要创建一个 Kubernetes 集群，以运行我们的应用程序。为了简化演示过程，我们使用 Minikube 来模拟一个单节点的 Kubernetes 集群。
需要安装 Minikube 和 kubectl：
brew install minikube kubectl
创建 Minikube 集群：
minikube start
步骤三：创建 Deployment 和 Service 对象
在 Kubernetes 中，我们需要通过 Deployment 和 Service 对象来管理应用程序的部署和服务，下面是示例代码：
-- -------------------- ---- -------
----------- -------
----- ----------
---------
----- ----------------------
-----
---------
------------
---- -----------
--------- -
---------
---------
-------
---- -----------
-----
-----------
- ----- -----------
------ ----------------------
------
- -------------- ----
----------
-------
---- ------
------- -------
---------
---- ------
------- -------
---
----------- --
----- -------
---------
----- -------------------
-----
---------
---- -----------
------
- ----- ----
----- --
----------- ----
--------- ---
----- ------------上述代码中定义了一个名为 hello-world 的 Deployment 对象，该对象包含一个名为 hello-world 的容器，镜像来源于 Docker Hub 中的 <username>/hello-world 镜像。在容器定义中，我们设置了资源限制，即 Pod 的 CPU 和内存上限，以及请求的 CPU 和内存下限。
此外，我们还定义了一个名为 hello-world-service 的 Service 对象，该对象会将应用程序的 3000 端口映射到 Kubernetes 集群的 80 端口，并通过 LoadBalancer 类型的服务公开该端口。
使用以下命令创建 Deployment 和 Service 对象：
kubectl apply -f deployment.yaml
步骤四：创建 HPA 对象
创建 HPA 对象需要在 Deployment 对象上打上 label，后面根据 label 关联 Deployment 与 HPA。
-- -------------------- ---- -------
----------- --------------
----- -----------------------
---------
----- ---------------
-----
---------------
----------- -------
----- ----------
----- ----------------------
------------ -
------------ --
--------
- ----- --------
---------
----- ---
-------
----- -----------
------------------- --上述代码中定义了一个名为 hello-world-hpa 的 HPA 对象，该对象会自动调整 Pod 的数量，以符合当前的 CPU 使用率。在定义中，我们设置了资源使用率的目标为 50%，并设置了 Pod 的最小和最大数量为 1 和 10。
使用以下命令创建 HPA 对象：
kubectl apply -f hpa.yaml
步骤五：测试资源限制控制
完成上述步骤后，我们就可以开始测试资源限制控制的实现。
首先，我们可以使用 kubectl 命令查看当前的 Deployment 对象和 HPA 对象：
kubectl get deployment,hpa
此时，由于我们只启动了一个 Pod，因此 HPA 会保证 Pod 的数量不低于 1，但不超过 10。如果 CPU 使用率超过 50%，则 HPA 会自动增加 Pod 的数量，直到满足负载，如果 CPU 使用率低于 50%，则 HPA 会自动减少 Pod 的数量，以避免浪费资源。
接下来，我们可以使用 Apache Bench 命令模拟用户的请求，测试应用程序的性能和资源利用率：
ab -n 500 -c 20 http://<ip>/hello
上述命令将发送 500 个请求，每次并发请求数量为 20，向应用程序的 /hello 路径发送 HTTP GET 请求。应用程序将返回一个简单的文本响应。
在测试过程中，我们可以使用 kubectl 命令监视 Pod 的状态和资源使用量：
kubectl get pods kubectl top pod
当 CPU 使用率上升时，HPA 将自动增加 Pod 的数量，以适应请求负载，同时控制资源的成本；当 CPU 使用率下降时，HPA 将自动减少 Pod 的数量，以减少资源的浪费。
总结
通过本文的演示，我们可以对 Kubernetes 中的 HPA 资源限制控制有了更深入的了解。在实际应用中，通过 HPA 可以有效地管理应用程序的资源使用，提高节点的利用率，降低成本，同时保持应用程序的高可用性和稳定性。
需要注意的是，在实际应用中需要根据应用程序的实际需求和负载情况适当地调整资源限制和缓冲机制，以达到最佳的资源利用效果。同时，需要加强对 HPA 的监控和管理，及时发现和解决问题，保证集群的稳定和安全。
来源：JavaScript中文网 ，转载请注明来源 https://www.javascriptcn.com/post/6484698948841e9894378f1b