Kubernetes 彈性伸縮全場景解析 （四）- 讓核心組件充滿彈性

前言

在本系列的前三篇文章中，咱們介紹了彈性伸縮的總體佈局以及 HPA 的一些原理，HPA 的部分還遺留了一些內容須要進行詳細解析。在準備這部份內容的期間，會穿插幾篇彈性伸縮組件的最佳實踐。今天咱們要講解的是
cluster-proportional-autoscaler 。

cluster-proportional-autoscaler 是根據集羣中節點的數目進行 Pod 副本數水平伸縮的組件。這個組件的產生主要是爲了解決集羣的核心組件負載彈性的問題。在一個 Kubernetes 集羣中，除了 APIServer 等耳熟能詳的 Control Pannel 組件，還有不少系統組件是部署在 worker 上的，例如 CoreDNS、Ingress Controller、Istio 等等。

這些核心組件大部分和咱們的應用接入層息息相關，也就是說每當咱們的系統處理了一條外部的請求，可能都會調用這些組件。因爲這些組件的負載過大，頗有可能形成應用的QPS達到瓶頸。那麼一個集羣該運行多少個核心組件副本呢？

很遺憾，這個問題是沒有統一答案的，由於不一樣的類型的應用、不一樣的網絡模型、不一樣的調度分佈，都有可能會帶來不一樣的挑戰。在本篇文章中，咱們不談具體的指標和數據，只探討解法。在本系列後面的文章中，會爲你們深刻解析。

大部分的狀況下，核心組件的副本數目和集羣的節點數目是成正比的，一個集羣的節點數目越多，核心組件所須要的副本數就越多。今天咱們以 CoreDNS 爲例，經過 cluster-proportional-autoscaler，來實現一個動態的、基於節點數目的核心組件動態伸縮。

cluster-proportional-autoscaler 的使用

cluster-proportional-autoscaler 和傳統的 Kubernetes 組件設計有所不一樣，咱們已經見慣了各類 Controller、CRD 或者 Operator，而 cluster-proportional-autoscaler 走了另一條很是簡單的路。使用 cluster-proportional-autoscaler 只須要部署一個 Yaml 並選擇一個伸縮的監聽對象以及伸縮策略便可。若是須要有多個組件進行伸縮，那就部署多個 Yaml，每一個 Yaml 包含一個 cluster-proportional-autoscaler。一個使用 cluster-proportional-autoscaler 彈性伸縮 coredns 的模板以下。

apiVersion: apps/v1
kind: Deployment
metadata:
  name: dns-autoscaler
  namespace: kube-system
  labels:
    k8s-app: dns-autoscaler
spec:
  selector:
    matchLabels:
       k8s-app: dns-autoscaler
  template:
    metadata:
      labels:
        k8s-app: dns-autoscaler
    
    spec:
      serviceAccountName: admin
      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

cluster-proportional-autoscaler 的伸縮策略主要有兩種：一種是線性模型，一種是梯度模型。

簡單的理解，線性模型就是 y = rate * x + min，設置最小值，以及伸縮的區間，並根據當前節點的數目，經過線性模型計算所需的核心組件數目。在上面的例子中，咱們用的就是線性模型，線性模型支持的配置參數以下：

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

min、max、以及 preventSinglePointFailure 都比較好理解，coresPerReplica 的意思是按照核心數目來計算副本集，nodesPerReplica 是按照節點數目來計算副本集。

用一個實際的例子進行舉例，例如當前集羣有兩個節點，每一個節點的配置是 4C8G，那麼若是按照 coresPerReplica 這個指標計算，則須要彈出 42/2=4 個副本。若是按照 nodesPerReplica 來計算，則須要彈出 21 = 2 個副本。此時 cluster-proportional-autoscaler 會取二者之間的大的數值，也就是 4 做爲最後的伸縮數目進行擴容。

梯度模型就是分級的機制，每一個梯度對應了一個副本，例如：

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

這個配置表示存在 coresToReplicas 和 nodesToReplicas 兩個梯度，其中 coresToReplicas 的梯度表示：最小爲 1 個副本；CPU 核心數目大於 3 小於 64 的時候，爲 2 個副本；依次類推。

一樣 nodesToReplicas 表示 1 個節點的時候爲 1 個副本，2 個節點的時候爲 2 個副本。

最後

至此，cluster-proportional-autoscaler 的使用就給你們講解完了，建議優先配置 CoreDNS 的 autoscaler，對於負載不高的場景能夠考慮節點副本 1:2 的比例，若是負載比較高，能夠 1:1 的配置進行配置。

 

本文做者：一綠舟

原文連接

本文爲雲棲社區原創內容，未經容許不得轉載。