前言
在本系列的前三篇文章中，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。由于这些组件的负载过大，很有可能造成应用的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-autoscalernamespace: kube-system labels: k8s-app: dns-autoscalerspec: selector: matchLabels: k8s-app: dns-autoscalertemplate: metadata: labels: k8s-app: dns-autoscaler spec: serviceAccountName: admin containers: - name: autoscaler image: registry.cn-hangzhou.aliyuncs.com/ringtail/cluster-proportional-autoscaler-amd64:v1.3.0resources: 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 42/2=4 个副本。如果按照 nodesPerReplica 来计算，则需要弹出 21 = 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。
网友评论