扩容与自动伸缩

从订单服务手动增加 Pod 开始,理解 HPA 如何依据 CPU 指标自动调整副本,并在 kind 集群中完成配置与验证。

🎯 引言

假设订单服务原本只有两个 Pod。平时够用,但活动期间订单请求突然增多,两个 Pod 都变得繁忙。这时,我们可以增加订单 Pod,让更多实例共同处理请求。

不过, 每次访问量变化,都要人工决定增加或减少几个 Pod 吗? 如果请求量经常变化,手动调整既麻烦,也可能来不及。

本篇先学会 手动扩容 ,再认识 Kubernetes 的 HPA 自动伸缩 :它怎样判断需要多少 Pod,又从哪里获取判断依据。


🧱 先给订单服务增加一个 Pod

前面我们已经通过 Deployment 运行了两个 orders Pod。现在先把副本数从 2 改成 3:

kubectl scale deployment/orders --replicas=3 -n course

模拟输出:

deployment.apps/orders scaled

这条命令把 Deployment 希望运行的 Pod 数量 改成了 3。接着查看结果:

kubectl get deployment orders -n course
kubectl get pods -n course -l app=orders

模拟输出(Pod 名称会不同):

NAME     READY   UP-TO-DATE   AVAILABLE   AGE
orders   3/3     3            3           35m

NAME                         READY   STATUS    RESTARTS   AGE
orders-7c8d9f6b5-a1b2c      1/1     Running   0          35m
orders-7c8d9f6b5-d3e4f      1/1     Running   0          35m
orders-7c8d9f6b5-f5g6h      1/1     Running   0          20s

你会看到原来的两个 Pod 仍然运行,另外多出了一个新 Pod。等它就绪后,Service 也可以把符合条件的请求转发给它。

手动扩容改变的是集群中的副本数,不会自动修改你电脑上的 deployment.yaml。 后面如果再次应用包含旧副本数的 YAML,仍可能把数量改回去。

三个 Pod 并不保证处理能力恰好提高 50%:如果数据库已经忙不过来,只增加订单 Pod 也解决不了数据库瓶颈。

为了让后面的自动伸缩从两个副本开始,先恢复原来的数量:

kubectl scale deployment/orders --replicas=2 -n course

📈 为什么需要 HPA?

刚才是我们告诉 Kubernetes:“把订单 Pod 改成 3 个。”但如果今天访问量高、明天又恢复正常,就要反复手动调整。

HPA(HorizontalPodAutoscaler,水平 Pod 自动伸缩) 可以根据资源使用情况,自动调整 Deployment 的副本数:忙的时候可能增加 Pod,空闲时也可能减少 Pod。它调整的是 Pod 数量 ,不是直接给某个 Pod 增加 CPU。

HPA 怎样判断 CPU 是否繁忙?

回忆《资源请求与限制》,订单容器已经配置:

resources:
  requests:
    cpu: 100m

100m 表示这个容器声明需要 0.1 个 CPU 核心。假设 HPA 的 目标 CPU 利用率是 60% ,可以这样理解:

一个订单 Pod 实际使用的 CPU相对于 100m 请求值与目标 60% 比较
30m30%较低,有可能考虑缩容
60m60%接近目标
90m90%较高,有可能考虑扩容

例如两个 Pod 各使用 90m,平均利用率就是 90%,高于目标 60%。如果这种情况持续存在,HPA 可能把两个副本增加到三个左右,以分担请求。

这里的 60% 是相对于 Pod 的 CPU requests,不是整台电脑的 CPU 使用率。 HPA 会考虑多个 Pod 的平均指标和伸缩规则,不会刚超过 60% 就立刻增加一个 Pod。它还会遵守副本数量的限制:例如本篇稍后设置 minReplicas: 2,当已经有两个 Pod 时,即使 CPU 利用率很低,也不会自动缩容到一个。

HPA 从哪里知道 CPU 使用量?

这里需要认识一个新组件: Metrics Server 。它从集群节点获取 Pod 的 CPU、内存使用指标,并通过 Kubernetes 的资源指标接口提供给 HPA。

HPA 如何决定增减订单 Pod?

先获取实际 CPU 用量,再与目标比较,最后调整 Deployment 的副本数。

① 运行中的应用

订单 Pod

orders-1orders-2

运行 Node.js,实际消耗 CPU

② 获取资源指标

Metrics Server

CPU:90m / Pod

从节点取得指标,提供给 Kubernetes

③ 判断是否调整

HPA

当前 90% / 目标 60%

持续高于目标,可能需要更多副本

④ 按新目标运行

Deployment

2 → 3 Pods

创建新的订单 Pod,分担请求

示意场景:每个 Pod 请求 100m CPU、实际使用 90m。扩容并非立即发生,实际结果还受指标、最小/最大副本数及伸缩规则影响。

可以把这条流程理解为: Pod 消耗 CPU → Metrics Server 提供指标 → HPA 比较目标 → Deployment 调整 Pod 数量 。


🛠 在 kind 集群中配置 HPA

1. 先确认能读取 CPU 指标

我们继续使用前面创建的 node-course kind 集群。先确认当前连接的是课程集群:

kubectl config current-context

应该是 kind-node-course。如果不是,先执行 kubectl config use-context kind-node-course 切回课程集群,再继续。

再检查《资源请求与限制》中配置的 CPU requests 是否仍然存在:

kubectl describe deployment orders -n course

在 Containers → orders → Requests 中,应能看到 cpu: 100m(其他资源配置保持原样)。 没有 CPU requests,HPA 就无法按这里的百分比计算 CPU 利用率。

kind 集群通常需要自行安装 Metrics Server。先执行 kubectl version,查看其中的 Server Version(服务端版本),再对照 Metrics Server 官方兼容表 选择安装版本。

下面以 Kubernetes 1.34 及以上的集群为例:

kubectl apply -f https://github.com/kubernetes-sigs/metrics-server/releases/latest/download/components.yaml
kubectl rollout status deployment/metrics-server -n kube-system --timeout=120s

如果服务端版本是 1.31~1.33,把安装 URL 换成 https://github.com/kubernetes-sigs/metrics-server/releases/download/v0.8.1/components.yaml;其他版本按兼容表选择。安装的是集群指标组件,不是订单服务。

接着验证指标能否读取:

kubectl top pods -n course

模拟输出(实际 CPU、内存用量会不同):

NAME                         CPU(cores)   MEMORY(bytes)
orders-7c8d9f6b5-a1b2c      8m           38Mi
orders-7c8d9f6b5-d3e4f      12m          40Mi

看到 CPU、内存数字,说明资源指标已经能够读取。刚装好时可能需要经过一小段采集时间,暂时查不到指标不一定是安装失败。

如果无法读取指标: 先查看 Metrics Server 日志:

kubectl logs -n kube-system deployment/metrics-server --tail=30

如果日志出现 x509 证书校验错误,在确认当前集群是 kind-node-course 后,可仅在本地练习环境执行:

kubectl -n kube-system patch deployment metrics-server \
  --type=json \
  -p='[{"op":"add","path":"/spec/template/spec/containers/0/args/-","value":"--kubelet-insecure-tls"}]'

kubectl rollout status deployment/metrics-server -n kube-system --timeout=120s
kubectl top pods -n course

--kubelet-insecure-tls 会跳过 kubelet 证书校验, 只用于本地练习排查,不要直接用于生产环境 。如果仍无法读取指标,应检查 Metrics Server 的运行状态和日志。

2. 创建 HPA 配置

确认指标能够读取后,在课程目录新建 hpa.yaml:

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: orders
  namespace: course
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: orders
  minReplicas: 2
  maxReplicas: 5
  metrics:
    - type: Resource
      resource:
        name: cpu
        target:
          type: Utilization
          averageUtilization: 60

只需理解四个关键位置:

配置意思
scaleTargetRefHPA 要调整的是 orders Deployment
minReplicas: 2自动伸缩时通常至少保留 2 个 Pod
maxReplicas: 5最多扩展到 5 个 Pod
averageUtilization: 60希望平均 CPU 利用率接近 requests 的 60%

执行:

kubectl apply -f hpa.yaml

模拟输出:

horizontalpodautoscaler.autoscaling/orders created

🔎 怎样知道 HPA 是否正常工作?

查看 HPA 状态:

kubectl get hpa -n course

模拟输出(在空闲集群中,数字仅供说明):

NAME     REFERENCE           TARGETS   MINPODS   MAXPODS   REPLICAS   AGE
orders   Deployment/orders   25%/60%   2         5         2          2m

这行的意思是:订单服务当前平均 CPU 利用率约为 25% ,目标为 60% ,允许 2~5 个副本 ,目前运行 2 个副本 。

还可以查看更详细的指标和事件:

kubectl describe hpa orders -n course

如果你看到的是 <unknown>/60%,说明当前指标还没有正常获取。优先检查 kubectl top pods -n course 是否有数据,以及订单容器的 CPU requests 是否已配置。

为什么没有自动扩容? 因为本地订单服务几乎没有持续流量,CPU 利用率可能一直低于目标。HPA 不是“创建后就自动增加 Pod”,它要根据实际指标判断;要观察真正的自动扩容,还需要持续负载,本篇先不引入额外的压测工具。

最后还有两件事要知道:HPA 运行期间,会持续管理 Deployment 的副本数,手动 kubectl scale 的结果可能被它覆盖;另外 增加 Pod 不能自动解决数据库或其他下游服务的性能瓶颈 。

为了不影响后续课程中手动管理副本,完成下面的小练习后,删除练习用的 HPA,并恢复两个副本:

kubectl delete hpa orders -n course
kubectl scale deployment/orders --replicas=2 -n course

删除 HPA 不会自动把副本数恢复成 2,所以这里单独执行了 scale。


❓ 知识问答

Q:CPU 利用率到 60%,HPA 就立刻扩容吗?

不是。它会定期读取指标,参考平均利用率、可调整范围等规则;短暂变化不一定导致扩容。

Q:HPA 能直接扩容 MySQL 数据库吗?

不能。我们创建的 HPA 只管理 orders Deployment 的 Pod 数量。数据库瓶颈需要单独分析。

Q:手动扩容与 HPA 可以一直同时使用吗?

不建议同时管理同一个 Deployment 的副本数。启用 HPA 后,手动修改的副本数可能被自动调整覆盖。


🧪 小练习

假设订单服务有两个 Pod,每个 Pod 的 CPU requests 都是 100m,HPA 目标 CPU 利用率为 60%,最少 2 个副本、最多 5 个副本。请判断:

  1. 两个 Pod 的 CPU 使用量都持续达到 90m,HPA 可能增加还是减少 Pod?为什么?
  2. 如果两个 Pod 的 CPU 使用量都只有 20m,HPA 会把副本数减少到 1 个吗?为什么?

验收标准: 能解释 90m 相当于 100m 请求值的 90%,并理解 HPA 为什么可能扩容、为什么不能突破最小副本数。完成后按前面的命令清理 HPA。


🎉 恭喜你!现在你不仅会手动增加订单 Pod,也理解了 HPA 怎样依据 CPU 使用情况调整副本,以及如何在本地集群中查看自动伸缩状态。