工作负载伸缩原理

CCE支持多种工作负载伸缩方式，策略对比如下：

表1 弹性伸缩策略对比
伸缩策略	HPA策略	CronHPA策略	CustomedHPA策略	VPA策略	AHPA策略
策略介绍	Kubernetes中实现POD水平自动伸缩的功能，即Horizontal Pod Autoscaling。	基于HPA策略的增强能力，主要面向应用资源使用率存在周期性变化的场景。	CCE自研的弹性伸缩增强能力，可实现基于指标触发或定时触发弹性伸缩。	Kubernetes中实现POD垂直自动伸缩的功能，即Vertical Pod Autoscaling。	AHPA策略即Advanced Horizontal Pod Autoscaling，可以根据历史数据提前进行扩缩容动作。
策略规则	基于指标（CPU利用率、内存利用率），对无状态工作负载的副本数进行弹性扩缩容。	基于周期（每天、每周、每月或每年的具体时间点），对无状态工作负载的副本数进行弹性扩缩容。	基于指标（CPU利用率、内存利用率）或周期（每天、每周、每月或每年的具体时间点），对无状态工作负载的副本数进行弹性扩缩容。	基于容器资源（CPU、内存）历史使用情况，对工作负载的资源申请量进行扩缩容。	基于容器资源（CPU、内存）历史使用情况进行预测，提前对工作负载副本数进行弹性扩缩容。
主要功能	在Kubernetes社区HPA功能的基础上，增加了应用级别的冷却时间窗和扩缩容阈值等功能。	CronHPA提供HPA对象的兼容能力，您可以同时使用CronHPA与HPA。 CronHPA与HPA策略共同使用：CronHPA作用于HPA策略之上，用于定时调整HPA策略的实例数范围。 CronHPA策略单独使用：CronHPA 直接定时调整工作负载的Pod实例数。	指标触发支持按照当前实例数的百分比进行扩缩容。支持设置一次扩缩容的最小步长，可分步分级扩缩容。支持按照实际指标值执行不同的扩缩容动作。周期触发支持选择天、周、月或年的具体时间点或周期作为触发时间	根据CPU、内存历史使用情况自动计算建议值，并调整Pod资源申请量。	根据业务历史指标，识别工作负载弹性周期并对未来波动进行预测，提前进行扩缩容动作，解决原生HPA的滞后问题。
使用方式	创建HPA策略	创建CronHPA定时策略	创建CustomedHPA策略	创建VPA策略	创建AHPA策略

HPA工作原理

HPA（Horizontal Pod Autoscaler）是用来控制Pod水平伸缩的控制器，HPA周期性检查Pod的度量数据，计算满足HPA资源所配置的目标数值所需的副本数量，进而调整目标资源（如Deployment）的replicas字段。

想要做到自动弹性伸缩，先决条件就是能感知到各种运行数据，例如集群节点、Pod、容器的CPU、内存使用率等等。而这些数据的监控能力Kubernetes也没有自己实现，而是通过其他项目来扩展Kubernetes的能力，Kubernetes提供Prometheus和Metrics Server插件来实现该能力：

Prometheus是一套开源的系统监控报警框架，能够采集丰富的Metrics（度量数据），目前已经基本是Kubernetes的标准监控方案。
Metrics Server是Kubernetes集群范围资源使用数据的聚合器。Metrics Server从kubelet公开的Summary API中采集度量数据，能够收集包括了Pod、Node、容器、Service等主要Kubernetes核心资源的度量数据，且对外提供一套标准的API。

使用HPA（Horizontal Pod Autoscaler）配合Metrics Server可以实现基于CPU和内存的自动弹性伸缩，再配合Prometheus还可以实现自定义监控指标的自动弹性伸缩。

HPA主要流程如图1所示。

图1 HPA流程图

HPA的核心有如下2个部分：

监控数据来源
 最早社区只提供基于CPU和Mem的HPA，随着应用越来越多搬迁到K8s上以及Prometheus的发展，开发者已经不满足于CPU和Memory，开发者需要应用自身的业务指标，或者是一些接入层的监控信息，例如：Load Balancer的QPS、网站的实时在线人数等。社区经过思考之后，定义了一套标准的Metrics API，通过聚合API对外提供服务。
- metrics.k8s.io：主要提供Pod和Node的CPU和Memory相关的监控指标。
- custom.metrics.k8s.io：主要提供Kubernetes Object相关的自定义监控指标。
- external.metrics.k8s.io：指标来源外部，与任何的Kubernetes资源的指标无关。
扩缩容决策算法
 HPA controller根据当前指标和期望指标来计算缩放比例，计算公式如下：

期望实例数 = 向上取整[当前实例数 * ( 当前的指标值 / 目标值 )]

例如当前的指标值是200m，目标值是100m，那么按照公式计算期望的实例数就会翻倍。那么在实际过程中，可能会遇到实例数值反复伸缩，导致集群震荡。为了保证稳定性，HPA controller从以下几个方面进行优化：
- 冷却时间：在1.11版本以及之前的版本，社区引入了horizontal-pod-autoscaler-downscale-stabilization-window和horizontal-pod-autoScaler-upscale-stabilization-window这两个启动参数代表缩容冷却时间和扩容冷却时间，这样保证在冷却时间内，跳过扩缩容。1.14版本之后引入延迟队列，保存一段时间内每一次检测的决策建议，然后根据当前所有有效的决策建议来进行决策，从而保证期望的副本数尽量少地发生变更，保证稳定性。
- 忍受度：可以看成一个缓冲区，当实例变化范围在忍受范围之内的话，保持原有的实例数不变。
  首先定义ratio = 当前的指标值 / 目标值
  
  当|ratio – 1.0| <= 忍受度时，则会忽略，跳过scale。
  
  当|ratio – 1.0| > 忍受度时，就会根据之前的公式计算期望值。
  
  当前社区版本中默认值为0.1。

HPA是基于指标阈值进行伸缩的，常见的指标主要是 CPU、内存，也可以通过自定义指标，例如QPS、连接数等进行伸缩。但是存在一个问题：基于指标的伸缩存在一定的时延，这个时延主要包含：采集时延(分钟级) + 判断时延(分钟级) + 伸缩时延(分钟级)。这个分钟级的时延，可能会导致应用CPU飚高，响应时间变慢。为了解决这个问题，CCE提供了定时策略，对于一些有周期性变化的应用，提前扩容资源，而业务低谷时，定时回收资源。