kubernetes hpa 请求 cpu 和目标 cpu 值
kubernetes hpa request cpu and target cpu values
我正在阅读 kubernetes hpa example. In this example they run with: kubectl run php-apache --image=k8s.gcr.io/hpa-example --requests=cpu=200m --expose --port=80. So the pod will ask for 200m of cpu (0.2 of each core). After that they run hpa with a target cpu of 50%: kubectl autoscale deployment php-apache --cpu-percent=50 --min=1 --max=10. Which mean that the desired milli-core is 200m * 0.5 = 100m. They make a load test and put up a 305% load. Which mean auto scale up to: ceil((3.05 * 200m) / 100m) = 7 pods according to: hpa scaling algorith 上的示例。
一切都很好，但我们正在尝试不同的值，我想知道这是否是一个好方法。
我们选择了 500% 的目标 cpu（第二个选项）。对我来说， target cpu >= 100% 是一个奇怪的概念（也许我也理解错了，请纠正我，因为我对整个概念不太熟悉），但与倒置的（第一个选项）。
第一种方法是正确的。
第二个不好有几个原因：
- 当第一个 Pod 已经过载时，关于扩展集群的必要性的决定为时已晚。如果你只给一个 Pod100 毫核的 CPU，但你允许它可以使用可用资源的 5 倍的情况，在决定扩展集群之前被带走。这样的系统效率不高，平均负载约为每个内核 5 个，这意味着在给定时间内为 1 个进程提供服务时，还有另外 4 个进程在等待 CPU 时间。
- 与缩减集群相同。它也不是很有效。 假设您的集群中的一般 CPU 使用量减少了 400 多毫核，但仍然不足以删除一个副本并缩减集群。在第一种情况下，已经删除了 4 个副本并且集群缩小了。
还有一个很重要的事情。在规划 Horizontal Pod Autoscaler 时，请考虑集群中的可用资源总量，这样您就不会遇到 运行 资源不足的情况。
示例：您有一个带有 2 核处理器的系统，从集群的角度来看，这相当于有 2000 毫核可用。假设您决定创建以下部署：
kubectl run php-apache --image=k8s.gcr.io/hpa-example --requests=cpu=500m --expose --port=80
然后 Horizontal Pod Autoscaler：
kubectl autoscale deployment php-apache --cpu-percent=100 --min=1 --max=5
这意味着您允许请求的资源多于集群中实际可用的资源，因此在这种情况下永远不会创建第 5 个副本。
我正在阅读 kubernetes hpa example. In this example they run with: kubectl run php-apache --image=k8s.gcr.io/hpa-example --requests=cpu=200m --expose --port=80. So the pod will ask for 200m of cpu (0.2 of each core). After that they run hpa with a target cpu of 50%: kubectl autoscale deployment php-apache --cpu-percent=50 --min=1 --max=10. Which mean that the desired milli-core is 200m * 0.5 = 100m. They make a load test and put up a 305% load. Which mean auto scale up to: ceil((3.05 * 200m) / 100m) = 7 pods according to: hpa scaling algorith 上的示例。
一切都很好，但我们正在尝试不同的值，我想知道这是否是一个好方法。
我们选择了 500% 的目标 cpu（第二个选项）。对我来说， target cpu >= 100% 是一个奇怪的概念（也许我也理解错了，请纠正我，因为我对整个概念不太熟悉），但与倒置的（第一个选项）。
第一种方法是正确的。
第二个不好有几个原因：
- 当第一个 Pod 已经过载时，关于扩展集群的必要性的决定为时已晚。如果你只给一个 Pod100 毫核的 CPU，但你允许它可以使用可用资源的 5 倍的情况，在决定扩展集群之前被带走。这样的系统效率不高，平均负载约为每个内核 5 个，这意味着在给定时间内为 1 个进程提供服务时，还有另外 4 个进程在等待 CPU 时间。
- 与缩减集群相同。它也不是很有效。 假设您的集群中的一般 CPU 使用量减少了 400 多毫核，但仍然不足以删除一个副本并缩减集群。在第一种情况下，已经删除了 4 个副本并且集群缩小了。
还有一个很重要的事情。在规划 Horizontal Pod Autoscaler 时，请考虑集群中的可用资源总量，这样您就不会遇到 运行 资源不足的情况。
示例：您有一个带有 2 核处理器的系统，从集群的角度来看，这相当于有 2000 毫核可用。假设您决定创建以下部署：
kubectl run php-apache --image=k8s.gcr.io/hpa-example --requests=cpu=500m --expose --port=80
然后 Horizontal Pod Autoscaler：
kubectl autoscale deployment php-apache --cpu-percent=100 --min=1 --max=5
这意味着您允许请求的资源多于集群中实际可用的资源，因此在这种情况下永远不会创建第 5 个副本。