kubernetes 水平自动伸缩学习笔记（一）
前言
在工作中常常用 Deployment/Statefulset 部署工作负载，但是对工作负载的扩缩容却没用过，实属遗憾。
作为弹性扩缩容的重要一环应该是要补上的。
本学习笔记系列旨在梳理 Kubernetes 水平自动伸缩的整体脉络，并且从源码角度入手有的放矢的学习 Kubernetes 水平自动伸缩的实现。
设计
在进入源码学习之前，让我们先自己动手设计一版水平自动伸缩的方案。
首先，为简化需求，这里给定条件，仅根据 cpu 或 memory 指标实现 Deployment 资源的水平自动伸缩。
针对上述需求，我们可以将水平自动伸缩功能拆成三个组件来实现：
- 采集器：负责采集 pod 的 cpu/memory 指标；
- 控制器：负责根据采集器的指标，做伸缩决策；
- 执行器：真正执行水平伸缩操作；
针对这三个组件我们有若干个问题。
采集器
问题1: 采集器和谁交互？
容器的资源指标会被 cAdvisor 采集到，通过 kubelet api 暴露给用户。
采集器可以和 kubelet 交互获取容器的 cpu/memory 指标。
pod 可以运行在多个节点，意味着采集器需要和所有集群节点的 kubelet 交互以获取容器资源。
这么做的好处是简单，直接和 kubelet 交互。缺点是可能会造成网络拥塞。
解决方案可以是并发请求加随机请求，减轻同时并发请求导致网络拥塞/资源消耗等问题。
或者，采集器可以访问 kube-apiserver 获取所有节点上容器的资源指标。这种方式实际上是一种转移，把由采集器做的事转移给 kube-apiserver，kube-apiserver 作为 kubernetes 的门户，应该扁平、轻量，这种操作由 kube-apiserver 来做是不合适的。
因此，采集器需要和集群节点上的 kubelet 交互以获取容器的资源指标。
问题2: 采集器怎么处理指标？
首先，采集器采集到指标应该存储在内存还是持久化存储？
采集器不是 prometheus，它的定位是采集时刻指标，不需要持久化存储。
这里指标存内存即可。
注意，采集器指标的存储和访问是解耦的。采集器定时采集指标，并对外提供服务，用户可通过 api 获取当前时刻的指标。
问题3: 采集器如何实现高可用？
在 问题2 中采集的指标存储在内存中，那么采集器的高可用是如何实现呢？
如果基于 lease leader 来实现一主多从，那么主挂掉到从采集数据并提供服务是有一段时间的。这段时间会导致采集器服务不可用，并不高可用。
解决方案是多主。假设是 2 副本，主和从都正常采集，任何一个不可用，都可以直接切到另外一个，实现了采集器的高可用。
缺点是，kubelet 要承受副本数次 api 请求，这个并发请求数量并不大，可以忽略。
问题4: 采集器采集哪些指标？
这个问题看似是一个没有必要的问题，其实还真不是。
采集器采集所有 pod 的指标还是只采集水平伸缩的 pod 指标，这是有区别的。
如果要采集水平伸缩的 pod 指标，采集器就要和配置同步以确定要采集哪些 pod，这么做的好处是采集指标较少，省内存。缺点是采集器和配置耦合，不够独立。
由于节点上的 pod 是有上限的，并且采集的指标只限于 cpu/memory，这里可以采集所有 pod 的指标。
优点有两块：
- 独立，采集器作为独立组件，无依赖。对升级、扩容、负载均衡都很友好；
- 由于所有 pod 指标都存储在内存中，采集器不仅可以提供查询水平伸缩工作负载指标，也可以查询集群上其它指标服务，可扩展；
控制器
控制器需要和采集器交互获取要水平伸缩的工作负载指标，并且根据指标和配置做伸缩决策，最后触发执行器实际执行伸缩操作。
关于控制器的问题更多。
问题1: 控制器的拉取周期怎么定？
前面说了采集器是周期性采集的，比如每 15s 采集一次资源指标。如果控制器小于 15s，比如每 5s 从采集器拉取指标，那么会导致采集器还未采集，重复拉取指标的情况。
这里建议是控制器的拉取周期大于等于采集器的采集周期。
问题2: 工作负载资源临时抖动怎么办？
有时候工作负载可能临时抖动，并不是真的要水平伸缩，对于这样的情况，控制器该如何决策呢？
控制器可以配一个抖动边界，如果在抖动边界内则不予处理，如果超出边界则按扩缩容处理。
当然，我们可以把这个抖动边界上移到配置中，这样每个工作负载的抖动边界不一样，更加合理。
问题3: 扩缩容的时机是怎样的？
扩缩容的判断条件不一样。扩容应该要快，防止资源不足导致服务不可用。缩容应该要慢，防止工作负载被缩导致服务不可用。
那么，应该要有一个窗口配置。
比如扩容可以将窗口设为 0，意味着一旦超过抖动边界上限，则立即开始扩容。
比如缩容可以将窗口设为 2min，如果 2min 内资源持续减少，则选择 2min 内的最大值做缩容。
为什么要选最大值呢？我们举个例子：
0s 10 初始 replicas
30s 9 < 2min，不动
60s 8 < 2min，不动
90s 7 < 2min，不动
120s 6 < 2min，不动
150s 5 > 2min, 缩到 9
假设初始工作负载副本是 10，在 2min 内期望伸缩副本一直在递减，到 150s 超过递减窗口，需要缩容，这里取 2min 窗口内的最大值 9 做期望副本，工作负载将缩容到 9 个。
这么做的好处是防止缩容跨度太大导致服务不可用。
扩容要选大的，往大了扩。
缩容要选大的，往小了缩。
问题4: 窗口该怎样表示呢？
从采集器拿到的是瞬时值，而窗口需要记录期望副本数，需要把每次采集算的期望副本数及时间戳记录到窗口中。
可以采用环形队列来表示窗口，注意每个水平伸缩的工作负载对应一个环形队列（窗口大小可以不一样）。
问题5: 控制器如何高可用？
这里控制器需要一主多从，原因有二：
- 如果多主的话，主控制请求的时间点不一样，维护的窗口不一样，算出的期望副本数不一样。多个主给执行器发期望副本数，执行器不知道要听谁的。
- 一主多从，如果主不可用，从会立即采集维护自己的窗口，只会影响很短一段时间，并且窗口一般作用于缩容场景，短暂的未缩容并不会影响业务。
问题6: 扩缩容算法是怎样的？
我们有了工作负载的指标，也有工作负载资源的 request，那怎么确定要伸缩多少呢？
如果超过抖动边界就扩缩 1 的话，不够灵活。跟不上业务的需求，这里需要根据使用情况以及副本数做动态调整。
比如，当前工作负载副本数是 2，CPU 的平均使用率是 50%，现在两个工作负载都超过 50%（不考虑抖动边界的情况），需要扩容。如果实际使用量是 100% 和实际使用量是 60%，扩容的期望副本数是不一样的，需要算法动态调整。
问题7: 控制器要做成什么形式？
我们理清了前面几个问题，大致也知道它其实可以做成 kube-controller-manager 的一个控制器，作为一个模块，而不是组件。
这么做的优势是：
- 利用 kube-controller-manager 带的 informer 去拿 pod 信息，模块复用，不需要重复造轮子；
- 省组件，水平伸缩作为 kubernetes 的基础功能，完全不需要在搞个组件出来增加运维/理解的复杂度；
问题8: 如果有多个指标怎么算？
如果水平伸缩工作负载配置了多个指标，比如 cpu/memory 都配置了，期望副本数该怎么算呢？
可以遵守快扩慢缩的原则，扩容选多个指标算出来的期望副本数的最大值，缩容也选期望副本数的最大值。
执行器
执行器是具体执行扩缩容的组件。
控制器更新期望副本数到 Deployment/StatefulSet，由对应的 Deployment/StatefulSet 控制器来执行具体的扩缩容动作。
这里也有问题。
问题1: 是否存在资源反复更新的情况？
假设 ArgoCD 会维护 Git 仓库的 Deployment 资源到集群。如果集群中的 Deployment 期望副本数被控制器改了，那么 ArgoCD 会把新期望副本数改回来以保持和 Git 仓库的期望副本数一致。
这样的问题在于，反复更新同一资源的期望副本数，可能会导致服务不可用。
解决方案可以是在 ArgoCD 中添加忽略标签，并且申明当该资源的期望副本数更新时不做同步操作。
架构
根据上述设计，我们画出架构图如下：
浙公网安备 33010602011771号