如何实现K8s Pod自定义指标弹性伸缩
弹性伸缩介绍
自动弹性伸缩(AutoScaling)，是Kubernetes的一大功能和亮点。在OpenStack IaaS云计算中也有类似的服务，即Senlin。即基于资源使用情况自动弹性缩容和扩容工作负载。Kubernetes的自动弹性伸缩有两个维度：
- Cluster Autoscaler：处理K8s集群Node节点伸缩，该功能依赖于IaaS云提供商云主机服务和资源监控服务。
- Horizontal Pod Autoscaler（HPA）：处理Pod自动弹性伸缩副本集，该功能依赖于监控服务采集到的资源指标数据。
简言之，Cluster Autoscaling和Horizontal Pod Autoscaler（HPA）可用于动态调整计算能力以满足系统SLA的要求。
通常，扩/缩容都是根据内存或者CPU资源的使用率实现，但是现实中，很多时候扩/缩容的依据通常是业务监控指标。如何根据业务监控指标来进行扩/缩容，将是本文探讨的内容。
自Kubernetes 1.11版本起，K8s资源采集指标由Resource Metrics API（Metrics Server 实现）和Custom metrics api（Prometheus实现）两种API实现，传统Heapster监控被废弃。前者主要负责采集Node、Pod的核心资源数据，如内存、CPU等；而后者则主要负责自定义指标数据采集，如网卡流量，磁盘IOPS、HTTP请求数、数据库连接数等。
Custom Metrics Server介绍
前面已提过，自heapster被废弃以后，所有的指标数据都从API接口中获取，由此kubernetes将资源指标分为了两种：
- Core metrics(核心指标)：由metrics-server提供API，即 metrics.k8s.io，仅提供Node和Pod的CPU和内存使用情况。
- Custom Metrics(自定义指标)：由Prometheus Adapter提供API，即 custom.metrics.k8s.io，由此可支持任意Prometheus采集到的自定义指标。
想让K8s的HPA，获取核心指标以外的其它自定义指标，则必须部署一套prometheus监控系统，让prometheus采集其它各种指标，但是prometheus采集到的metrics并不能直接给k8s用，因为两者数据格式不兼容，还需要另外一个组件(kube-state-metrics)，将prometheus的metrics数据格式转换成k8s API接口能识别的格式，转换以后，因为是自定义API，所以还需要用Kubernetes aggregator在Master节点上的kube-apiserver中注册，以便直接通过/apis/来访问。
Custom Metrics组件介绍
- node-exporter：prometheus的agent端，收集Node级别的监控数据。
- prometheus：监控服务端，从node-exporter拉取数据并存储为时序数据。
- kube-state-metrics： 将prometheus中可以用PromQL查询到的指标数据转换成k8s对应的数据格式，即转换成Custerom Metrics API接口格式的数据，但是它不能聚合进apiserver中的功能。
- k8s-prometheus-adpater：聚合apiserver，即提供了一个apiserver（cuester-metrics-api），自定义APIServer通常都要通过Kubernetes aggregator聚合到apiserver。
Custom Metrics部署
获取部署文件
1 2 |
# git clone https://github.com/stefanprodan/k8s-prom-hpa # cd k8s-prom-hpa/ |
创建monitoring命名空间
1 |
# kubectl create -f ./namespaces.yaml |
编辑prometheus部署文件
1 2 3 |
# vim ./prometheus/prometheus-dep.yaml image: prom/prometheus:v2.1.0 //修改为image: prom/prometheus:v2.5.0 |
将 Prometheus部署到monitoring命名空间
1 |
# kubectl create -f ./prometheus |
生成由Prometheus adapter所需的TLS证书
1 |
# make certs |
编辑custom-metrics-apiserve部署文件
1 2 3 4 5 6 |
# vim ./custom-metrics-api/custom-metrics-apiserver-deployment.yaml - --prometheus-url=http://prometheus.monitoring.svc.cluster.local:9090/ //将该参数修改为Prometheus的 service域名地址 image: quay.io/coreos/k8s-prometheus-adapter-amd64:v0.2.0 //修改为image: quay.io/coreos/k8s-prometheus-adapter-amd64:v0.4.1 |
部署Prometheus自定义api适配器
1 |
# kubectl create -f ./custom-metrics-api |
列出由prometheus提供的自定义指标
1 |
# kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1" | jq . |
查看创建的namespace
1 2 3 4 5 6 |
# kubectl get namespace NAME STATUS AGE default Active 10d kube-public Active 10d kube-system Active 10d monitoring Active 6d23h |
查看创建的pod
1 2 3 4 |
# kubectl get pods -n monitoring NAME READY STATUS RESTARTS AGE custom-metrics-apiserver-855cbf8644-6qhmv 1/1 Running 0 2d21h prometheus-788f78d959-xs74p 1/1 Running 0 2d21h |
查看创建的service
1 2 3 4 |
# kubectl get svc -n monitoring NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE custom-metrics-apiserver ClusterIP 10.233.7.116 |
到了这里，我们便可以通过 http://节点IP:30090方式访问Prometheus页面。
查看新创建的api群组
1 2 3 |
# kubectl api-versions | grep metrics custom.metrics.k8s.io/v1beta1 metrics.k8s.io/v1beta1 |
列出由prometheus提供的自定义指标
1 2 3 4 5 6 7 8 9 |
# yum -y install jq
# kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1" | jq .
{
"kind": "APIResourceList",
"apiVersion": "v1",
"groupVersion": "custom.metrics.k8s.io/v1beta1",
"resources": [.............] //输出信息太多，此处省略
}
|
列示Pod 上的Prometheus 适配器所提供的缺省定制指标。
1 |
# kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1" | jq . |grep "pods/" |
获取monitoring命名空间中所有pod的fs_usage_bytes信息
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 |
# kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1/namespaces/monitoring/pods/*/fs_usage_bytes" | jq .
{
"kind": "MetricValueList",
"apiVersion": "custom.metrics.k8s.io/v1beta1",
"metadata": {
"selfLink": "/apis/custom.metrics.k8s.io/v1beta1/namespaces/monitoring/pods/%2A/fs_usage_bytes"
},
"items": [
{
"describedObject": {
"kind": "Pod",
"namespace": "monitoring",
"name": "custom-metrics-apiserver-855cbf8644-6qhmv",
"apiVersion": "/__internal"
},
"metricName": "fs_usage_bytes",
"timestamp": "2019-01-15T14:14:22Z",
"value": "233570304"
},
{
"describedObject": {
"kind": "Pod",
"namespace": "monitoring",
"name": "prometheus-788f78d959-xs74p",
"apiVersion": "/__internal"
},
"metricName": "fs_usage_bytes",
"timestamp": "2019-01-15T14:14:22Z",
"value": "36864"
}
]
}
|
验证
创建一个使用Custom Metrics APIs的Pod，来验证自定义指标弹性伸缩功能。
1 |
# cd k8s-prom-hpa/ |
podinfo 应用暴露了一个自定义的度量指标：http_requests_total。Prometheus adapter（即 custom-metrics-apiserver）删除了 _total 后缀并将该指标标记为 counter metric。
在default命名空间中创建podinfo服务，podinfo应用程序暴露了一个自定义的指标，即http_requests。
1 |
# kubectl create -f ./podinfo/podinfo-svc.yaml,./podinfo/podinfo-dep.yaml |
从自定义指标API获取每秒的总请求数:
1 |
# kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1/namespaces/default/pods/*/http_requests" | jq . |
m代表milli-units，例如，901m 意味着901 milli-requests （就是大约0.9个请求）。
创建一个HPA，如果请求数超过每秒10，将扩容podinfo这个Pod的副本数。
1 |
# kubectl create -f ./podinfo/podinfo-hpa-custom.yaml |
过几秒钟HPA从自定义指标API取得http_requests的值：
1 2 3 |
# kubectl get hpa NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE podinfo Deployment/podinfo 899m / 10 2 10 2 1m |
用每秒25次请求数给podinfo服务加压
安装hey
1 2 |
# go get -u github.com/rakyll/hey # hey -n 10000 -q 5 -c 5 http:// |
几分钟后，HPA开始扩容该Pod副本数。
1 2 3 4 5 6 7 8 9 10 11 12 13 |
# kubectl describe hpa Name: podinfo Namespace: default Reference: Deployment/podinfo Metrics: ( current / target ) "http_requests" on pods: 9059m / 10 Min replicas: 2 Max replicas: 10 Events: Type Reason Age From Message ---- ------ ---- ---- ------- Normal SuccessfulRescale 2m horizontal-pod-autoscaler New size: 3; reason: pods metric http_requests above target |
可看到，在当前压力测试下，Pod副本将自动扩容到三副本，但不会超过10副本这个最大值。同时三副本Pod已经满足当前负载。
负载测试结束后，HPA向下自动缩容到1个副本Pod。
1 2 3 4 5 |
Events: Type Reason Age From Message ---- ------ ---- ---- ------- Normal SuccessfulRescale 5m horizontal-pod-autoscaler New size: 3; reason: pods metric http_requests above target Normal SuccessfulRescale 21s horizontal-pod-autoscaler New size: 2; reason: All metrics below target |
后续
custom metrics大大丰富了K8s pod弹性伸缩的能力，使K8s Pod AutoScaling从资源伸缩向业务应用伸缩方向转变成为现实。限于篇幅，后面将介绍部署Grafana+Influxdb集成Prometheus可视化查看K8s集群资源使用情况。
此外，在生产环境中，应当使用NFS、hostPath等方式持久化存储Prometheus监控数据。
