- pod的横向自动伸缩
- 由Horizontal控制器执行，创建HorizontalPodAutoscaler(HPA)资源来启用和配置Horizontal控制器。
- Horizontal控制器周期性检查pod度量，计算满足HPA资源所配置的目标数值所需的副本数量，进而调整目标资源的replicas字段。
- 过程描述
- 获取被伸缩资源对象管理的所有pod度量
- pod与节点度量数据由cAdvisor获取，并由集群级组件Heapster聚合。HPA控制器向Heapster发起REST调用来获取所有pod度量数据。
- 计算使度量数值到达所指定目标值所需的pod数量
- 更新资源replicas字段
- autoscaler控制器通过scale子资源来修改被伸缩资源的replicas字段。
- 暴露Scale子资源
- Deployment
- ReplicaSet
- ReplicationController
- StatefulSet
-
- 获取被伸缩资源对象管理的所有pod度量
- yaml
-
apiVersion: autoscaling/v2beta1 kind: HorizontalPodAutoscaler metadata: name: kubia namespace: service labels: app: xxx version: v0.0.1 spec: scaleTargetRef: apiVersion: extensions/v1beta1 kind: Deployment name: xxx minReplicas: 1 maxReplicas: 5 metrics: - type: Resource resource: name: cpu targetAverageUtilization: 30 - type: Resource resource: name: memory targetAverageUtilization: 40 - 观察 wathc -n 1 kubectl get hpa,deployment
-
- HPA对象可以使用三种度量
- metric类型
- 使用情况会被监控的资源
- 资源的目标使用量
- resource度量类型【如上例子】
- pods度量类型
- 用来引用任何其他种类的与pod直接相关的度量
- QPS，消息队列中的消息数量
- 测试后不可用
- 用来引用任何其他种类的与pod直接相关的度量
- Object度量类型
- 基于非直接与pod关联的度量来进行伸缩
-
- HPA不允许缩容到0个副本
- 集群节点横向扩容
- Cluster Autoscaler
- 节点资源不足，自动部署新节点，节点长期使用率低，下节点。
- 归还节点，Cluster Autoscaler通过监控所有节点上请求的cpu和内存实现这一点。被选中下线，标记为不可调度，随后疏散pod。然后执行节点摘除。
- 这块没有实践过，只是做一下记录。
- Cluster Autoscaler
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
推荐系统与深度学习
黄昕、赵伟、王本友、吕慧伟、杨敏 / 清华大学出版社 / 2019-1-1 / 65.00元
本书的内容设置由浅入深，从传统的推荐算法过渡到近年兴起的深度学习技术。不管是初学者，还是有一定经验的从业人员，相信都能从本书的不同章节中有所收获。 区别于其他推荐算法书籍，本书引入了已被实践证明效果较好的深度学习推荐技术，包括Word2Vec、Wide & Deep、DeepFM、GAN 等技术应用，并给出了相关的实践代码；除了在算法层面讲解推荐系统的实现，还从工程层面详细阐述推荐系统如何搭建.一起来看看 《推荐系统与深度学习》 这本书的介绍吧!
