L'Advanced Horizontal Pod Autoscaler (AHPA) est un composant ACK qui ajoute une mise à l'échelle prédictive aux charges de travail Kubernetes. Le Horizontal Pod Autoscaler (HPA) standard réagit aux métriques après leur pic soudain ; l'AHPA élimine ce décalage en combinant une prédiction proactive basée sur le machine learning avec une prédiction passive en temps réel, afin que les pods soient prêts avant l'arrivée du trafic.
Installez le contrôleur AHPA pour activer la fonctionnalité de mise à l'échelle prédictive.
Fonctionnement
L'AHPA exécute deux voies de mise à l'échelle complémentaires en parallèle :
Prédiction proactive : L'AHPA analyse les données historiques des métriques à l'aide des algorithmes de machine learning de DAMO Academy et prévoit la demande en pods jusqu'à 24 heures à l'avance. Les pods sont pré-provisionnés avant l'arrivée d'un pic de trafic prévu. Cette voie est efficace pour les applications présentant des schémas de trafic périodiques, tels que les pics quotidiens, les cycles hebdomadaires et des rythmes similaires.
Prédiction passive : Lorsque les métriques en temps réel s'écartent de la ligne de base prédite, par exemple lors d'un pic de trafic inattendu, l'AHPA ajuste immédiatement le nombre de pods en fonction des données actuelles. Cette voie offre une sécurité contre les variations de charge imprévisibles.
La dégradation de service vous permet de définir des nombres maximum et minimum de pods dans une ou plusieurs fenêtres temporelles spécifiques.
La figure suivante illustre l'architecture de l'AHPA.
L'architecture comprend les modules suivants :
| Module | Rôle |
|---|---|
| Algorithmes ML de DAMO Academy | Analyse des métriques historiques pour prévoir la demande future en pods jusqu'à 24 heures à l'avance |
| Prédicteur proactif | Planifie la mise à l'échelle préalable en fonction des prévisions ML |
| Prédicteur passif | Surveille les métriques en temps réel et déclenche une mise à l'échelle immédiate lorsque les écarts dépassent la ligne de base prédite |
| Exécuteur de mise à l'échelle | Applique les décisions de mise à l'échelle à Knative, HPA ou Deployments |
| Couche de dégradation de service | Applique les nombres minimum/maximum de pods configurés dans des fenêtres temporelles spécifiques |
Métriques prises en charge
L'AHPA prend en charge les types de métriques suivants : CPU, mémoire, QPS (requêtes par seconde), RT (temps de réponse) et métriques externes.
Méthodes de mise à l'échelle
L'AHPA applique les décisions de mise à l'échelle via trois types de cibles :
| Cible | Idéal pour |
|---|---|
| Knative | Charges de travail serverless ; résout les problèmes de démarrage à froid ; mise à l'échelle basée sur la concurrence, les QPS ou le RT |
| HPA | Charges de travail Kubernetes standard ; configuration de politique plus simple ; gère également le démarrage à froid |
| Deployment | Mise à l'échelle directe du Deployment sans ressource HPA intermédiaire |
Pour les clusters ACK Serverless où tous les pods s'exécutent sur des instances de conteneur élastiques, l'AHPA permet une mise à l'échelle automatique zero-node : le cluster met à l'échelle au niveau des pods sans gérer la capacité des nœuds.
Principes de conception
L'AHPA repose sur trois principes :
Stable : La mise à l'échelle ne se déclenche que lorsque l'application est dans un état stable.
Sans O&M : Aucun contrôleur supplémentaire n'est requis côté client. La syntaxe de configuration de l'AHPA est plus simple que celle du HPA.
Orienté serverless : L'accent est mis sur les pods plutôt que sur l'utilisation des ressources des nœuds, ce qui fait de l'AHPA une solution naturelle pour les environnements serverless et les instances de conteneur élastiques.
Notes d'utilisation
Pour plus de détails sur la configuration, les prérequis et des exemples YAML, consultez Présentation de l'AHPA.
Notes de version
Avril 2024
| Version | Date de publication | Description | Impact |
|---|---|---|---|
| v2.6.0-aliyun.1 | 2024-04-16 | Optimisation du lien de collecte des métriques utilisant metrics-server. | Effectuez la mise à jour pendant les heures creuses. |
Mars 2024
| Version | Date de publication | Description | Impact |
|---|---|---|---|
| v2.5.6-aliyun.1 | 2024-03-20 | Correction d'un plantage causé par le traitement des métriques personnalisées. | Effectuez la mise à jour pendant les heures creuses. |
Décembre 2023
| Version | Date de publication | Description | Impact |
|---|---|---|---|
| v2.5.0-aliyun.1 | 2023-12-25 | Ajout de la prise en charge des configurations PromQL personnalisées et d'Elastic Workload. Amélioration de la sortie kubectl pour afficher si les fonctionnalités périodiques sont actives. | Effectuez la mise à jour pendant les heures creuses. |
Octobre 2023
| Version | Date de publication | Description | Impact |
|---|---|---|---|
| v2.4.0-aliyun.1 | 2023-10-16 | Ajout de la prise en charge de plusieurs métriques dans la prédiction passive. Amélioration de la sortie kubectl pour afficher plusieurs métriques AHPA. Correction d'un problème où les modifications apportées à l'objet spécifié par TargetRef ne prenaient pas effet. | Effectuez la mise à jour pendant les heures creuses. |
Juillet 2023
| Version | Date de publication | Description | Impact |
|---|---|---|---|
| v2.3.0-aliyun.1 | 2023-07-12 | Ajout de la prise en charge des métriques personnalisées. Amélioration de la sortie kubectl pour afficher le type de ressource référencée. | Effectuez la mise à jour pendant les heures creuses. |
Juin 2023
| Version | Date de publication | Description | Impact |
|---|---|---|---|
| v2.2.0-aliyun.1 | 2023-06-19 | Ajout de la prise en charge des métriques de concurrence pour la mise à l'échelle prédictive. Optimisation de la logique de traitement passif Knative. Amélioration de la latence pour les requêtes de métriques CPU et mémoire en temps réel. | Effectuez la mise à jour pendant les heures creuses. |
Avril 2023
| Version | Date de publication | Description | Impact |
|---|---|---|---|
| v2.1.0-aliyun.1 | 2023-04-26 | Ajout de la prise en charge du tableau de bord Prometheus. Ajout de la prise en charge des plages temporelles personnalisables pour les métriques historiques. | Effectuez la mise à jour pendant les heures creuses. |
Juillet 2022
| Version | Date de publication | Description | Impact |
|---|---|---|---|
| v1.0.0-aliyun.1 | 2022-07-13 | Version initiale. Prise en charge des métriques CPU, mémoire, RT et QPS pour la mise à l'échelle prédictive. Prise en charge de la mise à l'échelle via Deployments, HPA et Knative. | Aucun impact sur les charges de travail. |