容器编排弹性伸缩：如何配置 HPA 让容器自动扩容

HPA通过动态调整Pod副本数实现负载自适应伸缩。它依赖Metrics Server采集指标，要求目标Deployment设置resources.requests，依据CPU/内存等利用率与目标阈值比较，按公式计算期望副本数并取各指标结果最大值执行扩缩容。

要让容器在负载升高时自动增加副本、负载下降时自动减少，关键就是正确配置 Horizontal Pod Autoscaler（HPA）。它不改单个容器资源，而是动态调整 Pod 数量，适合无状态服务的弹性应对。

前提条件必须到位

HPA 不是开箱即用的功能，依赖底层指标采集能力：

• 集群中必须已部署并正常运行 Metrics Server，它是 HPA 获取 CPU、内存等基础指标的唯一来源；可通过 kubectl get apiservices | grep metrics 和 kubectl top pods 验证
• 目标工作负载（如 Deployment）必须明确设置 resources.requests，例如 cpu: 100m、memory: 256Mi；HPA 计算利用率时以 requests 为分母，没设 requests 就无法生效
• 确保 Deployment 的 replicas 初始值大于 0；若为 0，HPA 不会触发任何扩缩动作

核心配置项说明

一份典型的 HPA YAML 中，以下字段决定伸缩行为是否合理：

• scaleTargetRef：指定要控制的对象，必须与目标 Deployment 的 apiVersion、kind、name 完全一致
• minReplicas / maxReplicas：设定副本数上下限；minReplicas 保障最低可用性，maxReplicas 防止突发流量引发资源耗尽
• metrics：可同时配置多个指标，HPA 会分别计算所需副本数，取最大值执行；常见组合包括：
  – type: Resource + name: cpu + averageUtilization: 70
  – type: Resource + name: memory + averageUtilization: 80

实际配置示例

以下 YAML 将为名为 my-app 的 Deployment 设置双指标 HPA：

apiVersion: autoscaling/v2kind: HorizontalPodAutoscalermetadata:  name: my-app-hpaspec:  scaleTargetRef:    apiVersion: apps/v1    kind: Deployment    name: my-app  minReplicas: 2  maxReplicas: 10  metrics:  - type: Resource    resource:      name: cpu      target:        type: Utilization        averageUtilization: 70  - type: Resource    resource:      name: memory      target:        type: Utilization        averageUtilization: 85

保存为 hpa.yaml 后执行 kubectl apply -f hpa.yaml 即可启用。几分钟后可通过 kubectl get hpa 查看当前指标值与推荐副本数。

几个易忽略但关键的细节

配置完成后，还需注意这些实际运行中的要点：

• HPA 默认每 15–30 秒 拉取一次指标，每 2 分钟 才评估是否需要调整副本；缩容有默认 5 分钟冷却期，避免抖动
• 当同时配置 CPU 和内存指标时，只要任一指标触发阈值，HPA 就按该指标计算出的副本数执行扩容；但缩容需所有指标均低于目标值才进行
• 如果使用自定义指标（如 QPS、延迟），需额外部署 Prometheus Adapter，并将指标类型改为 type: External 或 type: Pods
• 一个 Deployment 建议只绑定一个 HPA；多个 HPA 同时作用会导致副本数被反复覆盖，产生不可控波动