产品动态
公告
产品发布记录
使用 EHPA 实现基于流量预测的弹性
EHPA 简介
EHPA（EffectiveHorizontalPodAutoscaler）是 Crane 开源项目 提供的弹性伸缩产品。它基于社区 HPA 做底层的弹性控制，支持更丰富的弹性触发策略（预测、观测、周期），以提高弹性控制的效率，并确保服务质量。
EHPA 的主要特点包括：
提前扩容，保证服务质量：通过算法预测未来的流量洪峰，提前扩容以避免扩容不及时导致的雪崩和服务稳定性故障。
减少无效缩容：通过预测未来的需求，减少不必要的缩容，稳定工作负载的资源使用率，消除突刺误判。
支持 Cron 配置：支持基于 Cron 的弹性配置，以应对大促等异常流量洪峰。
兼容社区：使用社区 HPA 作为弹性控制的执行层，能力完全兼容社区。
安装
安装 EHPA 可以参考 Crane 开源项目的文档，具体步骤请参见 Intelligent Autoscaling Practices Based on Effective HPA for Custom Metrics。
产品功能
基于预测的弹性
大多数在线应用的负载都具有周期性的特征。用户可以根据按天或者按周的趋势预测未来的负载。EHPA 使用 DSP 算法来预测应用未来的时间序列数据。
以下代码为一个开启了预测能力的 EHPA 模版示例：
apiVersion: autoscaling.crane.io/v1alpha1kind: EffectiveHorizontalPodAutoscalerspec:prediction:predictionWindowSeconds: 3600predictionAlgorithm:algorithmType: dspdsp:sampleInterval: "60s"historyLength: "3d"
监控数据兜底
在使用预测算法进行预测时，您可能会担心预测数据的准确性，因此在计算副本数时，EHPA 不仅会按预测数据计算，同时也会考虑实际监控数据来兜底，以提升弹性的安全性。具体实现原理是，当您在 EHPA 中定义 spec.metrics 并且开启弹性预测时，EffectiveHPAController 会根据策略自动生成多个 Metric Spec 来创建底层管理的 HPA。
例如，当用户在 EHPA 的 yaml 文件中定义如下 Metric Spec：
apiVersion: autoscaling.crane.io/v1alpha1kind: EffectiveHorizontalPodAutoscalerspec:metrics:- type: Resourceresource:name: cputarget:type: UtilizationaverageUtilization: 50
将会自动转换为两条 HPA 的阈值配置：
apiVersion: autoscaling/v2beta1kind: HorizontalPodAutoscalerspec:metrics:- pods:metric:name: crane_pod_cpu_usageselector:matchLabels:autoscaling.crane.io/effective-hpa-uid: f9b92249-eab9-4671-afe0-17925e5987b8target:type: AverageValueaverageValue: 100mtype: Pods- resource:name: cputarget:type: UtilizationaverageUtilization: 50type: Resource
在上述示例中，用户在 EHPA 创建的 Metric 阈值配置将自动转换为底层 HPA 上的两条 Metric 阈值配置：预测 Metric 阈值和实际监控 Metric 阈值。
预测 Metric 阈值是一个 custom metric。其值由 Crane 的 MetricAdapter 提供。
实际监控 Metric 阈值是一个 resource metric，与用户在 EHPA 中定义的相同。这样 HPA 将根据应用程序实际监控的 Metric 计算副本数。
当配置了多个弹性 Metric 阈值时，HPA 将分别计算每个 Metric 对应的副本数，并选择最大的副本数作为最终的推荐弹性结果。
水平弹性的执行流程
1. EffectiveHPAController 创建 HorizontalPodAutoscaler 和 TimeSeriesPrediction 对象。
2. PredictionCore 从 Prometheus 获取历史 metric，通过预测算法计算，将结果记录到 TimeSeriesPrediction。
3. HPAController 通过 metric client 从 KubeApiServer 读取 metric 数据。
4. KubeApiServer 将请求路由到 Crane 的 MetricAdapter。
5. HPAController 计算所有的 Metric 返回的结果，得到最终的弹性副本推荐。
6. HPAController 调用 scale API 对目标应用进行扩/缩容。
整体流程图如下所示：
用户案例
通过一个生产环境的客户案例，向您展示 EHPA 的实际效果。本案例在预发环境中重放了生产数据，并对比了使用 EHPA 和社区的 HPA 的弹性效果。
下图中的红线代表应用在一天内的实际 CPU 使用量曲线，您可以看到在早上8点、中午12点和晚上8点时出现了使用高峰。绿线代表 EHPA 预测的 CPU 使用量。
下图是对应的自动弹性的副本数曲线，红线表示社区 HPA 的副本数曲线，绿线表示 EHPA 的副本数曲线。
可以看出 EHPA 具有以下优势：
在流量洪峰到来之前进行扩容。
当流量先下降后立即上升时，不做无效的缩容。
相比 HPA，EHPA 具有更少的弹性次数却更高效。
ScaleStrategy 弹性策略
EHPA 提供了两种弹性策略：Auto 和 Preview。您可以随时切换它并立即生效。
Auto
Auto 策略下 EHPA 会自动执行弹性行为。默认 EHPA 的策略是 Auto。在这个模式下 EHPA 会创建一个社区的 HPA 对象并自动接管它的生命周期。不建议您修改或者控制这个底层的 HPA 对象，当 EHPA 被删除时，底层的 HPA 对象也会一并删除。
Preview
Preview 策略提供了一种让 EHPA 不自动执行弹性的能力。因此，您可以通过 EHPA 的 desiredReplicas 字段观测 EHPA 计算出的副本数。您可以随时在两个模式之间切换，当您切换到 Preview 模式时，您可以通过 spec.specificReplicas 调整应用的副本数，如果 spec.specificReplicas 为空，则不会对应用执行弹性，但仍会执行副本数的计算。
以下是一个配置为 Preview 模式的 EHPA 模板示例：
apiVersion: autoscaling.crane.io/v1alpha1kind: EffectiveHorizontalPodAutoscalerspec:scaleStrategy: Preview # ScaleStrategy indicate the strategy to scaling target, value can be "Auto" and "Preview". specificReplicas: 5 # SpecificReplicas specify the target replicas.status:expectReplicas: 4 # expectReplicas is the calculated replicas that based on prediction metrics or spec.specificReplicas.currentReplicas: 4 # currentReplicas is actual replicas from target
文档反馈