InfoQ
·
Deezer使用自定义指标优化Kubernetes自动扩展
💡
原文英文，约700词，阅读约需3分钟。
📝
内容提要
Deezer使用自定义指标优化Kubernetes扩展。由于默认的CPU和内存指标不适用，Deezer通过Prometheus收集事件循环利用率（ELU）作为自定义指标，更准确地反映服务器负载。尽管增加了复杂性，他们通过调整Prometheus Adapter确保高可用性，并探索KEDA等工具提升灵活性。
🎯
关键要点
- Deezer使用自定义指标优化Kubernetes扩展，以解决CPU和内存指标不适用的问题。
- Deezer自2018年以来在生产环境中成功使用Kubernetes，主要在裸金属环境和公共云平台上。
- Deezer团队发现Kubernetes的默认水平Pod自动扩展（HPA）依赖于CPU和内存使用率，无法满足其应用需求。
- Deezer采用事件循环利用率（ELU）作为Node.js应用的自定义指标，ELU更能准确反映服务器负载。
- 实施步骤包括部署Prometheus收集应用特定指标，配置Prometheus Adapter暴露ELU指标，以及创建引用ELU指标的HorizontalPodAutoscaler资源。
- 使用Vegeta进行负载测试，以验证新的自动扩展设置，确保系统在不同条件下按预期扩展。
- 其他组织也成功使用自定义指标驱动自动扩展，例如Pixie和Overcast。
- Loft强调自定义指标的价值，并指出HPA在处理突发流量时的局限性，建议使用KEDA或自定义指标以更快响应。
- Deezer承认自定义指标引入了复杂性，强调对Prometheus Adapter的监控和调整的重要性。
- 为确保高可用性，Deezer建议扩展Prometheus Adapter副本，实施PodDisruptionBudget，并设置全面的监控。
- Deezer正在探索进一步改进自动扩展设置的方法，分析可能使用KEDA等工具的高级场景。
❓
延伸问答
Deezer为什么选择使用自定义指标进行Kubernetes扩展？
Deezer发现Kubernetes的默认HPA依赖于CPU和内存使用率，无法满足其应用需求，因此选择使用事件循环利用率（ELU）作为自定义指标，以更准确地反映服务器负载。
Deezer如何实施自定义指标以优化Kubernetes扩展？
Deezer通过部署Prometheus收集应用特定指标，配置Prometheus Adapter暴露ELU指标，并创建引用ELU指标的HorizontalPodAutoscaler资源来实施自定义指标。
使用自定义指标进行自动扩展有哪些优势？
自定义指标如ELU能更准确地反映服务器负载，从而使扩展决策更有效，尤其是在CPU使用率波动时，能够更快响应突发流量。
Deezer在自动扩展中遇到了哪些挑战？
Deezer承认自定义指标引入了复杂性，强调对Prometheus Adapter的监控和调整的重要性，以确保高可用性和有效的扩展。
Deezer如何验证其新的自动扩展设置？
Deezer使用Vegeta进行负载测试，以验证新的自动扩展设置，确保系统在不同条件下按预期扩展。
除了Deezer，还有哪些组织成功使用自定义指标进行自动扩展？
其他组织如Pixie和Overcast也成功使用自定义指标驱动自动扩展，分别通过编写自定义指标服务器和监控队列长度实现。
🏷️
标签
➡️
