本文介绍如何为KServe模型服务接入KEDA，实现基于vLLM指标的自动扩缩容。通过安装KEDA和Prometheus，配置InferenceService和ServiceMonitor，利用vLLM暴露的请求指标，KEDA查询Prometheus数据并驱动HPA调整副本数。实测验证了服务从1个副本扩至2个再缩回1个的完整流程，有效平衡突发请求与资源利用率。

本文介绍如何在Amazon EKS上使用KEDA基于SQS队列深度进行自动缩放。核心思想是：对于异步队列工作负载，队列积压量比CPU/内存利用率更能反映真实需求。文章涵盖KEDA安装、AWS身份配置、ScaledObject设置、副本计算逻辑（期望副本数=积压消息数/queueLength），以及验证、故障排查和生产调优建议，帮助实现事件驱动架构的高效弹性伸缩。

本文讨论了如何构建一个耐用的后台代理运行时，利用Kubernetes和KEDA实现自动扩展。文章介绍了任务调度、崩溃恢复和代理能力的实现，使用Temporal确保任务的持久性。用户提交任务后，系统在后台处理，用户无需等待。通过分离控制平面和执行平面，确保系统高效运行。最终，读者将掌握构建和部署可扩展AI代理的核心概念和步骤。

在AI时代，传统的水平自动扩缩容（HPA）在处理AI推理服务时失效，因为HPA假设资源使用率与负载成正比，而GPU显存常驻，计算使用率与请求量不成正比。KEDA通过监控消息队列的积压情况来决定扩缩容，克服了HPA的局限性，适用于异步处理场景。

KEDA 通过自定义 DaemonSet 解决 Kubernetes 中 GPU 工作负载的自动扩展问题。它利用 NVIDIA 管理库 (NVML) 收集 GPU 指标，如利用率、内存和功耗，并通过 gRPC 提供给 KEDA 操作员，从而实现基于 GPU 性能的自动扩展。这种方法提高了资源利用率，降低了能耗，适用于多种 GPU 工作负载。

Argo CD 3.3版本发布，增强了GitOps工具，新增PreDelete钩子、OIDC令牌自动刷新和Git仓库浅克隆功能，提升了删除安全性和用户体验。同时改进了集群资源控制和KEDA支持，优化了配置管理，增强了多应用部署能力。

加勒比熊猫成立于2019年，专注于海外知识分享和休闲游戏市场，开发高品质App和游戏，累计下载超过1.5亿。为应对全球市场流量波动，采用基于Flask的自定义指标服务与KEDA结合，实现精准弹性伸缩，降低资源成本，提高系统响应能力。

在汉堡的ContainerDays上，Kelsey Hightower提出了一个问题：为何我们仍在讨论容器？即使在AI时代，云原生社区依然在优化容器编排、可扩展性和效率。开源项目KEDA和Karpenter帮助在Kubernetes中平衡性能、可靠性和成本，KEDA通过智能扩展工作负载，Karpenter按需提供节点，确保资源高效利用。

每周五更新重要版本信息，记录新版本发布，忽略bug修复。列出Keda、Gitea、SafeLine等多个项目的最新版本链接。

Kubernetes的扩展依赖HPA、VPA和KEDA等工具的协同工作。HPA根据负载动态调整pod数量，VPA优化pod资源配置，KEDA则根据外部事件进行实时扩展。Cluster Autoscaler负责集群节点扩展，避免资源浪费。有效的监控和预测提升系统弹性与响应能力。

KEDA（Kubernetes事件驱动自动扩展）通过特定事件自动扩展容器化工作负载，用户可设置Cron作业在流量高峰时增加资源，以确保应用性能。本文介绍了KEDA的安装、配置及在Azure Kubernetes服务中的应用，强调事件驱动扩展的重要性。

自动化是DevOps工程师在Kubernetes生态系统中的核心，KEDA（Kubernetes事件驱动自动扩展）使应用能够根据外部事件源动态扩展，解决了传统扩展机制在闲置时无法降至零的问题。KEDA结合主动和被动扩展策略，在高流量时保持活跃副本，低流量时降低资源消耗，从而实现资源利用和成本优化。

本文介绍了在Google Kubernetes Engine上设置KEDA（Kubernetes事件驱动自动扩展器）及其HTTP附加组件的过程。作者面临集群资源限制和扩展问题，通过调整Python应用程序和使用HTTPScaledObject解决了这些问题。尽管成功触发了水平Pod自动扩展器，但KEDA的HTTP附加组件仍未正常工作。

KEDA HTTP附加组件为Kubernetes中的HTTP应用提供智能自动扩展解决方案，通过拦截器、外部扩展器和操作员等组件，解决不可预测流量和零扩展需求，实现基于HTTP请求的动态扩展，确保应用响应用户需求。

SpinKube与KEDA结合可实现基于实时事件驱动的Spin应用高效扩展，开发者通过Kubernetes优化资源使用、降低成本、应对不同负载，同时享受WebAssembly的性能与安全性。

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。

本文介绍了使用KEDA调度Job任务解决Kubernetes动态扩缩容问题的方案，包括替换组件、引入KEDA和Karpenter能力，以及使用Amazon SQS和EKS等。文章还介绍了组件介绍和环境搭建步骤，并通过Demo验证了方案的可行性。