使用 tke-autoscaling-placeholder 实现秒级弹性伸缩的方法

更新时间：2021年01月26日 10:22:43 作者：腾讯云原生

这篇文章主要介绍了使用 tke-autoscaling-placeholder 实现秒级弹性伸缩的方法，本文通过实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下

背景

当 TKE 集群配置了节点池并启用了弹性伸缩，在节点资源不够时可以触发节点的自动扩容 (自动买机器并加入集群)，但这个扩容流程需要一定的时间才能完成，在一些流量突高的场景，这个扩容速度可能会显得太慢，影响业务。 tke-autoscaling-placeholder 可以用于在 TKE 上实现秒级伸缩，应对这种流量突高的场景。

原理是什么?

tke-autoscaling-placeholder 实际就是利用低优先级的 Pod 对资源进行提前占位(带 request 的 pause 容器，实际不怎么消耗资源)，为一些可能会出现流量突高的高优先级业务预留部分资源作为缓冲，当需要扩容 Pod 时，高优先级的 Pod 就可以快速抢占低优先级 Pod 的资源进行调度，而低优先级的 tke-autoscaling-placeholder 的 Pod 则会被 "挤走"，状态变成 Pending，如果配置了节点池并启用弹性伸缩，就会触发节点的扩容。这样，由于有了一些资源作为缓冲，即使节点扩容慢，也能保证一些 Pod 能够快速扩容并调度上，实现秒级伸缩。要调整预留的缓冲资源多少，可根据实际需求调整 tke-autoscaling-placeholder的 request 或副本数。

有什么使用限制?

使用该应用要求集群版本在 1.18 以上。

如何使用?

安装 tke-autoscaling-placeholder

在应用市场找到 tke-autoscaling-placeholder，点击进入应用详情，再点 创建应用:

选择要部署的集群 id 与 namespace，应用的配置参数中最重要的是 replicaCount 与 resources.request，分别表示 tke-autoscaling-placeholder 的副本数与每个副本占位的资源大小，它们共同决定缓冲资源的大小，可以根据流量突高需要的额外资源量来估算进行设置。

最后点击创建，你可以查看这些进行资源占位的 Pod 是否启动成功:

$ kubectl get pod -n default
tke-autoscaling-placeholder-b58fd9d5d-2p6ww  1/1   Running  0     8s
tke-autoscaling-placeholder-b58fd9d5d-55jw7  1/1   Running  0     8s
tke-autoscaling-placeholder-b58fd9d5d-6rq9r  1/1   Running  0     8s
tke-autoscaling-placeholder-b58fd9d5d-7c95t  1/1   Running  0     8s
tke-autoscaling-placeholder-b58fd9d5d-bfg8r  1/1   Running  0     8s
tke-autoscaling-placeholder-b58fd9d5d-cfqt6  1/1   Running  0     8s
tke-autoscaling-placeholder-b58fd9d5d-gmfmr  1/1   Running  0     8s
tke-autoscaling-placeholder-b58fd9d5d-grwlh  1/1   Running  0     8s
tke-autoscaling-placeholder-b58fd9d5d-ph7vl  1/1   Running  0     8s
tke-autoscaling-placeholder-b58fd9d5d-xmrmv  1/1   Running  0     8s

tke-autoscaling-placeholder 的完整配置参考下面的表格:

参数	描述	默认值
replicaCount	placeholder 的副本数	10
image	placeholder 的镜像地址	ccr.ccs.tencentyun.com/library/pause:latest
resources.requests.cpu	单个 placeholder 副本占位的 cpu 资源大小	300m
resources.requests.memory	单个 placeholder 副本占位的内存大小	600Mi
lowPriorityClass.create	是否创建低优先级的 PriorityClass (用于被 placeholder 引用)	true
lowPriorityClass.name	低优先级的 PriorityClass 的名称	low-priority
nodeSelector	指定 placeholder 被调度到带有特定 label 的节点	{}
tolerations	指定 placeholder 要容忍的污点	[]
affinity	指定 placeholder 的亲和性配置	{}

部署高优先级 Pod

tke-autoscaling-placeholder 的优先级很低，我们的业务 Pod 可以指定一个高优先的 PriorityClass，方便抢占资源实现快速扩容，如果没有可以先创建一个:

apiVersion: scheduling.k8s.io/v1
kind: PriorityClass
metadata:
 name: high-priority
value: 1000000
globalDefault: false
description: "high priority class"

在我们的业务 Pod 中指定 priorityClassName 为高优先的 PriorityClass:

apiVersion: apps/v1
kind: Deployment
metadata:
 name: nginx
spec:
 replicas: 8
 selector:
  matchLabels:
   app: nginx
 template:
  metadata:
   labels:
    app: nginx
  spec:
   priorityClassName: high-priority # 这里指定高优先的 PriorityClass
   containers:
   - name: nginx
    image: nginx
    resources:
     requests:
      cpu: 400m
      memory: 800Mi

当集群节点资源不够，扩容出来的高优先级业务 Pod 就可以将低优先级的 tke-autoscaling-placeholder 的 Pod 资源抢占过来并调度上，然后 tke-autoscaling-placeholder 的 Pod 再 Pending:

$ kubectl get pod -n default
NAME                     READY  STATUS  RESTARTS  AGE
nginx-bf79bbc8b-5kxcw             1/1   Running  0     23s

到此这篇关于使用 tke-autoscaling-placeholder 实现秒级弹性伸缩的文章就介绍到这了,更多相关tke-autoscaling-placeholder 实现秒级弹性伸缩内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

Kettle下载与安装保姆级教程(最新)
Kettle是一个实现ETL开发的一款开发工具，Spoon是Kettle工具提供的图形化界面，它由Java开发，支持跨平台运行，本文给大家分享Kettle下载与安装配置教程，感兴趣的朋友一起看看吧
2022-11-11
面试的时候该如何自我介绍详解
面试中自我介绍、项目是我们的重头戏,在面试二面、三面中都起到了至关重要的的作用,这篇文章主要介绍了面试的时候该如何自我介绍的相关资料,需要的朋友可以参考下
2008-06-06
5G频段阐述
这篇文章主要介绍了5G频段阐述方法的相关资料,需要的小伙伴可以参考下面
2021-08-08
详解Git.gitignore开发必备建议收藏
这篇文章主要介绍了Git.gitignore的全面详解，本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
2021-08-08
vscode保存代码时自动eslint格式化图文教程
这篇文章主要介绍了vscode保存代码时自动eslint格式化的相关资料,包括打开设置文件并复制特定内容,文中通过代码介绍的非常详细,需要的朋友可以参考下
2025-01-01
基数排序算法的原理与实现详解(Java/Go/Python/JS/C)
基数排序（RadixSort）是一种非比较型整数排序算法，其原理是将整数按位数切割成不同的数字，然后按每个位数分别比较。本文将利用Java/Go/Python/JS/C不同语言实现基数排序算法，感兴趣的可以了解一下
2023-03-03
如何在本地部署DeepSeek大模型实现联网增强的AI应用
本文介绍了如何使用Microsoft SemanticKernel框架结合DeepSeek本地模型和自定义搜索技能,构建一个具备联网增强能力的智能应用,文章还提供了一个应用场景示例,说明如何在本地部署DeepSeek大模型并实现联网增强的AI应用,感兴趣的朋友一起看看吧
2025-02-02
Vim配置完整示例详解
这篇文章主要介绍了Vim配置的相关资料,包括通用配置,常用插件配置,设置插件的方法,本文给大家讲解的非常详细,需要的朋友可以参考
2024-01-01
深入探究ChatGPT的工作原理
这篇文章主要探讨了ChatGPT的工作原理，ChatGPT是基于OpenAI开发的GPT-4架构的大型语言模型，文中图文介绍的非常详细，感兴趣的同学跟着小编一起来学习吧
2023-06-06
Git文件常用操作总结及拓展
这篇文章主要为大家介绍了Git文件常用操作总结及拓展，添加多个文件到暂存区，提交操作未写备注，从工作区直接提交到版本库，有需要的朋友可以借鉴参考下
2022-04-04