# GKE 中配置 Pod 的垂直伸缩 原文：[Configuring vertical pod autoscaling](https://cloud.google.com/kubernetes-engine/docs/how-to/vertical-pod-autoscaling) > 在 GKE 1.11.3 中提供了 Pod 垂直伸缩功能的 Beta 版本。这一功能在未来可能会收取费用，没有提供 SLA 以及过期策略，也有可能发生不向后兼容的更改。 本文阐述如何在 GKE 中配置 Pod 的垂直伸缩，该功能包含对 Pod 的 CPU 和内存申请进行调整的能力。 ## 概述 可以配置 [VerticalPodAutoscaler](https://cloud.google.com/kubernetes-engine/docs/concepts/verticalpodautoscaler) CRD来对容器的[CPU](https://kubernetes.io/docs/tasks/configure-pod-container/assign-cpu-resource/)以及[内存](https://kubernetes.io/docs/tasks/configure-pod-container/assign-memory-resource/)需求进行分析和调整。 ## 开始之前 开始这一任务之前，首先要完成以下步骤： * 确认开启了 [GKE API](https://console.cloud.google.com/apis/library/container.googleapis.com?q=kubernetes%20engine&_ga=2.131271884.-250761375.1547990554&_gac=1.19137164.1547990557.EAIaIQobChMIkbeckbr83wIVRKSWCh0_yAmwEAAYASAAEgJmc_D_BwE) * 安装 [Cloud SDK](https://cloud.google.com/sdk/downloads) * 设置缺省的 [Project ID](https://support.google.com/cloud/answer/6158840) `gcloud config set project [PROJECT_ID]` * 如果运行的是 zonal 集群，设置缺省的 [compute zone](https://cloud.google.com/compute/docs/zones#available)： `gcloud config set compute/zone [COMPUTE_ZONE]` * 如果运行的是 regional 集群，设置缺省的 [compute region](https://cloud.google.com/compute/docs/zones#available)： `gcloud config set compute/region [COMPUTE_REGION]` * 更新 `gcloud` 到最新版本： `gcloud components update` ## 为集群启用 Pod 的垂直自动伸缩功能 可以使用下面的命令创建包含 Pod 垂直自动伸缩功能的新集群： ```bash gcloud beta container clusters create [CLUSTER_NAME] \ --enable-vertical-pod-autoscaling ``` `[CLUSTER_NAME]` 就是该集群的名称。 如果要给现有集群启用 Pod 垂直自动伸缩功能，可以用下列命令： ```bash cloud beta container clusters update [CLUSTER-NAME] \ --enable-vertical-pod-autoscaling ``` `[CLUSTER_NAME]` 就是该集群的名称。 ## 获取资源推荐 下面的练习中会创建一个 VerticalPodAutoscaler，其中的 `updateMode` 设置为 `Off`。接下来创建一个包含两个 Pod 的 Deployment，每个 Pod 包含一个容器。当 Pod 创建时，VerticalPodAutoscaler 会分析容器的 CPU 和内存需要，并将推荐设置保存在 `status` 字段中。VerticalPodAutoscaler 在这一过程中不会对运行中的容器采取任何更新资源需求的措施。 VerticalPodAutoscaler 的配置如下： ```yaml apiVersion: autoscaling.k8s.io/v1beta1 kind: VerticalPodAutoscaler metadata: name: my-rec-vpa spec: selector: matchLabels: purpose: try-recommend updatePolicy: updateMode: "Off" ``` 将代码保存为 `my-rec-vpa.yaml` 并创建该资源： `kubectl create -f my-rec-vpa.yaml` Deployment 的代码如下： ```yaml apiVersion: extensions/v1beta1 kind: Deployment metadata: name: my-rec-deployment labels: purpose: try-recommend spec: replicas: 2 template: metadata: labels: purpose: try-recommend spec: containers: - name: my-rec-container image: nginx ``` 上述代码中并未设置 CPU 和内存的请求数量。而 Deployment 中的 Pod，具有标签 `purpose: try-recommend`，符合 VerticalPodAutoscaler 的 `selector` 中定义的选择标准，因此是会受到管理的。 将上述代码命名为 `my-rec-deployment.yaml`，创建对象： `kubectl create -f my-rec-deployment.yaml` 稍候片刻，查看 VirticalPodAutoscaler： `kubectl get vpa my-rec-vpa --output yaml` 会显示 CPU 和内存资源的推荐设置： ```yaml ... recommendation: containerRecommendations: - containerName: my-rec-container lowerBound: cpu: 25m memory: 262144k target: cpu: 25m memory: 262144k upperBound: cpu: 7931m memory: 8291500k ... ``` 现在看到了推荐的 CPU 和内存请求了，可以选择删除 Deployment，加入 CPU 和内存请求的相关内容，并重新启动。 ### 自动更新资源 接下来的练习会创建一个 Deployment ，其中包含两个 Pod，每个 Pod 包含一个容器，容器请求 100m 的 CPU 以及 50M 的内存。然后创建一个 VerticalPodAutoscaler 对象，自动对 CPU 和内存的请求进行修正。 下面是该 Deployment 的代码： ```yaml apiVersion: extensions/v1beta1 kind: Deployment metadata: name: my-deployment labels: purpose: try-auto-requests spec: replicas: 2 template: metadata: labels: purpose: try-auto-requests spec: containers: - name: my-container image: k8s.gcr.io/ubuntu-slim:0.1 resources: requests: cpu: 100m memory: 50Mi command: ["/bin/sh"] args: ["-c", "while true; do timeout 0.5s yes >/dev/null; sleep 0.5s; done"] ``` 把上述代码保存为文件 `my-deployment.yaml`，并创建对象： `kubectl create -f my-deployment.yaml` 列出运行中的 Pod： `kubectl get pods` 输出内容中包含了 `my-deployment` 中的 Pod： ```bash NAME READY STATUS RESTARTS AGE my-deployment-cbcdd49fb-d6bf9 1/1 Running 0 8s my-deployment-cbcdd49fb-th288 1/1 Running 0 8s ``` 为了后续方便，记录下 Pod 名称。 这个 Deployment 申请的 CPU 和内存非常小，所以可能提供更多资源会给这一 Deployment 带来更好的效果。 下面代码用于创建一个 `VerticalPodAutoscaler`： ```yaml apiVersion: autoscaling.k8s.io/v1beta1 kind: VerticalPodAutoscaler metadata: name: my-vpa spec: selector: matchLabels: purpose: try-auto-requests updatePolicy: updateMode: "Auto" ``` 这段代码中的 `selector` 字段中声明，所有带有标签 `purpose: try-auto-requests` 的 Pod 都会受其影响。 `updateMode` 字段取值为 `Auto`，代表 VerticalPodAutoscaler 会更新 Pod 的 CPU 和内存请求，也就是说 VerticalPodAutoscaler 会删除 Pod、调整 CPU 和内存申请，然后启动一个新 Pod。 把代码保存为 `my-vpa.yaml`，并创建该资源： `kubectl create -f my-vpa.yaml` 几分钟之后，再次查看 Pod： `kubectl get pods` 会看到 Pod 名称已经发生了变化，如果没有，请隔一段时间再次查看。 获取一个新 Pod 的信息： `kubectl get pod [POD_NAME] --output yaml` 输出内容中，会看到 VerticalPodAutoscaler 提高了内存和 CPU 的设置。还会看到注解中也发生了更新： ```yaml apiVersion: v1 kind: Pod metadata: annotations: vpaUpdates: 'Pod resources updated by my-vpa: container 0: cpu capped to node capacity, memory capped to node capacity, cpu request, memory request' ... spec: containers: ... resources: requests: cpu: 510m memory: 262144k ... ``` 查看一下 VerticalPodAutoscaler 的详情： `kubectl get vpa my-vpa --output yaml` 输出内容中显示了三组对 CPU 和内存申请的建议：`lowerBound`、`target` 和 `upperBound`： ```yaml ... recommendation: containerRecommendations: - containerName: my-container lowerBound: cpu: 536m memory: 262144k target: cpu: 587m memory: 262144k upperBound: cpu: 27854m memory: "545693548" ``` `target` 的含义是，该容器使用 587m 的 CPU 和 262144 KB 的内存会获得更好的运行效果。 VerticalPodAutoscaler 会使用 `lowerBound` 和 `upperBound` 来决定是否重新创建 Pod，如果一个 Pod 申请的资源少于 `lowerBound` 或者大于 `upperBound`，就会被 VerticalPodAutoscaler 删除并使用 `target` 推荐的规格进行重建。 ### Selector 不可重叠 VerticalPodAutoscaler 包含了一个 `selector` 字段，用来决定该对象的影响范围。如果创建了不止一个的 `VerticalPodAutoscaler`，要保证其 selector 不能发生重叠。 例如下面的两个 VerticalPodAutoscaler： ```yaml ... kind: VerticalPodAutoscaler metadata: name: my-vpa-1 spec: selector: matchLabels: app: metrics department: engineering ... ``` ```yaml ... ... kind: VerticalPodAutoscaler metadata: name: my-vpa-2 spec: selector: matchLabels: department: engineering ... ``` 带有 `app: metrics` 和 `department: engineering` 标签的 Pod 会被两个对象同时管理，会引发问题。