Kubernetes HPA功能深度解析与最佳实践

1. Kubernetes HPA功能深度解析

最近在客户现场做K8s集群优化时，发现很多团队对HPA(Horizontal Pod Autoscaler)的使用存在误区。有人把它当万能灵药，不管什么服务都挂上HPA；也有人完全不敢用，担心自动扩缩会引发稳定性问题。今天我就结合一个生产级HPA实验，聊聊这个核心功能的正确打开方式。

HPA本质上是通过监控指标动态调整Pod副本数的控制器。与手动扩缩容相比，它能实现：

• 毫秒级指标采集（默认30s间隔）
• 平滑的扩缩容过渡（避免副本数剧烈波动）
• 多维度指标支持（CPU/内存/自定义指标）

但要注意，不是所有服务都适合HPA。像有状态服务、启动耗时长的服务就需要特殊处理。接下来我们通过完整实验，看看HPA的最佳实践。

2. 实验环境搭建与配置

2.1 集群准备要点

我选用K3s作为实验环境（v1.25.6+k3s1），相比minikube更接近生产环境特性。关键配置：

bash复制# 禁用traefik以使用nginx ingress
curl -sfL https://get.k3s.io | INSTALL_K3S_EXEC="--disable traefik" sh -
# 安装metrics-server
kubectl apply -f https://github.com/kubernetes-sigs/metrics-server/releases/latest/download/components.yaml

重要提示：生产环境建议使用--request参数明确Pod资源需求，否则HPA计算会不准确。我们测试时故意不设置，后面会看到影响。

2.2 测试应用部署

用Go写了个简单的压力测试应用：

go复制// 关键压力测试逻辑
http.HandleFunc("/stress", func(w http.ResponseWriter, r *http.Request) {
    cpuOps := 10000000  // 默认计算量
    if s := r.URL.Query().Get("scale"); s != "" {
        if i, err := strconv.Atoi(s); err == nil