共计 7649 个字符，预计需要花费 20 分钟才能阅读完成。
今晚 20:30，Kubernetes Master Class 在线培训第六期《在 Kubernetes 中创建高可用应用》即将开播，点击 http://live.vhall.com/847710932 即可免费预约注册！
监控的重要性不言而喻，它让我们能充分了解到应用程序的状况。Kubernetes 有很多内置工具可供用户们选择，让大家更好地对基础架构层（node）和逻辑层（pod）有充分的了解。
在本系列文章的第一篇中，我们关注了专为用户提供监控和指标的工具 Dashboard 和 cAdvisor。在本文中，我们将继续分享关注工作负载扩缩容和生命周期管理的监控工具：Probe（探针）和 Horizontal Pod Autoscaler（HPA）。同样的，一切介绍都将以 demo 形式进行。
Demo 的前期准备
在本系列文章的上一篇中，我们已经演示了如何启动 Rancher 实例以及 Kubernetes 集群。在上篇文章中我们提到过，Kubernetes 附带了一些内置的监控工具，包括：
- Kubernetes dashboard：为集群上运行的资源提供一个概览。它还提供了一种非常基本的部署以及与这些资源进行交互的方法。
- cAdvisor：一种用于监控资源使用情况并分析容器性能的开源代理。
- Liveness 和 Readiness Probe：主动监控容器的健康情况。
- Horizontal Pod Autoscaler：基于通过分析不同指标所收集的信息，根据需要增加 pod 的数量。
在上篇文章了，我们深度分析了前两个组件 Kubernetes Dashboard 和 cAdvisor，在本文中，我们将继续探讨后两个工具：探针及 HPA。
Probe（探针）
健康检查有两种：liveness 和 readiness。
readiness 探针让 Kubernetes 知道应用程序是否已准备好，来为流量提供服务。只有探针允许通过时，Kubernetes 才会允许服务将流量发送到 pod。如果探针没有通过，Kubernetes 将停止向该 Pod 发送流量，直到再次通过为止。
当你的应用程序需要花费相当长的时间来启动时，readiness 探针非常有用。即使进程已经启动，在探针成功通过之前，该服务也无法工作。默认情况下，Kubernetes 将在容器内的进程启动后立即开始发送流量，但是在有 readiness 探针的情况下，Kubernetes 将在应用程序完全启动后再允许服务路由流量。
liveness 探针让 Kubernetes 知道应用程序是否处于运行状态。如果处于运行状态，则不采取任何行动。如果该应用程序未处于运行状态，Kubernetes 将删除该 pod 并启动一个新的 pod 替换之前的 pod。当你的应用程序停止提供请求时，liveness 探针非常有用。由于进程仍在运行，因此默认情况下，Kubernetes 将继续向 pod 发送请求。凭借 liveness 探针，Kubernetes 将检测到应用程序不再提供请求并将重新启动 pod。
对于 liveness 和 readiness 检查，可以使用以下类型的探针：
- http：自定义探针中最常见的一种。Kubernetes ping 一条路径，如果它在 200-300 的范围内获得 http 响应，则将该 pod 标记为健康。
- command：使用此探针时，Kubernetes 将在其中一个 pod 容器内运行命令。如果该命令返回退出代码 0，则容器将标记为健康。
- tcp：Kubernetes 将尝试在指定端口上建立 TCP 连接。如果能够建立连接，则容器标记为健康。
配置探针时，可提供以下参数：
- initialDelaySeconds：首次启动容器时，发送 readiness/liveness 探针之前等待的时间。对于 liveness 检查，请确保仅在应用程序准备就绪后启动探针，否则你的应用程序将会继续重新启动。
- periodSeconds：执行探针的频率（默认值为 10）。
- timeoutSeconds：探针超时的时间，以秒为单位（默认值为 1）。
- successThreshold：探针成功的最小连续成功检查次数。
- failureThreshold：放弃之前探针失败的次数。放弃 liveness 探针会导致 Kubernetes 重新启动 pod。对于 liveness 探针，pod 将被标记为未准备好。
Readiness 探针的演示
在本节中，我们将使用命令检查来配置 readiness 探针。我们将使用默认的 nginx 容器部署两个副本。在容器中找到名为 /tmp/healthy 的文件之前，不会有任何流量发送到 pod。
首先，输入以下命令创建一个 readiness.yaml 文件：
apiVersion: apps/v1
kind: Deployment
metadata:
name: readiness-demo
spec:
selector:
matchLabels:
app: nginx
replicas: 2
template:
metadata:
labels:
app: nginx
spec:
containers:
- image: nginx
name: nginx
ports:
- containerPort: 80
readinessProbe:
exec:
command:
- ls
- /tmp/healthy
initialDelaySeconds: 5
periodSeconds: 5
---
apiVersion: v1
kind: Service
metadata:
name: lb
spec:
type: LoadBalancer
ports:
- port: 80
protocol: TCP
targetPort: 80
selector:
> apiVersion: apps/v1
kind: Deployment
metadata:
name: readiness-demo
spec:
selector:
matchLabels:
app: nginx
replicas: 2
template:
metadata:
labels:
app: nginx
spec:
containers:
- image: nginx
name: nginx
ports:
- containerPort: 80
readinessProbe:
exec:
command:
- ls
- /tmp/healthy
initialDelaySeconds: 5
periodSeconds: 5
---
apiVersion: v1
kind: Service
metadata:
name: lb
spec:
type: LoadBalancer
ports:
- port: 80
protocol: TCP
targetPort: 80
selector:
app: nginx app: nginx接下来，应用 YAML 文件：
我们将看到正在创建的部署和服务：
除非 readiness 探针通过，否则 pod 将不会进入 READY 状态。在这种情况下，由于没有名为 /tmp/healthy 的文件，因此将被标记为失败，服务将不会发送任何流量。
为了更好地理解，我们将修改两个 pod 的默认 nginx 索引页面。当被请求时，第一个将显示 1 作为响应，第二个将显示 2 作为响应。
下面将特定 pod 名称替换为计算机上部署创建的 pod 名称：
在第一个 pod 中创建所需的文件，以便转换到 READY 状态并可以在那里路由流量：
探针每 5 秒运行一次，因此我们可能需要稍等一会儿才能看到结果：
一旦状态发生变化，我们就可以开始点击负载均衡器的外部 IP：
下面我们应该能看到我们修改过的 Nginx 页面了，它由一个数字标识符组成：
为第二个 pod 创建文件也会导致该 pod 进入 READY 状态。此处的流量也会被重定向：
当第二个 pod 标记为 READY 时，该服务将向两个 pod 发送流量：
此时的输出应该已经指明了，流量正在两个 pod 之间分配：
Liveness 探针的演示
在本节中，我们将演示使用 tcp 检查配置的 liveness 探针。如上所述，我们将使用默认的 nginx 容器部署两个副本。如果容器内的端口 80 没有正处于监听状态，则不会将流量发送到容器，并且将重新启动容器。
首先，我们来看看 liveness 探针演示文件：
apiVersion: apps/v1
kind: Deployment
metadata:
name: liveness-demo
spec:
selector:
matchLabels:
app: nginx
replicas: 2
template:
metadata:
labels:
app: nginx
spec:
containers:
- image: nginx
name: nginx
ports:
- containerPort: 80
livenessProbe:
tcpSocket:
port: 80
initialDelaySeconds: 15
periodSeconds: 5
---
apiVersion: v1
kind: Service
metadata:
name: lb
spec:
type: LoadBalancer
ports:
- port: 80
protocol: TCP
targetPort: 80
selector:
app: nginx我们可以用一个命令来应用 YAML：
然后，我们可以检查 pod，并像上面一样修改默认的 Nginx 页面以使用简单的 1 或 2 来表示响应。
首先，找到 Nginx 部署给 pod 的名称：
接下来，使用数字标识符替换每个 pod 中的默认索引页：
流量已被服务重定向，因此可立即从两个 pod 获取响应：
同样，响应应该表明流量正在两个 pod 之间分配：
现在我们已经准备好在第一个 pod 中停止 Nginx 进程，以查看处于运行状态的 liveness 探针。一旦 Kubernetes 注意到容器不再监听端口 80，pod 的状态将会改变并重新启动。我们可以观察其转换的一些状态，直到再次正常运行。
首先，停止其中一个 pod 中的 Web 服务器进程：
现在，当 Kubernetes 注意到探针失败并采取措施重启 pod 时，审核 pod 的状态：
你可能会看到 pod 在再次处于健康状况之前进行了多种状态的转换：
如果我们通过我们的服务请求页面，我们将从第二个 pod 中看到正确的响应，即修改后的标识符“2”。然而，刚创建的 pod 将从容器镜像返回了默认的 Nginx 页面：
这表明 Kubernetes 已经部署了一个全新的 pod 来替换之前失败的 pod。
Horizontal Pod Autoscaler
Horizontal Pod Autoscaler（HPA）是 Kubernetes 的一项功能，使我们能够根据观察到的指标对部署、复制控制器、或副本集所需的 pod 数量进行自动扩缩容。在实际使用中，CPU 指标通常是最主要的触发因素，但自定义指标也可以是触发因素。
基于测量到的资源使用情况，该过程的每个部分都是自动完成的，不需要人工干预。相关指标可以从 metrics.k8s.io、custom.metrics.k8s.io 或 external.metrics.k8s.io 等 API 获取。
在下文的示例中，我们将基于 CPU 指标进行演示。我们可以在这种情况下使用的命令是 kubectl top pods，它将显示 pod 的 CPU 和内存使用情况。
首先，创建一个 YAML 文件，该文件将使用单个副本创建部署：
输入以下内容来应用部署：
这是一个很简单的 deployment，具有相同的 Nginx 镜像和单个副本：
接下来，让我们了解如何实现自动缩放机制。使用 kubectl get / describe hpa 命令，可以查看当前已定义的 autoscaler。要定义新的 autoscaler，我们可以使用 kubectl create 命令。但是，创建 autoscaler 的最简单方法是以现有部署为目标，如下所示：
这将为我们之前创建的 hpa-demo 部署创建一个 autoscaler，而且预计 CPU 利用率为 50%。副本号在此处设为 1 到 10 之间的数字，因此当高负载时 autoscaler 将创建的最大 pod 数为 10。
你可以通过输入以下内容来确认 autoscaler 的配置：
我们也可以用 YAML 格式定义它，从而更容易地进行审查和变更管理：
为了查看 HPA 的运行情况，我们需要运行一个在 CPU 上创建负载的命令。这里有很多种方法，但一个非常简单的例子如下：
首先，检查唯一 pod 上的负载。因为它目前处于空闲状态，所以没有太多负载：
现在，让我们在当前 pod 上生成一些负载。一旦负载增加，我们应该就能看到 HPA 开始自动创建一些额外的 pod 来处理所增加的负载。让以下命令运行几秒钟，然后停止命令：
检查当前 pod 上的当前负载：
HPA 开始发挥作用，并开始创建额外的 pod。Kubernetes 显示部署已自动缩放，现在有三个副本：
我们可以看到 HPA 的详细信息以及将其扩展到三个副本的原因：
Name: hpa-demo
Namespace: default
Labels: <none>
Annotations: kubectl.kubernetes.io/last-applied-configuration={"apiVersion":"autoscaling/v1","kind":"HorizontalPodAutoscaler","metadata":{"annotations":{},"name":"hpa-demo","namespace":"default"},"spec":{"maxRepli...
CreationTimestamp: Sat, 30 Mar 2019 17:43:50 +0200
Reference: Deployment/hpa-demo
Metrics: (current / target)
resource cpu on pods (as a percentage of request): 104% (104m) / 50%
Min replicas: 1
Max replicas: 10
Conditions:
Type Status Reason Message
---- ------ ------ -------
AbleToScale True ReadyForNewScale recommended size matches current size
ScalingActive True ValidMetricFound the HPA was able to successfully calculate a replica count from cpu resource utilization (percentage of request)
ScalingLimited False DesiredWithinRange the desired count is within the acceptable range
Events:
Type Reason Age From Message
---- ------ ---- ---- -------
Normal SuccessfulRescale 15s horizontal-pod-autoscaler New size: 3; reason: cpu resource utilization (percentage of request) above target
由于我们停止了生成负载的命令，所以如果我们等待几分钟，HPA 应该注意到负载减少并缩小副本的数量。没有高负载，就不需要创建额外的两个 pod。
autoscaler 在 Kubernetes 中执行缩减操作之前等待的默认时间是 5 分钟。您可以通过调整 –horizontal-pod-autoscaler-downscale-delay 设置来修改该时间，更多信息可以参考官方文档：
https://kubernetes.io/docs/ta…
等待时间结束后，我们会发现，在高负载的标记处，部署的 pod 数量减少了：
pod 数量会变回到基数：
如果再次检查 HPA 的描述，我们将能看到减少副本数量的原因：
Name: hpa-demo
Namespace: default
Labels: <none>
Annotations: kubectl.kubernetes.io/last-applied-configuration={"apiVersion":"autoscaling/v1","kind":"HorizontalPodAutoscaler","metadata":{"annotations":{},"name":"hpa-demo","namespace":"default"},"spec":{"maxRepli...
CreationTimestamp: Sat, 30 Mar 2019 17:43:50 +0200
Reference: Deployment/hpa-demo
Metrics: (current / target)
resource cpu on pods (as a percentage of request): 0% (0) / 50%
Min replicas: 1
Max replicas: 10
Conditions:
Type Status Reason Message
---- ------ ------ -------
AbleToScale True SucceededRescale the HPA controller was able to update the target scale to 1
ScalingActive True ValidMetricFound the HPA was able to successfully calculate a replica count from cpu resource utilization (percentage of request)
ScalingLimited True TooFewReplicas the desired replica count is increasing faster than the maximum scale rate
Events:
Type Reason Age From Message
---- ------ ---- ---- -------
Normal SuccessfulRescale 5m horizontal-pod-autoscaler New size: 3; reason: cpu resource utilization (percentage of request) above target
Normal SuccessfulRescale 13s horizontal-pod-autoscaler New size: 1; reason: All metrics below target`结 语
相信通过这两篇系列文章，我们能够深入地理解了 Kubernetes 是如何使用内置工具为集群设置监控的。我们知道了 Kubernetes 在幕后如何通过不间断的工作来保证应用程序的运行，同时可以的话也应该更进一步去了解其背后的原理。
从 Dashboard 和探针收集所有数据，再通过 cAdvisor 公开所有容器资源，可以帮助我们了解到资源限制或容量规划。良好地监控 Kubernetes 是至关重要的，因为它可以帮助我们了解到集群、以及在集群上运行着的应用程序的运行状况和性能。