Recopila registros de eventos del escalador automático horizontal de Pods

En esta página, se proporciona información sobre los eventos de decisión que emite el escalador automático de Pods horizontal en Google Kubernetes Engine (GKE). Analizando estos eventos, puedes obtener información sobre cómo el controlador del escalador automático horizontal de Pods administra el escalamiento de tu carga de trabajo y comprender el proceso de toma de decisiones detrás de sus acciones.

El escalador automático horizontal de Pods emite eventos de decisión, que se almacenan como entradas de registro en Cloud Logging.

Antes de comenzar

Asegúrate de completar los siguientes requisitos previos:

Selecciona o crea un proyecto

Puedes usar un proyecto existente o crear uno nuevo para este instructivo.

  1. In the Cloud de Confiance console, on the project selector page, select or create a Cloud de Confiance project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  2. Verify that billing is enabled for your Cloud de Confiance project.

Habilita las APIs

Habilita las APIs de GKE y Cloud Logging.

Roles necesarios para habilitar las APIs

Para habilitar APIs, necesitas el permiso serviceusage.services.enable. Si creaste el proyecto, es probable que ya tengas este permiso a través del rol de propietario (roles/owner). De lo contrario, puedes obtener este permiso a través del rol de administrador de Service Usage (roles/serviceusage.serviceUsageAdmin). Obtén más información para otorgar roles.

Habilitar las API

Configura Cloud Shell

En este instructivo, usarás Cloud Shell para ejecutar los comandos de gcloud y kubectl. Cloud Shell es un entorno de shell que se usa para administrar recursos alojados en Cloud de Confiance by S3NS. Viene preinstalado con Google Cloud CLI y la herramienta de línea de comandos de kubectl.

En la consola de Cloud de Confiance , activa Cloud Shell.

Activa Cloud Shell

Se abrirá una sesión de Cloud Shell dentro de un marco en la parte inferior en la consola.

Antes de ejecutar comandos en este instructivo, asegúrate de que tu proyecto predeterminado esté configurado como el ID del proyecto en el que deseas implementar la app de ejemplo. Si aún no está configurado, ejecuta el siguiente comando en Cloud Shell:

gcloud config set project PROJECT_ID

Reemplaza PROJECT_ID por el ID del proyecto.

Roles y permisos requeridos

Para obtener los permisos que necesitas para habilitar la generación de registros, y para acceder a ellos y procesarlos, pídele a tu administrador que te otorgue los siguientes roles de IAM en el proyecto:

Para obtener más información sobre cómo otorgar roles, consulta Administra el acceso a proyectos, carpetas y organizaciones.

También puedes obtener los permisos necesarios a través de roles personalizados o cualquier otro rol predefinido.

Requisitos

  • Tu clúster de GKE debe ejecutar la versión 1.31.5-gke.1090000 o posterior, o bien la versión 1.32.1-gke.1260000 o posterior.
  • Habilita Cloud Logging en tu clúster de GKE. Se aplican los precios de Cloud Logging.
  • Asegúrate de tener un escalador automático horizontal de Pods que quieras supervisar. Asegúrate de que los campos del escalador automático horizontal de Pods no incluyan datos sensibles.

Costos

Se aplican los precios de Cloud Logging cuando habilitas Cloud Logging y recopilas registros de decisiones del escalador automático de Pods horizontal.

Habilita los eventos de decisión del Horizontal Pod Autoscaler

Para crear un clúster nuevo con los registros de decisiones de KCP_HPA habilitados, ejecuta el siguiente comando:

gcloud container clusters create CLUSTER_NAME \
    --location=LOCATION \
    --project=PROJECT_ID \
    --logging=SYSTEM,KCP_HPA

Para habilitar los registros de decisiones de KCP_HPA en un clúster existente, ejecuta el siguiente comando:

gcloud container clusters update CLUSTER_NAME \
    --location=LOCATION \
    --project=PROJECT_ID \
    --logging=SYSTEM,KCP_HPA

Reemplaza lo siguiente:

  • CLUSTER_NAME: Es el nombre del clúster que deseas crear o actualizar.
  • PROJECT_ID: Es el ID del proyecto de Cloud de Confiance .
  • LOCATION: Regiones o zonas de procesamiento para tu clúster.

Estos comandos permiten exportar los registros generados por KCP_HPA y guardarlos en el destino logName="projects/PROJECT_ID/logs/container.googleapis.com%2Fhpa-controller" dentro de Cloud Logging.

Recupera la configuración de registro actualizada del clúster y revisa la lista de registros para asegurarte de que el registro KCP_HPA esté habilitado:

gcloud container clusters describe CLUSTER_NAME \
    --location=LOCATION \
    --flatten=loggingConfig \
    --format='csv[delimiter=",",no-heading](componentConfig.enableComponents)'

El resultado es similar a lo siguiente:

SYSTEM_COMPONENTS,APISERVER,CONTROLLER_MANAGER,SCHEDULER,KCP_HPA

Consulta los registros del escalador automático horizontal de Pods en la Cloud de Confiance consola

Puedes supervisar el comportamiento del escalador automático horizontal de Pods en la consola deCloud de Confiance . Esta vista proporciona una forma conveniente de ver los mismos registros de recomendaciones atómicos y finales que están disponibles en Cloud Logging, sin salir del contexto de tu carga de trabajo.

Para ver los registros del escalador automático horizontal de Pods en la Cloud de Confiance consola, completa los siguientes pasos:

  1. En la consola de Cloud de Confiance , ve a la página Cargas de trabajo:

    Ir a Cargas de trabajo

  2. Selecciona la carga de trabajo que administra el Horizontal Pod Autoscaler.

  3. Haz clic en la pestaña Ajuste.

En esta pestaña, puedes encontrar información relacionada con el ajuste de escala, incluido el uso de recursos, los datos de eficiencia y los registros. Los datos de esta pestaña pueden ayudarte a identificar la configuración más eficaz para escalar automáticamente tus cargas de trabajo. En la sección Registros, puedes encontrar la misma información de los Registros y filtrar estos registros por tipo, incluidos "Evento", "Recomendación final" y "Recomendación atómica". Para obtener más detalles sobre los diferentes registros, consulta Tipos de registros.

Inhabilita los eventos de decisión del ajuste de escala automático horizontal de Pods

Actualiza un clúster para quitar el componente KCP_HPA de la marca --logging:

gcloud container clusters update CLUSTER_NAME \
    --location=LOCATION \
    --project=PROJECT_ID \
    --logging=SYSTEM

Reemplaza lo siguiente:

  • CLUSTER_NAME: Es el nombre del clúster que deseas crear o actualizar.
  • PROJECT_ID: Es el ID del proyecto de Cloud de Confiance .
  • LOCATION: Regiones o zonas de procesamiento para tu clúster.

Este comando inhabilita la exportación de los registros que genera KCP_HPA. No puedes recuperarlos con el filtro logName="projects/PROJECT_ID/logs/container.googleapis.com%2Fhpa-controller" en Cloud Logging.

Recupera la configuración de registro actualizada del clúster y revisa la lista de registros para asegurarte de que el registro KCP_HPA esté inhabilitado:

gcloud container clusters describe CLUSTER_NAME \
    --location=LOCATION \
    --flatten=loggingConfig \
    --format='csv[delimiter=",",no-heading](componentConfig.enableComponents)'

El resultado es similar a lo siguiente:

SYSTEM_COMPONENTS,APISERVER,CONTROLLER_MANAGER,SCHEDULER

Tipos de registros

Los eventos de decisión del escalador automático de Pods horizontal se almacenan en Cloud Logging, en la ubicación logName="projects/PROJECT_ID/logs/container.googleapis.com%2Fhpa-controller" que se encuentra en el bucket _Default del mismo proyecto que tu clúster de GKE. Todos los eventos registrados están en formato JSON y se pueden encontrar en el campo jsonPayload de una entrada de registro.

Asegúrate de comprender las necesidades de almacenamiento de los posibles volúmenes de registros, además de las implicaciones de rendimiento o costo. En los siguientes ejemplos, se explica con qué frecuencia el escalador automático de Pods horizontal genera cada tipo de evento de decisión:

  • Recomendación atómica: El escalador automático de Pods horizontal genera un evento de recomendación atómica cada 15 segundos para cada métrica que supervisa cada objeto HPA en tu clúster. Por ejemplo, si tienes dos objetos HPA en tu clúster y cada uno supervisa tres métricas, se registrarán seis recomendaciones atómicas cada 15 segundos.

  • Recomendación final: El escalador automático horizontal de Pods genera un evento de recomendación final cada 15 segundos para cada objeto HPA en tu clúster. Por ejemplo, si tienes dos objetos HPA en tu clúster, se registrarán dos recomendaciones finales cada 15 segundos.

En total, con dos objetos HPA que supervisan tres métricas cada uno, tu registro de KCP_HPA recibirá ocho entradas en total de eventos de decisión cada 15 segundos.

Recomendación atómica

Un registro de recomendaciones atómico describe una recomendación basada en una métrica individual especificada en tu escalador automático horizontal de Pods.

Un registro atómico incluye los siguientes campos:

Campo Descripción
start_time Indica cuándo el HPA comenzó a calcular una recomendación.
hpa Es el nombre del objeto HPA asociado a la recomendación.
pod_count Indica la cantidad total de Pods asociados con el HPA cuando se realiza la recomendación. Este número también incluye los Pods listos, no listos y los que se ignoraron.
metric Proporciona información sobre la especificación y el estado de la métrica que se usa para la recomendación. El campo metric contiene los siguientes subcampos:
  • index: Es el índice de la métrica en el array Spec metrics.
  • type: Es el tipo de métrica con valores del MetricSourceType (por ejemplo, Recurso o Externa).
  • spec: Es el nombre de la métrica y un objetivo establecido en esa métrica.
  • status: Condiciones de estado con respecto a la escalabilidad y las limitaciones de escalamiento.
  • newest_sample_time: Es la marca de tiempo de la muestra de métrica más reciente.
  • newest_sample_age_seconds: Es la antigüedad de la muestra más reciente, medida en segundos, desde que comenzó el cálculo de la recomendación. Un valor negativo significa que la muestra de métricas es anterior al inicio del cálculo.
summary El campo de resumen contiene información sobre el resultado de la recomendación, incluido el número de réplicas sugerido. Si no se puede proponer una recomendación, se mostrará un mensaje de error. El campo summary contiene los siguientes subcampos:
  • dampening: El HPA aplica una amortiguación a la recomendación y a su dirección para intentar reducir la magnitud de un posible escalamiento. La atenuación puede ocurrir de las siguientes maneras:
    • up: Una dirección de amortiguación hacia arriba significa que el HPA supone que los Pods con métricas faltantes tienen un uso del 100% de la métrica.
    • down: Una dirección de reducción de la amortiguación significa que el HPA supone que faltan métricas de los Pods o que los Pods no están listos y consumen el 0% de uso de la métrica.
    • none: No se aplica amortiguación.
  • override: Mensaje que proporciona un motivo cuando no se aplica la recomendación que propone el HPA (por ejemplo, debido a la tolerancia) o none si no se produce ninguna anulación.
  • result: Es el resultado de la recomendación. Propone una cantidad recomendada de réplicas o muestra un mensaje de error si no se puede calcular la recomendación.

Ejemplo de registro de recomendación atómica:

{
  "insertId": "xiu4bty9k5b279wu",
  "jsonPayload": {
    "instance": {
      "vm_name": "my-unique-vm-identifier",
      "zone": "us-central1-a"
    },
    "atomicRecommendation": {
      "startTime": "2025-02-06T20:07:00.573419526Z",
      "hpa": "gke-managed-cim/kube-state-metrics",
      "metric": {
        "newestSampleAgeSeconds": -39.573419526,
        "status": {
          "averageValue": "25849856"
        },
        "newestSampleTime": "2025-02-06T20:06:21Z",
        "type": "Resource",
        "spec": {
          "target": {
            "averageValue": "400Mi"
          },
          "name": "memory"
        }
      },
      "podCount": {
        "ready": 1,
        "total": 1
      },
      "summary": {
        "override": "none",
        "replicas": 1,
        "dampening": "none"
      }
    }
  },
  "resource": {
    "type": "k8s_control_plane_component",
    "labels": {
      "project_id": "my-project-id",
      "cluster_name": "my-cluster",
      "location": "us-central1-a",
      "component_location": "us-central1-a",
      "component_name": "hpa-controller"
    }
  },
  "timestamp": "2025-02-06T20:07:00.593777835Z",
  "severity": "INFO",
  "labels": {
    "compute.googleapis.com/resource_name": "my-unique-vm-identifier"
  },
  "logName": "projects/my-project-id/logs/container.googleapis.com%2Fhpa-controller",
  "sourceLocation": {
    "file": "event_logger.go",
    "line": "61"
  },
  "receiveTimestamp": "2025-02-06T20:07:05.284753647Z"
}

Recomendación final

Un registro de recomendación final describe una recomendación consolidada que propone el Horizontal Pod Autoscaler. El escalador automático horizontal de Pods combina todas las recomendaciones atómicas de diferentes métricas para crear una recomendación final y la aplica. La activación significa que el HPA le indica a la Deployment que ajuste la cantidad de réplicas para que coincida con el valor recomendado. Si la recomendación final sugiere una cantidad de Pods diferente a la cantidad de Pods en ejecución, el escalador automático de Pods horizontal activa un evento de aumento o reducción de la escala para ajustar la Deployment según corresponda.

Un registro de recomendación final incluye los siguientes campos:

Campo Descripción
start_time Indica cuándo el HPA comenzó a calcular una recomendación.
hpa Es el nombre del objeto HPA asociado a la recomendación.
target_ref Indica el objeto ScaleTargetRef de HPA asociado con una recomendación.
configured_size Es la cantidad de réplicas registrada por última vez antes de que el HPA calcule y aplique esta recomendación.
top_level_override Proporciona un motivo si no se aplica la recomendación que propone el HPA (por ejemplo, debido a la tolerancia) o none si no se produce ninguna anulación.
top_level_limit Proporciona un motivo si es necesario ajustar la recomendación que propuso HPA (por ejemplo, debido a la cantidad de réplicas que definen los campos MinReplicas o MaxReplicas en la especificación de HPA).
leading_metric_index El índice de la métrica principal en el array Spec metrics es la métrica cuya recomendación atómica asociada se usa como la recomendación final.
normalization Proporciona un resumen de la estabilización y las limitaciones de la siguiente manera, si están presentes:

stabilization: Describe el estado de estabilización si se aplicó. La estabilización se usa para restringir las fluctuaciones del recuento de réplicas cuando las métricas que se usan para el ajuste de escala siguen fluctuando. El campo stabilization consta de los siguientes subcampos:

  • replicas: Es la cantidad de réplicas después de la estabilización.
  • reason: Tipo de estabilización aplicada: scaleUp o scaleDown.
  • stabilization_window: Período de estabilización asociado, en segundos.
  • replicas_before_stabilization: Es la cantidad de réplicas recomendada antes de la estabilización.

limitation: Describe cómo se manejan las limitaciones de escalamiento si se aplican. Este comportamiento modifica las recomendaciones que propone el HPA en función de las limitaciones vigentes. El campo limitation consta de los siguientes subcampos:

  • replicas: Es la cantidad de réplicas después de la limitación.
  • reason: Es el motivo por el que no se escala más allá del recuento mínimo o máximo de réplicas.
  • scaling_policy: Es la política de ajuste que se aplica.
  • selectPolicy: Especifica cómo se selecciona una política cuando se ajusta en una dirección determinada. MaxChange corresponde a MaxChangePolicySelect; MinChange corresponde a MinChangePolicySelect. Si el ajuste de escala está inhabilitado, el campo selectPolicy no estará presente.
  • replicas_before_limitation: Es la cantidad de réplicas recomendada antes de la limitación.
replicas Es la cantidad de réplicas recomendada.
actuation_error Es un mensaje de error asociado con la falla, si la activación falló.
actuation_time Es la marca de tiempo de la activación cuando se realiza correctamente.
actuation_latency_seconds Es el tiempo transcurrido, en segundos, desde el inicio del cálculo de la recomendación hasta que se completó la activación.

Ejemplo de registro de recomendación final:

{
  "insertId": "qzyv7alfv1sm19ns",
  "jsonPayload": {
    "finalRecommendation": {
      "actuationTime": "2025-02-06T20:06:57.487786873Z",
      "targetRef": {
        "name": "kube-state-metrics",
        "kind": "StatefulSet",
        "apiVersion": "apps/v1"
      },
      "topLevelLimit": "none",
      "hpa": "gke-managed-cim/kube-state-metrics",
      "topLevelOverride": "noRecommendation",
      "replicas": 1,
      "configuredSize": 1,
      "actuationLatencySeconds": 0.003722451,
      "startTime": "2025-02-06T20:06:57.484064422Z"
    },
    "instance": {
      "vm_name": "my-unique-vm-identifier",
      "zone": "us-central1-a"
    }
  },
  "resource": {
    "type": "k8s_control_plane_component",
    "labels": {
      "cluster_name": "my-cluster",
      "component_location": "us-central1-a",
      "component_name": "hpa-controller",
      "location": "us-central1-a",
      "project_id": "my-project-id"
    }
  },
  "timestamp": "2025-02-06T20:06:57.488193527Z",
  "severity": "INFO",
  "labels": {
    "compute.googleapis.com/resource_name": "my-unique-vm-identifier"
  },
  "logName": "projects/my-project-id/logs/container.googleapis.com%2Fhpa-controller",
  "sourceLocation": {
    "file": "event_logger.go",
    "line": "61"
  },
  "receiveTimestamp": "2025-02-06T20:06:57.844898727Z"
}

Soluciona problemas

En esta sección, se describen los problemas y los pasos para resolverlos relacionados con los eventos del ajuste de escala automático horizontal de Pods.

No hay eventos

Si no ves ningún evento de decisión del escalador automático horizontal de Pods, asegúrate de haber realizado todas las siguientes acciones:

  • Habilitaste Cloud Logging para el clúster.
  • Habilitaste los registros de KCP_HPA para el clúster.
  • Implementaste al menos un objeto hpa configurado correctamente en tu clúster.

Para ver la configuración del objeto hpa, ejecuta el siguiente comando:

  kubectl describe hpa $HPA_NAME

Si aún no ves ningún registro de KCP_HPA, comunícate con el Cloud de Confiance equipo de asistencia.

¿Qué sigue?