华为云 CCE 集群弹性伸缩实战：从 HPA 到节点池自动扩容

在容器化业务快速迭代的今天，集群的弹性能力直接决定了资源成本与稳定性。本文结合华为云云容器引擎 CCE 的实际配置，梳理从工作负载层 HPA 到节点层 Cluster Autoscaler 的完整弹性链路，并给出可落地的参数建议与排障思路。

一、先明确弹性的两个层次
CCE 的弹性分为 Pod 层与节点层。Pod 层由 HorizontalPodAutoscaler 负责，依据 CPU、内存或自定义指标调整副本数；节点层由节点池的弹性伸缩策略负责，在 Pod 因资源不足处于 Pending 时增加节点，在节点长期空闲时缩容。两层必须同时配置，否则会出现 Pod 扩容后无处调度、或节点扩容后长期空跑的情况。

二、HPA 的关键参数
1. 指标来源优先选择 metrics-server 提供的资源指标，业务指标可通过 Prometheus Adapter 接入，例如 QPS、队列长度。
2. 目标利用率不要贴着业务峰值设置。CPU 目标定在 60%~70% 比较稳妥，过低会导致频繁抖动，过高则扩容不及时。
3. 必须设置 stabilizationWindowSeconds，扩容窗口可以短（如 0~30 秒），缩容窗口建议 300 秒以上，避免流量抖动引起副本反复增减。
4. 为 HPA 设置 minReplicas 与 maxReplicas 的硬边界，防止异常指标把副本数推到集群承载能力之外。
5. 业务启动慢时要配合 readinessProbe 的 initialDelaySeconds，否则新 Pod 尚未就绪就被计入可用副本，指标会失真。

三、节点池弹性伸缩的配置要点
节点池需要开启弹性伸缩并设置最小、最大节点数。扩容时要注意规格选择：优先选择与现有节点同规格、同可用区的节点，减少调度碎片。缩容时集群会检查节点上的 Pod 是否可以被驱逐，带有本地存储、HostNetwork 或未被控制器管理的 Pod 会阻止缩容，因此建议为这类工作负载打上固定标签并配置节点亲和，把它们集中在固定节点池。

四、常见问题与排查
1. Pod 一直 Pending：先看事件里的 Insufficient cpu/memory，再看节点池是否已达 maxNodes，最后确认可用区配额是否充足。
2. HPA 显示 unknown：多为 metrics-server 未就绪或 Pod 缺少 resources.requests，HPA 的利用率是按 request 计算的，未设置 request 时无法计算。
3. 扩容后仍然 Pending：检查污点与容忍、节点亲和，以及镜像拉取是否因网络策略失败。
4. 频繁扩缩容：检查是否同时存在 HPA 与 CronHPA 冲突，或缩容窗口设置过短。

五、成本优化建议
弹性不是越大越好。建议为无状态服务配置 HPA，为离线任务使用抢占式实例节点池，为关键服务保留固定节点并开启多可用区打散。配合 CCE 的集群成本洞察，按命名空间统计资源申请量与真实使用量，持续修正 request/limit，通常可以获得 20% 以上的资源节省。

结语
弹性伸缩的核心不是把参数调大，而是让指标、调度与成本三者形成闭环。先用监控把真实负载摸清楚，再逐步收紧阈值，才能既扛住流量高峰，又不为闲置资源买单。