Questa pagina è stata tradotta dall'API Cloud Translation.

Scalare e scalare automaticamente i servizi di runtime

Puoi scalare la maggior parte dei servizi in esecuzione in Kubernetes alla riga di comando o in un override della configurazione. Puoi impostare la scalabilità per i servizi di runtime ibridi di Apigee File overrides.yaml.

Servizio	Implementata come	Scalabilità
Cassandra	ApigeeDatastore (CRD)	Consulta Scalabilità di Cassandra.
Bilanciatore del carico/in entrata	Deployment	Gestisci la scalabilità con `ingressGateways.replicaCountMin` e `ingressGateways.replicaCountMax`. Nota: il gateway Apigee in entrata utilizza Anthos Service Mesh, utilizza Scalabilità automatica orizzontale dei pod (HPA).
Registratore	DaemonSet	I DaemonSet gestiscono le repliche di un pod su tutti i nodi, quindi scalano quando scali i pod stessi.
MART Apigee Connect Visione	ApigeeOrganization (CRD)	Per scalare tramite configurazione, aumenta il valore dell'attributo Proprietà di configurazione `replicaCountMin` del deployment per le strofe `mart`, `watcher` e/o `connectAgent`. Ad esempio: mart: replicaCountMax: 2 replicaCountMin: 1 watcher: replicaCountMax: 2 replicaCountMin: 1 connectAgent: replicaCountMax: 2 replicaCountMin: 1 Questi deployment utilizzano Horizontal Pod Autoscaler per la scalabilità automatica. Imposta l'oggetto Deployment `targetCPUUtilizationPercentage` in base alla soglia per lo scale up; quando questo valore è superato, Kubernetes aggiunge i pod al valore `replicaCountMax`. Per ulteriori informazioni sull'impostazione delle proprietà di configurazione, consulta Gestire i componenti del piano di runtime.
Runtime Sincronizzatore UDCA	ApigeeEnvironment (CRD)	Per scalare tramite configurazione, aumenta il valore dell'attributo Proprietà `replicaCountMin` per `udca`, `synchronizer`, e/o `runtime` nel file di override. Ad esempio: synchronizer: replicaCountMax: 10 replicaCountMin: 1 runtime: replicaCountMax: 10 replicaCountMin: 1 udca: replicaCountMax: 10 replicaCountMin: 1 Nota: queste modifiche si applicano a TUTTI gli ambienti nel file degli override. Se vuoi personalizzare la scalabilità per ciascun ambiente, consulta Configurazioni avanzate di seguito. Questi deployment usano Horizontal Pod Autoscaler per e la scalabilità automatica. Imposta l'oggetto Deployment `targetCPUUtilizationPercentage` alla soglia per lo scale up; quando questo valore viene superato, Kubernetes somma i pod al valore di `replicaCountMax`. Per ulteriori informazioni sull'impostazione delle proprietà di configurazione, consulta Gestire i componenti del piano di runtime.

Configurazioni avanzate

In alcuni scenari, potrebbe essere necessario utilizzare opzioni di scalabilità avanzate. Ecco alcuni scenari di esempio:

Impostazione di opzioni di scalabilità diverse per ogni ambiente. Ad esempio, dove env1 ha a minReplica di 5 e env2 ha un minReplica di 2.
Impostare opzioni di scalabilità diverse per ogni componente all'interno di un ambiente. Ad esempio: in cui il componente udca ha un valore maxReplica pari a 5 e Il componente synchronizer ha un valore maxReplica pari a 2.

L'esempio seguente mostra come utilizzare il comando kubernetes patch per apportare modifiche la proprietà maxReplicas per il componente runtime:

Crea le variabili di ambiente da utilizzare con il comando:

export ENV=my-environment-name
export NAMESPACE=apigee  #the namespace where apigee is deployed
export COMPONENT=runtime #can be udca or synchronizer
export MAX_REPLICAS=2
export MIN_REPLICAS=1

Applica la patch. Tieni presente che in questo esempio si presuppone che kubectl sia in PATH:

kubectl patch apigeeenvironment -n $NAMESPACE \
  $(kubectl get apigeeenvironments -n $NAMESPACE -o jsonpath='{.items[?(@.spec.name == "'$ENV'" )]..metadata.name}') \
  --patch "$(echo -e "spec:\n  components:\n    $COMPONENT:\n      autoScaler:\n        maxReplicas: $MAX_REPLICAS\n        minReplicas: $MIN_REPLICAS")" \
  --type merge

Verifica la modifica:
```
kubectl get hpa -n $NAMESPACE
```

Scalabilità basata sull'ambiente

Per impostazione predefinita, la scalabilità è descritta a livello di organizzazione. Puoi esegui l'override delle impostazioni predefinite specificando una scalabilità specifica dell'ambiente nel file overrides.yaml, come mostrato nell'esempio seguente:

envs:
  # Apigee environment name
  - name: test
    components:
    # Environment-specific scaling override
    # Otherwise, uses scaling defined at the respective root component
     runtime:
      replicaCountMin: 2
      replicaCountMax: 20

Scalabilità basata sulle metriche

Con la scalabilità basata sulle metriche, il runtime può utilizzare le metriche di CPU e applicazione per scalare i pod apigee-runtime. L'API Horizontal Pod Autoscaler (HPA) di Kubernetes, utilizza il campo hpaBehavior per configurare i comportamenti di scale up e scale down del servizio di destinazione. La scalabilità basata sulle metriche non è disponibile per altri componenti in un deployment ibrido.

La scalabilità può essere regolata in base alle seguenti metriche:

Metrica	Misura	Considerazioni
serverNioTaskWaitTime	Tempo di attesa medio (in ms) della coda di elaborazione nelle istanze di runtime per le richieste proxy a livello http.	Questa metrica misura l'impatto del numero e della dimensione del payload di richieste e risposte proxy.
serverMainTaskWaitTime	Tempo di attesa medio (in ms) della coda di elaborazione nelle istanze di runtime affinché le richieste proxy elaborino i criteri.	Questa metrica misura l'impatto della complessità dei criteri collegati al flusso di richieste proxy.

Il seguente esempio dalla stanza runtime nella overrides.yaml illustra i parametri standard (e gli intervalli consentiti) per la scalabilità dei pod apigee-runtime in un'implementazione ibrida:

hpaMetrics:
      serverMainTaskWaitTime: 400M (300M to 450M)
      serverNioTaskWaitTime: 400M (300M to 450M)
      targetCPUUtilizationPercentage: 75
    hpaBehavior:
      scaleDown:
        percent:
          periodSeconds: 60 (30 - 180)
          value: 20 (5 - 50)
        pods:
          periodSeconds: 60 (30 - 180)
          value: 2 (1 - 15)
        selectPolicy: Min
        stabilizationWindowSeconds: 120 (60 - 300)
      scaleUp:
        percent:
          periodSeconds: 60 (30 - 120)
          value: 20 (5 - 100)
        pods:
          periodSeconds: 60 (30 - 120)
          value: 4 (2 - 15)
        selectPolicy: Max
        stabilizationWindowSeconds: 30 (30 - 120)

Configura una scalabilità più aggressiva

L'aumento dei valori percent e pods del criterio di scale up si tradurrà in una strategia criteri di scale up. Allo stesso modo, l'aumento dei valori percent e pods in scaleDown si tradurrà in una politica di scale down aggressiva. Ad esempio:

hpaMetrics:
    serverMainTaskWaitTime: 400M
    serverNioTaskWaitTime: 400M
    targetCPUUtilizationPercentage: 75
  hpaBehavior:
    scaleDown:
      percent:
        periodSeconds: 60
        value: 20
      pods:
        periodSeconds: 60
        value: 4
      selectPolicy: Min
      stabilizationWindowSeconds: 120
    scaleUp:
      percent:
        periodSeconds: 60
        value: 30
      pods:
        periodSeconds: 60
        value: 5
      selectPolicy: Max
      stabilizationWindowSeconds: 30

Nell'esempio precedente, il valore scaleDown.pods.value viene aumentato a 5, ovvero la metrica scaleUp.percent.value viene aumentato a 30 e scaleUp.pods.value viene aumentato a 5.

Nota: il valore di periodSeconds non deve essere inferiore a 30.

Configura una scalabilità meno aggressiva

I valori della configurazione hpaBehavior possono anche essere ridotti per implementare criteri di scale up e scale down meno aggressivi. Ad esempio:

hpaMetrics:
    serverMainTaskWaitTime: 400M
    serverNioTaskWaitTime: 400M
    targetCPUUtilizationPercentage: 75
  hpaBehavior:
    scaleDown:
      percent:
        periodSeconds: 60
        value: 10
      pods:
        periodSeconds: 60
        value: 1
      selectPolicy: Min
      stabilizationWindowSeconds: 180
    scaleUp:
      percent:
        periodSeconds: 60
        value: 20
      pods:
        periodSeconds: 60
        value: 4
      selectPolicy: Max
      stabilizationWindowSeconds: 30

Nell'esempio precedente, il valore scaleDown.percent.value viene ridotto a 10, ovvero la metrica scaleDown.pods.value viene ridotto a 1 e scaleUp.stablizationWindowSeconds viene aumentato a 180.

Per ulteriori informazioni sulla scalabilità basata sulle metriche con il campo hpaBehavior, consulta Criteri di scalabilità.

Disabilita la scalabilità basata su metriche

La scalabilità basata sulle metriche è abilitata per impostazione predefinita e non può essere completamente disattivata, configurare le soglie delle metriche a un livello che non attiva la scalabilità basata sulle metriche. La conseguente scalabilità sarebbe lo stesso della scalabilità basata sulla CPU. Ad esempio, puoi utilizzare la seguente configurazione per impedire l'attivazione della scalabilità basata sulle metriche:

hpaMetrics:
      serverMainTaskWaitTime: 4000M
      serverNioTaskWaitTime: 4000M
      targetCPUUtilizationPercentage: 75
    hpaBehavior:
      scaleDown:
        percent:
          periodSeconds: 60
          value: 10
        pods:
          periodSeconds: 60
          value: 1
        selectPolicy: Min
        stabilizationWindowSeconds: 180
      scaleUp:
        percent:
          periodSeconds: 60
          value: 20
        pods:
          periodSeconds: 60
          value: 4
        selectPolicy: Max
        stabilizationWindowSeconds: 30

Risoluzione dei problemi

Questa sezione descrive i metodi di risoluzione dei problemi per gli errori comuni che potresti riscontrare durante la configurazione della scalabilità e della scalabilità automatica.

L'HPA mostra `unknown` per i valori delle metriche

Se la scalabilità basata sulle metriche non funziona e l'HPA mostra unknown Per i valori delle metriche, usa il comando seguente per controllare l'output HPA:

kubectl describe hpa HPA_NAME

Quando esegui il comando, sostituisci HPA_NAME con il nome dell'HPA che vuoi visualizzare.

L'output mostrerà il target della CPU e l'utilizzo del servizio, a indicare che la scalabilità della CPU funzionerà in assenza di una scalabilità basata sulle metriche. Per il comportamento HPA che utilizza più consulta Scalabilità su più metriche.