Escala a cero con KEDA

En este instructivo, se muestra cómo escalar tus cargas de trabajo de GKE hasta cero pods con KEDA. El escalamiento de las implementaciones a cero Pods ahorra recursos durante períodos de inactividad (como los fines de semana y los horarios fuera de la oficina) o para cargas de trabajo intermitentes, como trabajos periódicos.

Objetivos

En este instructivo, se describen los siguientes casos de uso:

  • Escala tu carga de trabajo de Pub/Sub a cero: Escala la cantidad de pods en proporción a la cantidad de mensajes en cola en el tema de Pub/Sub. Cuando la cola está vacía, la carga de trabajo se reduce automáticamente a cero pods.
  • Escala tu carga de trabajo de LLM a cero. Implementa tus servidores de modelos de LLM en nodos con GPU. Cuando el servicio está inactivo, la carga de trabajo se reduce automáticamente a cero pods.

Costos

En este documento, usarás los siguientes componentes facturables de Google Cloud:

Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios. Es posible que los usuarios nuevos de Google Cloud califiquen para obtener una prueba gratuita.

Cuando finalices las tareas que se describen en este documento, puedes borrar los recursos que creaste para evitar que continúe la facturación. Para obtener más información, consulta Cómo realizar una limpieza.

Antes de comenzar

En este instructivo, usarás Cloud Shell para ejecutar comandos. Cloud Shell es un entorno de shell que se usa para administrar recursos alojados en Google Cloud. Viene preinstalado con las herramientas de línea de comandos de Google Cloud CLI, kubectl, Helm yTerraform. Si no usas Cloud Shell, debes instalar Google Cloud CLI y Helm.

  1. Para ejecutar los comandos de esta página, configura la CLI de gcloud en uno de los siguientes entornos de desarrollo:

    Cloud Shell

    Para usar una terminal en línea con la CLI de gcloud ya configurada, activa Cloud Shell.

    En la parte inferior de esta página, se inicia una sesión de Cloud Shell y se muestra una ventana de línea de comandos. La sesión puede tardar unos segundos en inicializarse.

    Shell local

    Para usar un entorno de desarrollo local, sigue estos pasos:

    1. Instala la CLI de gcloud
    2. Inicializa la CLI de gcloud.
    3. Instala Helm, una herramienta de administración de paquetes de Kubernetes.
  2. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

  3. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  4. Make sure that billing is enabled for your Google Cloud project.

  5. Enable the Resource Manager, Compute Engine, GKE, Pub/Sub APIs.

    Enable the APIs

    6.

  6. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  7. Make sure that billing is enabled for your Google Cloud project.

  8. Enable the Resource Manager, Compute Engine, GKE, Pub/Sub APIs.

    Enable the APIs

    9.

Configura tu entorno

Para configurar tu entorno con Cloud Shell, sigue estos pasos:

  1. Establece las variables de entorno:

    export PROJECT_ID=PROJECT_ID
export PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format 'get(projectNumber)')
export LOCATION=LOCATION

    Reemplaza PROJECT_ID por el ID de tu proyecto Google Cloudy LOCATION por las regiones o zonas en las que se debe crear tu clúster de GKE.

    Si no sigues todo el instructivo en una sola sesión o si, por algún motivo, las variables de entorno no se establecen, asegúrate de volver a ejecutar este comando para volver a establecerlas.

  2. Crea un clúster de GKE estándar con el ajuste de escala automático del clúster y la federación de identidades para cargas de trabajo para GKE habilitados:

    gcloud container clusters create scale-to-zero \
    --project=${PROJECT_ID} --location=${LOCATION} \
    --machine-type=n1-standard-2 \
    --enable-autoscaling --min-nodes=1 --max-nodes=5 \
    --workload-pool=${PROJECT_ID}.svc.id.goog

Instala KEDA

KEDA es un componente que complementa el escalador automático de pods horizontales de Kubernetes. Con KEDA, puedes escalar una implementación a cero pods y de cero a uno. Un Deployment es un objeto de la API de Kubernetes que te permite ejecutar varias réplicas de Pods que se distribuyen entre los nodos de un clúster. El algoritmo estándar del escalador automático de pod horizontal se aplica después de que GKE crea al menos un pod.

Después de que GKE escala la implementación a cero pods, porque no hay pods en ejecución, el ajuste de escala automático no puede depender de las métricas de los pods, como el uso de CPU. Como resultado, KEDA permite recuperar métricas que se originan fuera del clúster con una implementación de la API de métricas externas de Kubernetes. Puedes usar esta API para ajustar la escala automáticamente en función de métricas, como la cantidad de mensajes pendientes en una suscripción a Pub/Sub. Consulta la documentación de KEDA para obtener una lista de todas las fuentes de métricas compatibles.

Instala KEDA en tu clúster con Helm o con kubectl.

Helm

Ejecuta los siguientes comandos para agregar el repositorio de Helm de KEDA, instalar el gráfico de Helm de KEDA y otorgarle a la cuenta de servicio de KEDA acceso de lectura a Cloud Monitoring:

helm repo add kedacore https://kedacore.github.io/charts
helm repo update
helm install keda kedacore/keda --create-namespace --namespace keda

gcloud projects add-iam-policy-binding projects/${PROJECT_ID} \
     --role roles/monitoring.viewer \
     --member=principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${PROJECT_ID}.svc.id.goog/subject/ns/keda/sa/keda-operator

Ten en cuenta que este comando también configura reglas de autorización que requieren que el clúster se configure con la federación de identidades para cargas de trabajo para GKE.

kubectl

Ejecuta los siguientes comandos para instalar KEDA con kubectl apply y otorgarle acceso de lectura a la cuenta de servicio de KEDA a Cloud Monitoring:

kubectl apply --server-side  -f https://github.com/kedacore/keda/releases/download/v2.15.1/keda-2.15.1.yaml

gcloud projects add-iam-policy-binding projects/${PROJECT_ID} \
     --role roles/monitoring.viewer \
     --member=principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${PROJECT_ID}.svc.id.goog/subject/ns/keda/sa/keda-operator

Ten en cuenta que este comando también configura reglas de autorización que requieren que el clúster se configure con la federación de identidades para cargas de trabajo para GKE.

Confirma que todos los recursos de KEDA aparezcan en el espacio de nombres keda:

kubectl get all -n keda

Para obtener más información sobre el diseño y los recursos de KEDA, consulta la documentación de KEDA.

Reduce tu carga de trabajo de Pub/Sub a cero

En esta sección, se describe una carga de trabajo que procesa mensajes de una suscripción a Pub/Sub, controla cada mensaje y confirma su finalización. La carga de trabajo se escala de forma dinámica: a medida que aumenta la cantidad de mensajes no confirmados, el ajuste de escala automático crea instancias de más Pods para garantizar un procesamiento oportuno.

La escala a cero garantiza que no se cree una instancia de Pods cuando no se hayan recibido mensajes durante un tiempo. Esto ahorra recursos, ya que ningún pod permanece inactivo durante períodos prolongados.

Implementa una carga de trabajo de Pub/Sub

Implementa una carga de trabajo de muestra que procese los mensajes en cola en un tema de Pub/Sub. Para simular una carga de trabajo realista, este programa de muestra espera tres segundos antes de confirmar un mensaje. La carga de trabajo está configurada para ejecutarse con la cuenta de servicio keda-pubsub-sa.

Ejecuta los siguientes comandos para crear el tema y la suscripción de Pub/Sub, configurar su permiso y crear la implementación que inicia la carga de trabajo en el espacio de nombres keda-pubub.

gcloud pubsub topics create keda-echo
gcloud pubsub subscriptions create keda-echo-read --topic=keda-echo
gcloud projects add-iam-policy-binding projects/${PROJECT_ID}  \
    --role=roles/pubsub.subscriber \
  --member=principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${PROJECT_ID}.svc.id.goog/subject/ns/keda-pubsub/sa/keda-pubsub-sa

kubectl apply -f https://raw.githubusercontent.com/GoogleCloudPlatform/kubernetes-engine-samples/refs/heads/main/cost-optimization/gke-keda/cloud-pubsub/deployment/keda-pubsub-with-workload-identity.yaml

Configura la reducción de escala a cero

Para configurar tu carga de trabajo de Pub/Sub para que se escale a cero, usa KEDA para definir un recurso ScaledObject y especificar cómo debe escalarse la implementación. Luego, KEDA creará y administrará automáticamente el objeto HorizontalPodAutoscaler (HPA) subyacente.

  1. Crea el recurso ScaledObject para describir el comportamiento esperado del ajuste de escala automático:

    curl https://raw.githubusercontent.com/GoogleCloudPlatform/kubernetes-engine-samples/refs/heads/main/cost-optimization/gke-keda/cloud-pubsub/deployment/keda-pubsub-scaledobject.yaml | envsubst | kubectl apply -f -

    Esto crea el siguiente objeto:

    apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: keda-pubsub
  namespace: keda-pubsub
spec:
  maxReplicaCount: 5
  scaleTargetRef:
    name: keda-pubsub
  triggers:
    - type: gcp-pubsub
      authenticationRef:
        name: keda-auth
      metadata:
        subscriptionName: "projects/${PROJECT_ID}/subscriptions/keda-echo-read"

  2. Inspecciona el objeto HorizontalPodAutoscaler (HPA) que crea KEDA en función del objeto ScaledObject:

    kubectl get hpa keda-hpa-keda-pubsub -n keda-pubsub -o yaml

    Puedes obtener más información sobre el ajuste de escala automático en la documentación de Kubernetes.

  3. Espera a que KEDA confirme que la suscripción a Pub/Sub está vacía y escale la implementación a cero réplicas.

    Inspecciona el escalador automático de cargas de trabajo:

    kubectl describe hpa keda-hpa-keda-pubsub -n keda-pubsub

    Observa que, en la respuesta del comando, la condición ScalingActive es falsa. El mensaje asociado muestra que el Horizontal Pod Autoscaler reconoce que KEDA ajustó la implementación a cero, en cuyo punto deja de funcionar hasta que la implementación vuelve a escalar a un pod.

    Name:                                                  keda-hpa-keda-pubsub
Namespace:                                             keda-pubsub
Metrics:                                               ( current / target )
  "s0-gcp-ps-projects-[...]]" (target average value):  0 / 10
Min replicas:                                          1
Max replicas:                                          5
Deployment pods:                                       5 current / 5 desired
Conditions:
  Type            Status  Reason               Message
  ----            ------  ------               -------
  AbleToScale     True    ScaleDownStabilized  recent recommendations were higher than current one [...]
  ScalingActive   False   ScalingDisabled      scaling is disabled since the replica count of the target is zero
  ScalingLimited  True    TooManyReplicas      the desired replica count is more than the maximum replica count

Activa el escalamiento vertical

Para estimular la implementación para que aumente la escala, haz lo siguiente:

  1. Agrega mensajes a una fila en el tema de Pub/Sub:

    for num in {1..20}
do
  gcloud pubsub topics publish keda-echo --project=${PROJECT_ID} --message="Test"
done

  2. Verifica que la implementación escale verticalmente:

    kubectl get deployments -n keda-pubsub

    En el resultado, observa que la columna "Ready" muestra una réplica:

    NAME          READY   UP-TO-DATE   AVAILABLE   AGE
keda-pubsub   1/1     1            1           2d

KEDA escala la implementación después de observar que la fila no está vacía.

Escala tu carga de trabajo de LLM a cero

En esta sección, se describe una carga de trabajo de modelo de lenguaje grande (LLM) que implementa un servidor de Ollama con una GPU adjunta. Ollama permite ejecutar LLM populares, como Gemma y Lamma 2, y expone sus funciones principalmente a través de HTTP.

Instala el complemento KEDA-HTTP

El escalamiento de un servicio HTTP a cero Pods durante períodos de inactividad causa fallas en las solicitudes, ya que no hay un backend para controlarlas.

En esta sección, se muestra cómo resolver este problema con el complemento KEDA-HTTP. KEDA-HTTP inicia un proxy HTTP que recibe las solicitudes del usuario y las reenvía a los servicios configurados para escalar a cero. Cuando el servicio no tiene un Pod, el proxy activa el servicio para que se escale y almacena en búfer la solicitud hasta que el servicio se escale a, al menos, un Pod.

Instala el complemento KEDA-HTTP con Helm. Para obtener más información, consulta la documentación de KEDA-HTTP.

helm repo add ollama-helm https://otwld.github.io/ollama-helm/
helm repo update

# Set the proxy timeout to 120s, giving Ollama time to start.
helm install http-add-on kedacore/keda-add-ons-http  \
  --create-namespace --namespace keda \
  --set interceptor.responseHeaderTimeout=120s

Implementa una carga de trabajo de LLM de Ollama

Para implementar una carga de trabajo de LLM de Ollama, sigue estos pasos:

  1. Crea un grupo de nodos que contenga g2-standard-4 nodos con GPUs conectadas y configura el ajuste de escala automático del clúster para proporcionar entre cero y dos nodos:

    gcloud container node-pools create gpu --machine-type=g2-standard-4 \
    --location=${LOCATION} --cluster=scale-to-zero \
    --min-nodes 0 --max-nodes 2 --num-nodes=1 --enable-autoscaling

  2. Agrega el repositorio oficial de gráficos de Helm de Ollama y actualiza el repositorio de tu cliente de Helm local:

    helm repo add ollama-helm https://otwld.github.io/ollama-helm/
helm repo update

  3. Implementa el servidor de Ollama con el gráfico de Helm:

    helm install ollama ollama-helm/ollama --create-namespace --namespace ollama \
  -f https://raw.githubusercontent.com/GoogleCloudPlatform/kubernetes-engine-samples/refs/heads/main/cost-optimization/gke-keda/ollama/helm-values-ollama.yaml

    La configuración de helm-values-ollama.yaml especifica los modelos de LLM que se cargarán, los requisitos de la GPU y el puerto TCP para el servidor Ollama.

Configura la reducción de escala a cero

Para configurar tu carga de trabajo de Ollama para que escale a cero, KEDA-HTTP usa un HTTPScaledObject.

  1. Crea el recurso HTTPScaledObject para describir el comportamiento esperado del ajuste de escala automático:

    kubectl apply -f https://raw.githubusercontent.com/GoogleCloudPlatform/kubernetes-engine-samples/refs/heads/main/cost-optimization/gke-keda/ollama/keda-ollama-httpscaledobject.yaml

    Esto crea el objeto HTTPScaledObject que define los siguientes campos:

    • scaleTargetRef: Especifica el servicio al que KEDA-HTTP debe reenviar las solicitudes. En este ejemplo, todas las solicitudes con el host ollama.ollama se enrutan al servidor Ollama.
    • scaledownPeriod: Especifica (en segundos) la rapidez con la que se debe reducir la escala cuando no se reciben solicitudes.
    • replicas: Especifica la cantidad mínima y máxima de Pods que se deben mantener para la implementación de Ollama.
    • scalingMetric: Especifica las métricas que se usan para impulsar el ajuste de escala automático, como la tasa de solicitudes en este ejemplo. Para obtener más opciones de métricas, consulta la documentación de KEDA-HTTP.
    kind: HTTPScaledObject
apiVersion: http.keda.sh/v1alpha1
metadata:
    namespace: ollama
    name: ollama
spec:
    hosts:
    - ollama.ollama
    scaleTargetRef:
        name: ollama
        kind: Deployment
        apiVersion: apps/v1
        service: ollama
        port: 11434
    replicas:
        min: 0
        max: 2
    scaledownPeriod: 3600
    scalingMetric:
        requestRate:
            targetValue: 20

  2. Ejecuta el siguiente comando para verificar que KEDA-HTTP haya procesado correctamente el HTTPScaledObject creado en el paso anterior.

    kubectl get hpa,scaledobject -n ollama

    El resultado muestra los recursos HorizontalPodAutoscaler (creado por KEDA) y ScaledObject (creado por KEDA-HTTP):

    NAME                                                  REFERENCE           TARGETS       MINPODS   MAXPODS   REPLICAS   AGE
horizontalpodautoscaler.autoscaling/keda-hpa-ollama   Deployment/ollama   0/100 (avg)   1         2         1          2d

NAME                          SCALETARGETKIND      SCALETARGETNAME   MIN   MAX   TRIGGERS        AUTHENTICATION   READY   ACTIVE   FALLBACK   PAUSED    AGE
scaledobject.keda.sh/ollama   apps/v1.Deployment   ollama            0     2     external-push                    True    False    False      Unknown   2d

  3. Verifica que la implementación se reduzca a cero Pods.

    Espera el período establecido en el campo scaledownPeriod y ejecuta el siguiente comando:

    kubectl get deployments -n ollama

    El resultado muestra que KEDA redujo la implementación de Ollama y que no se ejecutan Pods:

    NAME     READY   UP-TO-DATE   AVAILABLE   AGE
ollama   0/0     0            0           2d

Activa el escalamiento vertical

Para estimular la implementación para que se agrande, llama al servicio de Ollama con el proxy que configuró el complemento KEDA-HTTP. Esto hace que aumente el valor de la métrica tasa de solicitudes y active la creación de un primer pod.

Usa las funciones de reenvío de puertos de kubectl para acceder al proxy, ya que este no se expone de forma externa.

kubectl port-forward svc/keda-add-ons-http-interceptor-proxy -n keda 8080:8080 &

# Set the 'Host' HTTP header so that the proxy routes requests to the Ollama server.
curl -H "Host: ollama.ollama" \
  http://localhost:8080/api/generate \
  -d '{ "model": "gemma:7b", "prompt": "Hello!" }'

El comando curl envía la instrucción "Hola" a un modelo de Gemma. Observa los tokens de respuesta que se muestran en la respuesta. Para conocer la especificación de la API, consulta la guía de Ollama.

Limpia

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.

  1. Limpia la suscripción y el tema de Pub/Sub:

    gcloud pubsub subscriptions delete keda-echo-read
gcloud pubsub topics delete keda-echo

  2. Borra tu clúster de GKE:

    gcloud container clusters delete scale-to-zero --location=${LOCATION}

¿Qué sigue?