Menskalakan hingga nol menggunakan KEDA

Tutorial ini menunjukkan cara menskalakan workload GKE Anda hingga nol Pod menggunakan KEDA. Menskalakan deployment ke nol Pod akan menghemat resource selama periode tidak ada aktivitas (seperti akhir pekan dan jam non-kantor), atau untuk beban kerja yang terputus-putus seperti tugas berkala.

Tujuan

Tutorial ini menjelaskan kasus penggunaan berikut:

  • Menskalakan beban kerja Pub/Sub ke nol: Menskalakan jumlah Pod secara proporsional dengan jumlah pesan yang diantrekan di topik Pub/Sub. Jika antrean kosong, workload akan otomatis diskalakan ke nol Pod.
  • Menskalakan beban kerja LLM ke nol. Deploy server model LLM Anda di node dengan GPU. Saat layanan tidak ada aktivitas, workload akan otomatis diperkecil skalanya hingga nol Pod.

Biaya

Dalam dokumen ini, Anda akan menggunakan komponen Google Cloud yang dapat ditagih berikut:

Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda, gunakan kalkulator harga. Pengguna baru Google Cloud mungkin memenuhi syarat untuk mendapatkan uji coba gratis.

Setelah menyelesaikan tugas yang dijelaskan dalam dokumen ini, Anda dapat menghindari penagihan berkelanjutan dengan menghapus resource yang Anda buat. Untuk mengetahui informasi selengkapnya, lihat Pembersihan.

Sebelum memulai

Dalam tutorial ini, Anda akan menggunakan Cloud Shell untuk menjalankan perintah. Cloud Shell adalah lingkungan shell untuk mengelola resource yang dihosting di Google Cloud. Cloud Shell telah diinstal dengan alat command line Google Cloud CLI, kubectl, Helm, dan Terraform. Jika tidak menggunakan Cloud Shell, Anda harus menginstal Google Cloud CLI dan Helm.

  1. Untuk menjalankan perintah di halaman ini, siapkan gcloud CLI di salah satu lingkungan pengembangan berikut:

    Cloud Shell

    Untuk menggunakan terminal online dengan gcloud CLI yang sudah disiapkan, aktifkan Cloud Shell:

    Di bagian bawah halaman ini, sesi Cloud Shell akan dimulai dan menampilkan perintah command line. Diperlukan waktu beberapa detik untuk melakukan inisialisasi sesi.

    Shell lokal

    Untuk menggunakan lingkungan pengembangan lokal, ikuti langkah-langkah berikut:

    1. Menginstal gcloud CLI.
    2. Lakukan inisialisasi gcloud CLI.
    3. Instal Helm, alat pengelolaan paket 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.

Menyiapkan lingkungan Anda

Untuk menyiapkan lingkungan Anda dengan Cloud Shell, ikuti langkah-langkah berikut:

  1. Menetapkan variabel lingkungan:

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

    Ganti PROJECT_ID dengan project ID Google Cloud Anda dan LOCATION dengan region atau zona tempat cluster GKE Anda akan dibuat.

    Jika Anda tidak mengikuti seluruh tutorial dalam satu sesi, atau jika variabel lingkungan Anda tidak ditetapkan karena alasan tertentu, pastikan untuk menjalankan perintah ini lagi untuk menetapkan variabel lagi.

  2. Buat cluster GKE Standard dengan mengaktifkan penskalaan otomatis cluster dan Workload Identity Federation untuk GKE:

    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

Menginstal KEDA

KEDA adalah komponen yang melengkapi Horizontal Pod Autoscaler Kubernetes. Dengan KEDA, Anda dapat menskalakan Deployment ke nol Pod dan menaikkan dari nol Pod menjadi satu Pod. Deployment adalah Kubernetes API yang memungkinkan Anda menjalankan beberapa replika Pod di antara node dalam cluster. Algoritma Horizontal Pod Autoscaler standar diterapkan setelah GKE membuat minimal satu Pod.

Setelah GKE menskalakan Deployment menjadi nol Pod, karena tidak ada Pod yang berjalan, penskalaan otomatis tidak dapat mengandalkan metrik Pod seperti penggunaan CPU. Sebagai akibatnya, KEDA memungkinkan pengambilan metrik yang berasal dari luar cluster menggunakan penerapan External Metrics API Kubernetes. Anda dapat menggunakan API ini untuk melakukan penskalaan otomatis berdasarkan metrik seperti jumlah pesan yang belum terkirim di langganan Pub/Sub. Lihat dokumentasi KEDA untuk mengetahui daftar semua sumber metrik yang didukung.

Instal KEDA di cluster Anda dengan Helm atau dengan kubectl.

Helm

Jalankan perintah berikut untuk menambahkan repositori Helm KEDA, menginstal diagram Helm KEDA, dan memberi akun layanan KEDA akses baca ke 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

Perhatikan bahwa perintah ini juga menyiapkan aturan otorisasi yang mengharuskan cluster disiapkan dengan Workload Identity Federation untuk GKE.

kubectl

Jalankan perintah berikut untuk menginstal KEDA menggunakan kubectl apply dan untuk memberikan akses baca akun layanan KEDA ke 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

Perhatikan bahwa perintah ini juga menyiapkan aturan otorisasi yang mengharuskan cluster disiapkan dengan Workload Identity Federation untuk GKE.

Pastikan semua resource KEDA muncul di namespace keda:

kubectl get all -n keda

Untuk informasi selengkapnya tentang desain dan resource KEDA, lihat dokumentasi KEDA.

Menskalakan beban kerja Pub/Sub ke nol

Bagian ini menjelaskan beban kerja yang memproses pesan dari langganan Pub/Sub, menangani setiap pesan, dan mengonfirmasi penyelesaian pesan. Workload diskalakan secara dinamis: seiring meningkatnya jumlah pesan yang tidak dikonfirmasi, penskalaan otomatis akan membuat instance Pod lebih banyak untuk memastikan pemrosesan tepat waktu.

Penskalaan ke nol memastikan bahwa tidak ada Pod yang dibuat instance-nya jika tidak ada pesan yang diterima selama beberapa waktu. Hal ini menghemat resource karena tidak ada Pod yang tetap tidak ada aktivitas selama jangka waktu yang lama.

Men-deploy workload Pub/Sub

Men-deploy contoh beban kerja yang memproses pesan yang diantrekan di topik Pub/Sub. Untuk menyimulasikan beban kerja yang realistis, program contoh ini menunggu tiga detik sebelum mengonfirmasi pesan. Beban kerja dikonfigurasi untuk berjalan di bawah akun layanan keda-pubsub-sa.

Jalankan perintah berikut untuk membuat topik dan langganan Pub/Sub, mengonfigurasi izinnya, dan membuat Deployment yang memulai workload di bawah namespace 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://github.com/GoogleCloudPlatform/kubernetes-engine-samples/tree/main/cost-optimization/gke-keda/cloud-pubsub/deployment/keda-pubsub-with-workload-identity.yaml

Mengonfigurasi penskalaan hingga nol

Untuk mengonfigurasi beban kerja Pub/Sub agar diskalakan ke nol, gunakan KEDA untuk menentukan resource ScaledObject guna menentukan cara deployment diskalakan. KEDA kemudian akan otomatis membuat dan mengelola objek HorizontalPodAutoscaler (HPA) yang mendasarinya.

  1. Buat resource ScaledObject untuk mendeskripsikan perilaku penskalaan otomatis yang diharapkan:

    envsubst < https://github.com/GoogleCloudPlatform/kubernetes-engine-samples/tree/main/cost-optimization/gke-keda/cloud-pubsub/deployment/keda-pubsub-scaledobject.yaml | kubectl apply -f -

    Tindakan ini akan membuat objek berikut:

    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. Periksa objek HorizontalPodAutoscaler (HPA) yang dibuat KEDA berdasarkan objek ScaledObject:

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

    Anda dapat membaca selengkapnya tentang penskalaan otomatis di dokumentasi Kubernetes.

  3. Tunggu hingga KEDA mengonfirmasi bahwa langganan Pub/Sub kosong, dan menskalakan Deployment ke nol replika.

    Periksa autoscaler beban kerja:

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

    Perhatikan bahwa dalam respons perintah, kondisi ScalingActive bernilai salah. Pesan terkait menunjukkan bahwa Horizontal Pod Autoscaler mengonfirmasi bahwa KEDA menskalakan deployment menjadi nol, pada saat itu Deployment berhenti beroperasi hingga Deployment menskalakan kembali ke satu 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

Memicu peningkatan skala

Untuk merangsang Deployment agar diskalakan:

  1. Antrekan pesan di topik Pub/Sub:

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

  2. Pastikan Deployment melakukan penskalaan:

    kubectl get deployments -n keda-pubsub

    Dalam output, amati bahwa kolom 'Siap' menampilkan satu replika:

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

KEDA menskalakan Deployment setelah mengamati bahwa antrean tidak kosong.

Menskalakan beban kerja LLM ke nol

Bagian ini menjelaskan workload Model Bahasa Besar (LLM) yang men-deploy server Ollama dengan GPU terpasang. Ollama memungkinkan Anda menjalankan LLM populer seperti Gemma dan Llama 2, serta mengekspos fiturnya terutama melalui HTTP.

Menginstal add-on KEDA-HTTP

Menskalakan layanan HTTP ke nol Pod selama periode tidak ada aktivitas akan menyebabkan kegagalan permintaan, karena tidak ada backend untuk menangani permintaan.

Bagian ini menunjukkan cara mengatasi masalah ini menggunakan add-on KEDA-HTTP. KEDA-HTTP memulai proxy HTTP yang menerima permintaan pengguna dan meneruskannya ke Layanan yang dikonfigurasi untuk diskalakan ke nol. Jika Layanan tidak memiliki Pod, proxy akan memicu Layanan untuk diskalakan, dan buffering permintaan hingga Layanan telah diskalakan ke setidaknya satu Pod.

Instal add-on KEDA-HTTP menggunakan Helm. Untuk informasi selengkapnya, lihat dokumentasi 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

Men-deploy workload LLM Ollama

Untuk men-deploy workload LLM Ollama:

  1. Buat node pool yang berisi g2-standard-4 node dengan GPU yang terpasang, dan konfigurasikan penskalaan otomatis cluster untuk menyediakan antara nol dan dua node:

    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. Tambahkan repositori diagram Helm Ollama resmi, dan perbarui repositori klien Helm lokal Anda:

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

  3. Deploy server Ollama menggunakan diagram Helm:

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

    Konfigurasi helm-values-ollama.yaml menentukan model LLM yang akan dimuat, persyaratan GPU, dan port TCP untuk server Ollama.

Mengonfigurasi penskalaan hingga nol

Untuk mengonfigurasi beban kerja Ollama agar diskalakan ke nol, KEDA-HTTP menggunakan HTTPScaledObject.

  1. Buat resource HTTPScaledObject untuk mendeskripsikan perilaku penskalaan otomatis yang diharapkan:

    kubectl apply -f https://github.com/GoogleCloudPlatform/kubernetes-engine-samples/tree/main/cost-optimization/gke-keda/ollama/keda-ollama-httpscaledobject.yaml

    Tindakan ini akan membuat objek HTTPScaledObject yang menentukan kolom berikut:

    • scaleTargetRef: menentukan Layanan yang akan meneruskan permintaan ke KEDA-HTTP. Dalam contoh ini, semua permintaan dengan host ollama.ollama dirutekan ke server Ollama.
    • scaledownPeriod: menentukan (dalam detik) seberapa cepat penskalaan ke bawah dilakukan saat tidak ada permintaan yang diterima.
    • replicas: menentukan jumlah minimum dan maksimum Pod yang akan dipertahankan untuk deployment Ollama.
    • scalingMetric: menentukan metrik yang digunakan untuk mendorong penskalaan otomatis, seperti tingkat permintaan dalam contoh ini. Untuk opsi metrik lainnya, lihat dokumentasi 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. Jalankan perintah berikut untuk memverifikasi bahwa KEDA-HTTP telah berhasil memproses HTTPScaledObject yang dibuat pada langkah sebelumnya.

    kubectl get hpa,scaledobject -n ollama

    Output menunjukkan resource HorizontalPodAutoscaler (dibuat oleh KEDA), dan ScaledObject (dibuat oleh 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. Pastikan Deployment diskalakan ke nol Pod.

    Tunggu jangka waktu yang ditetapkan di kolom scaledownPeriod, lalu jalankan perintah:

    kubectl get deployments -n ollama

    Output menunjukkan bahwa KEDA menskalakan deployment Ollama, dan tidak ada Pod yang berjalan:

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

Memicu peningkatan skala

Untuk merangsang Deployment agar diskalakan, panggil layanan Ollama menggunakan proxy yang disiapkan oleh add-on KEDA-HTTP. Hal ini menyebabkan nilai metrik request rate meningkat, dan memicu pembuatan Pod pertama.

Gunakan kemampuan penerusan port kubectl untuk mengakses proxy karena proxy tidak diekspos secara eksternal.

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!" }'

Perintah curl mengirimkan perintah "Halo!" ke model Gemma. Amati token jawaban yang ditampilkan kembali dalam respons. Untuk mengetahui spesifikasi API, lihat panduan Ollama.

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

  1. Bersihkan langganan Pub/Sub dan topik:

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

  2. Hapus cluster GKE Anda:

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

Langkah selanjutnya