Trong môi trường Kubernetes, lưu lượng truy cập và nhu cầu sử dụng tài nguyên của ứng dụng thường xuyên thay đổi. Nếu số lượng Pod không được điều chỉnh phù hợp, hệ thống có thể quá tải hoặc lãng phí tài nguyên.
Để giải quyết vấn đề này, Kubernetes cung cấp Horizontal Pod Autoscaler (HPA), cơ chế tự động điều chỉnh số lượng Pod dựa trên mức sử dụng tài nguyên.
Vậy Kubernetes HPA là gì? HPA hoạt động như thế nào và làm sao để cấu hình tự động mở rộng Pod? Hãy cùng BKACAD tìm hiểu trong bài viết dưới đây.
Contents
- 1. 1. Kubernetes HPA là gì?
- 2. 2. Kubernetes HPA hoạt động như thế nào?
- 3. 3. Điều kiện để sử dụng HPA trong Kubernetes
- 4. 4. Hướng dẫn cấu hình Kubernetes HPA tự động mở rộng Pod
- 5. 5. Phân biệt HPA, VPA và Cluster Autoscaler
- 6. 6. Những lưu ý khi triển khai Kubernetes HPA
- 7. 7. Học Kubernetes HPA chuyên sâu tại BKACAD
- 8. Kết luận
1. Kubernetes HPA là gì?
Kubernetes HPA (Horizontal Pod Autoscaler) là cơ chế tự động mở rộng hoặc thu hẹp số lượng Pod của một workload như Deployment hoặc StatefulSet dựa trên các chỉ số giám sát.
HPA thường sử dụng CPU, Memory hoặc các chỉ số tùy chỉnh để đưa ra quyết định điều chỉnh số lượng Pod.
Ví dụ, một ứng dụng có 2 Pod đang hoạt động. Khi lượng truy cập tăng khiến CPU vượt ngưỡng mục tiêu, HPA có thể tăng số lượng Pod để phân bổ tải. Khi nhu cầu giảm, hệ thống có thể thu hẹp số lượng Pod nhằm tiết kiệm tài nguyên.
Nhờ đó, HPA hỗ trợ duy trì hiệu suất ứng dụng và tối ưu việc sử dụng tài nguyên trong Kubernetes Cluster.
2. Kubernetes HPA hoạt động như thế nào?
HPA hoạt động thông qua vòng lặp kiểm tra các chỉ số tài nguyên và điều chỉnh số lượng Pod theo nhu cầu thực tế.
Quy trình cơ bản gồm bốn bước:
Thu thập Metrics: HPA lấy dữ liệu sử dụng CPU, RAM hoặc chỉ số khác thông qua Metrics API.
So sánh ngưỡng: Đối chiếu mức sử dụng hiện tại với giá trị mục tiêu.
Tính toán số Pod: Xác định số lượng Pod cần thiết để đáp ứng tải.
Điều chỉnh Replicas: Cập nhật số lượng bản sao của workload được quản lý.
Công thức tính toán cơ bản:

Ví dụ, ứng dụng có 2 Pod, mức sử dụng CPU trung bình đạt 90% so với mục tiêu 60%. Theo công thức, HPA tính toán số Pod mong muốn là 3.
Trong thực tế, quyết định mở rộng còn phụ thuộc vào các yếu tố như sai số cho phép, trạng thái Pod và chính sách ổn định của HPA.
3. Điều kiện để sử dụng HPA trong Kubernetes
Trước khi triển khai HPA, hệ thống cần đáp ứng những điều kiện cơ bản:
Kubernetes Cluster đang hoạt động ổn định.
Có Deployment hoặc workload hỗ trợ Scale Subresource.
Metrics Server được cài đặt và hoạt động nếu sử dụng Resource Metrics API.
Container được cấu hình CPU hoặc Memory Requests phù hợp với chỉ số Utilization cần theo dõi.
Để kiểm tra Metrics Server, sử dụng:
kubectl top nodes
kubectl top podsNếu các lệnh trả về thông tin sử dụng CPU và Memory, bạn có thể tiếp tục kiểm tra và cấu hình HPA.
4. Hướng dẫn cấu hình Kubernetes HPA tự động mở rộng Pod
Dưới đây là ví dụ thiết lập HPA theo mức sử dụng CPU.
Bước 1: Tạo Deployment
Tạo file deployment.yaml:
apiVersion: apps/v1
kind: Deployment
metadata:
name: nginx-demo
spec:
replicas: 2
selector:
matchLabels:
app: nginx-demo
template:
metadata:
labels:
app: nginx-demo
spec:
containers:
- name: nginx
image: nginx:stable
resources:
requests:
cpu: 100m
memory: 128Mi
limits:
cpu: 500m
memory: 256MiTriển khai ứng dụng:
kubectl apply -f deployment.yamlBước 2: Tạo Horizontal Pod Autoscaler
Tạo file hpa.yaml:
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
name: nginx-hpa
spec:
scaleTargetRef:
apiVersion: apps/v1
kind: Deployment
name: nginx-demo
minReplicas: 2
maxReplicas: 10
metrics:
- type: Resource
resource:
name: cpu
target:
type: Utilization
averageUtilization: 60Cấu hình này quy định:
minReplicas: 2: Duy trì tối thiểu 2 Pod.maxReplicas: 10: Cho phép tối đa 10 Pod.averageUtilization: 60: Đặt mục tiêu CPU trung bình bằng 60% CPU Requests.
Áp dụng cấu hình:
kubectl apply -f hpa.yamlBước 3: Kiểm tra hoạt động của HPA
Sử dụng lệnh:
kubectl get hpaĐể theo dõi liên tục:
kubectl get hpa -wKhi CPU tăng đủ cao và kéo dài, HPA có thể tăng Replicas trong giới hạn đã thiết lập. Lưu ý, chỉ tạo HPA không đảm bảo ứng dụng sẽ tự tăng Pod nếu chưa phát sinh tải thực tế.
Khi HPA sử dụng CPU Utilization, mức sử dụng CPU được tính dựa trên CPU Requests của các Container liên quan. Vì vậy, việc cấu hình Requests không phù hợp có thể ảnh hưởng đến kết quả tính toán và quyết định mở rộng Pod. Bạn có thể tìm hiểu kỹ hơn về Kubernetes Requests và Limits để xác định mức tài nguyên phù hợp với đặc điểm ứng dụng.
5. Phân biệt HPA, VPA và Cluster Autoscaler
Kubernetes có nhiều cơ chế Autoscaling phục vụ các mục đích khác nhau.
| Tiêu chí | HPA | VPA | Cluster Autoscaler |
|---|---|---|---|
| Đối tượng | Số lượng Pod | Tài nguyên của Pod | Số lượng Node |
| Cơ chế | Scale ngang | Scale dọc | Scale hạ tầng |
| Mục tiêu | Đáp ứng tải ứng dụng | Điều chỉnh CPU/RAM | Bổ sung hoặc giảm Node |
| Phù hợp | Web, API, microservices | Workload cần tối ưu tài nguyên | Cluster có nhu cầu thay đổi công suất |
HPA không trực tiếp bổ sung Node. Nếu Cluster thiếu tài nguyên, Pod mới có thể ở trạng thái Pending cho đến khi có đủ khả năng lập lịch.
6. Những lưu ý khi triển khai Kubernetes HPA
Để HPA hoạt động hiệu quả, quản trị viên cần:
Thiết lập CPU và Memory Requests phù hợp.
Đảm bảo Metrics Server cung cấp dữ liệu chính xác.
Cấu hình
minReplicasvàmaxReplicastheo năng lực hệ thống.Tránh ngưỡng mở rộng không phù hợp gây biến động Replicas liên tục.
Kiểm tra HPA bằng
kubectl describe hpakhi gặp sự cố.
Ngoài ra, HPA không thay thế Load Balancer hoặc cơ chế giám sát hiệu năng ứng dụng.
Nếu HPA không thể lấy dữ liệu CPU hoặc không điều chỉnh Replica như mong đợi, người quản trị cần kiểm tra Metrics Server, cấu hình tài nguyên và trạng thái Workload. Ngoài ra, các cơ chế Kubernetes Scheduling như Node Affinity, Taints và Tolerations cũng có thể ảnh hưởng đến khả năng triển khai những Pod mới khi Cluster mở rộng.
7. Học Kubernetes HPA chuyên sâu tại BKACAD
HPA là nội dung thuộc nhóm kiến thức Workloads & Scheduling, một phần quan trọng trong lộ trình học chứng chỉ Certified Kubernetes Administrator (CKA).
Tại BKACAD, khóa học CKA gồm 22 buổi, được xây dựng theo định hướng thực hành và bám sát CNCF CKA Curriculum v1.35.
Trong chương trình, học viên được tìm hiểu Resource Requests, Limits, ResourceQuota, LimitRange và Horizontal Pod Autoscaler. Đặc biệt, nội dung Resource Management & Autoscaling được bố trí tại buổi 8, kết hợp với bài lab tổng hợp Workloads & Scheduling.
Khóa học phù hợp với System Administrator, DevOps Engineer, Cloud Engineer và những người muốn nâng cao kỹ năng quản trị Kubernetes.
Tìm hiểu chương trình đào tạo CKA tại BKACAD: Xem chi tiết khóa học và đăng ký tư vấn CKA
Kết luận
Hiểu rõ Kubernetes HPA là gì và cách triển khai Horizontal Pod Autoscaler là kỹ năng quan trọng trong quản trị Kubernetes.
HPA giúp tự động điều chỉnh số lượng Pod theo tải, góp phần tối ưu tài nguyên và nâng cao khả năng đáp ứng của hệ thống.
Để làm chủ HPA và những kỹ thuật quản trị Kubernetes khác, người học nên kết hợp kiến thức nền tảng với thực hành triển khai, giám sát và xử lý sự cố trong môi trường Cluster thực tế.

