Knative 驾驭篇：带你 '纵横驰骋' Knative 自动扩缩容实现

Knative 中提供了自动扩缩容灵活的实现机制，本文从 三横两纵 的维度带你深入了解 KPA 自动扩缩容的实现机制。让你轻松驾驭 Knative 自动扩缩容。
注：本文基于最新 Knative v0.11.0 版本代码解读

KPA 实现流程图

在 Knative 中，创建一个 Revision 会相应的创建 PodAutoScaler 资源。在KPA中通过操作 PodAutoScaler 资源，对当前的 Revision 中的 POD 进行扩缩容。
针对上面的流程实现，我们从三横两纵的维度进行剖析其实现机制。

三横

• KPA 控制器
• 根据指标定时计算 POD 数
• 指标采集

KPA 控制器

通过Revision 创建PodAutoScaler, 在 KPA 控制器中主要包括两个资源（Decider 和 Metric）和一个操作（Scale）。主要代码如下

func (c *Reconciler) reconcile(ctx context.Context, pa *pav1alpha1.PodAutoscaler) error {    ......    decider, err := c.reconcileDecider(ctx, pa, pa.Status.MetricsServiceName)    if err != nil {        return fmt.Errorf("error reconciling Decider: %w", err)    }    if err := c.ReconcileMetric(ctx, pa, pa.Status.MetricsServiceName); err != nil {        return fmt.Errorf("error reconciling Metric: %w", err)    }    // Metrics services are no longer needed as we use the private services now.    if err := c.DeleteMetricsServices(ctx, pa); err != nil {        return err    }    // Get the appropriate current scale from the metric, and right size    // the scaleTargetRef based on it.    want, err := c.scaler.Scale(ctx, pa, sks, decider.Status.DesiredScale)    if err != nil {        return fmt.Errorf("error scaling target: %w", err)    }......}

这里先介绍一下两个资源:

• Decider : 扩缩容决策的资源，通过Decider获取扩缩容POD数： DesiredScale。
• Metric：采集指标的资源，通过Metric会采集当前Revision下的POD指标。

再看一下Scale操作，在Scale方法中，根据扩缩容POD数、最小实例数和最大实例数确定最终需要扩容的POD实例数，然后修改deployment的Replicas值，最终实现POD的扩缩容, 代码实现如下：

// Scale attempts to scale the given PA's target reference to the desired scale.func (ks *scaler) Scale(ctx context.Context, pa *pav1alpha1.PodAutoscaler, sks *nv1a1.ServerlessService, desiredScale int32) (int32, error) {......    min, max := pa.ScaleBounds()    if newScale := applyBounds(min, max, desiredScale); newScale != desiredScale {        logger.Debugf("Adjusting desiredScale to meet the min and max bounds before applying: %d -> %d", desiredScale, newScale)        desiredScale = newScale    }    desiredScale, shouldApplyScale := ks.handleScaleToZero(ctx, pa, sks, desiredScale)    if !shouldApplyScale {        return desiredScale, nil    }    ps, err := resources.GetScaleResource(pa.Namespace, pa.Spec.ScaleTargetRef, ks.psInformerFactory)    if err != nil {        return desiredScale, fmt.Errorf("failed to get scale target %v: %w", pa.Spec.ScaleTargetRef, err)    }    currentScale := int32(1)    if ps.Spec.Replicas != nil {        currentScale = *ps.Spec.Replicas    }    if desiredScale == currentScale {        return desiredScale, nil    }    logger.Infof("Scaling from %d to %d", currentScale, desiredScale)    return ks.applyScale(ctx, pa, desiredScale, ps)}

根据指标定时计算 POD 数

这是一个关于Decider的故事。Decider创建之后会同时创建出来一个定时器，该定时器默认每隔 2 秒（可以通过TickInterval 参数配置）会调用Scale方法，该Scale方法实现如下：

func (a *Autoscaler) Scale(ctx context.Context, now time.Time) (desiredPodCount int32, excessBC int32, validScale bool) {    ......    metricName := spec.ScalingMetric    var observedStableValue, observedPanicValue float64    switch spec.ScalingMetric {    case autoscaling.RPS:        observedStableValue, observedPanicValue, err = a.metricClient.StableAndPanicRPS(metricKey, now)        a.reporter.ReportStableRPS(observedStableValue)        a.reporter.ReportPanicRPS(observedPanicValue)        a.reporter.ReportTargetRPS(spec.TargetValue)    default:        metricName = autoscaling.Concurrency // concurrency is used by default        observedStableValue, observedPanicValue, err = a.metricClient.StableAndPanicConcurrency(metricKey, now)        a.reporter.ReportStableRequestConcurrency(observedStableValue)        a.reporter.ReportPanicRequestConcurrency(observedPanicValue)        a.reporter.ReportTargetRequestConcurrency(spec.TargetValue)    }    // Put the scaling metric to logs.    logger = logger.With(zap.String("metric", metricName))    if err != nil {        if err == ErrNoData {            logger.Debug("No data to scale on yet")        } else {            logger.Errorw("Failed to obtain metrics", zap.Error(err))        }        return 0, 0, false    }    // Make sure we don't get stuck with the same number of pods, if the scale up rate    // is too conservative and MaxScaleUp*RPC==RPC, so this permits us to grow at least by a single    // pod if we need to scale up.    // E.g. MSUR=1.1, OCC=3, RPC=2, TV=1 => OCC/TV=3, MSU=2.2 => DSPC=2, while we definitely, need    // 3 pods. See the unit test for this scenario in action.    maxScaleUp := math.Ceil(spec.MaxScaleUpRate * readyPodsCount)    // Same logic, opposite math applies here.    maxScaleDown := math.Floor(readyPodsCount / spec.MaxScaleDownRate)    dspc := math.Ceil(observedStableValue / spec.TargetValue)    dppc := math.Ceil(observedPanicValue / spec.TargetValue)    logger.Debugf("DesiredStablePodCount = %0.3f, DesiredPanicPodCount = %0.3f, MaxScaleUp = %0.3f, MaxScaleDown = %0.3f",        dspc, dppc, maxScaleUp, maxScaleDown)    // We want to keep desired pod count in the  [maxScaleDown, maxScaleUp] range.    desiredStablePodCount := int32(math.Min(math.Max(dspc, maxScaleDown), maxScaleUp))    desiredPanicPodCount := int32(math.Min(math.Max(dppc, maxScaleDown), maxScaleUp))......    return desiredPodCount, excessBC, true}

该方法主要是从 MetricCollector 中获取指标信息，根据指标信息计算出需要扩缩的POD数。然后设置在 Decider 中。另外当 Decider 中 POD 期望值发生变化时会触发 PodAutoscaler 重新调和的操作，关键代码如下：

......if runner.updateLatestScale(desiredScale, excessBC) {        m.Inform(metricKey)    }......    

在KPA controller中设置调和Watch操作：

......    // Have the Deciders enqueue the PAs whose decisions have changed.    deciders.Watch(impl.EnqueueKey)......    

指标采集

通过两种方式收集POD指标：

• PUSH 收集指标：通过暴露指标接口，外部服务（如Activitor）可以调用该接口推送 metric 信息
• PULL 收集指标：通过调用 Queue Proxy 服务接口收集指标。

PUSH 收集指标实现比较简单，在main.go中 暴露服务，将接收到的 metric 推送到 MetricCollector 中：

// Set up a statserver.    statsServer := statserver.New(statsServerAddr, statsCh, logger)....go func() {        for sm := range statsCh {            collector.Record(sm.Key, sm.Stat)            multiScaler.Poke(sm.Key, sm.Stat)        }    }()

PULL 收集指标是如何收集的呢？ 还记得上面提到的Metric资源吧，这里接收到Metric资源又会创建出一个定时器，这个定时器每隔 1 秒会访问 queue-proxy 9090 端口采集指标信息。关键代码如下：

// newCollection creates a new collection, which uses the given scraper to// collect stats every scrapeTickInterval.func newCollection(metric *av1alpha1.Metric, scraper StatsScraper, logger *zap.SugaredLogger) *collection {    c := &collection{        metric:             metric,        concurrencyBuckets: aggregation.NewTimedFloat64Buckets(BucketSize),        rpsBuckets:         aggregation.NewTimedFloat64Buckets(BucketSize),        scraper:            scraper,        stopCh: make(chan struct{}),    }    logger = logger.Named("collector").With(        zap.String(logkey.Key, fmt.Sprintf("%s/%s", metric.Namespace, metric.Name)))    c.grp.Add(1)    go func() {        defer c.grp.Done()        scrapeTicker := time.NewTicker(scrapeTickInterval)        for {            select {            case 

两纵

• 0-1 扩容
• 1-N 扩缩容

上面从KPA实现的 3个横向角度进行了分析，KPA 实现了0-1扩容以及1-N 扩缩容，下面我们从这两个纵向的角度进一步分析。
我们知道，在 Knative 中，流量通过两种模式到达POD： Serve 模式和 Proxy 模式。
Proxy 模式： POD数为 0 时（另外针对突发流量的场景也会切换到 Proxy 模式，这里先不做详细解读），切换到 Proxy 模式。
Serve 模式：POD数不为 0 时，切换成 Serve 模式。
那么在什么时候进行模式的切换呢？在KPA中的代码实现如下：

mode := nv1alpha1.SKSOperationModeServe    // We put activator in the serving path in the following cases:    // 1. The revision is scaled to 0:    //   a. want == 0    //   b. want == -1 && PA is inactive (Autoscaler has no previous knowledge of    //            this revision, e.g. after a restart) but PA status is inactive (it was    //            already scaled to 0).    // 2. The excess burst capacity is negative.    if want == 0 || decider.Status.ExcessBurstCapacity 

0-1 扩容

第一步：指标采集
在POD数为0时，流量请求模式为Proxy 模式。这时候流量是通过 Activitor 接管的，在 Activitor 中，会根据请求数的指标信息，通过WebSockt调用 KPA中提供的指标接口，将指标信息发送给 KPA 中的 MetricCollector。
在 Activitor 中 main 函数中，访问 KPA 服务 代码实现如下

    // Open a WebSocket connection to the autoscaler.    autoscalerEndpoint := fmt.Sprintf("ws://%s.%s.svc.%s%s", "autoscaler", system.Namespace(), pkgnet.GetClusterDomainName(), autoscalerPort)    logger.Info("Connecting to Autoscaler at ", autoscalerEndpoint)    statSink := websocket.NewDurableSendingConnection(autoscalerEndpoint, logger)    go statReporter(statSink, ctx.Done(), statCh, logger)

通过 WebSockt 发送请求指标代码实现：

func statReporter(statSink *websocket.ManagedConnection, stopCh 

第二步：根据指标计算 POD 数
在 Scale 方法中，根据 PUSH 获取的指标信息，计算出期望的POD数。修改 Decider 期望 POD 值，触发 PodAutoScaler 重新调和。
第三步：扩容
在KPA controller中，重新执行 reconcile 方法，执行 scaler 对当前Revision进行扩容操作。然后将流量模式切换成 Server 模式。最终实现 0-1 的扩容操作。

1-N 扩缩容

第一步：指标采集
在 POD 数不为0时，流量请求模式为 Server 模式。这时候会通过PULL 的方式访问当前 revision 中所有 POD queue proxy 9090 端口，拉取业务指标信息， 访问服务 URL 代码实现如下：

...func urlFromTarget(t, ns string) string {    return fmt.Sprintf(        "http://%s.%s:%d/metrics",        t, ns, networking.AutoscalingQueueMetricsPort)}

第二步：根据指标计算 POD 数
在 Scale 方法中，根据 PULL 获取的指标信息，计算出期望的POD数。修改 Decider 期望 POD 值，触发 PodAutoScaler 重新调和。
第三步： 扩缩容
在 KPA controller中，重新执行 reconcile 方法，执行 scaler 对当前Revision进行扩缩容操作。如果缩容为 0 或者触发突发流量场景，则将流量模式切换成 Proxy 模式。最终实现 1-N 扩缩容操作。

总结

相信通过上面的介绍，对Knative KPA的实现有了更深入的理解，了解了其实现原理不仅有助于我们排查相关的问题，更在于我们可以基于这样的扩缩容机制实现自定义的扩缩容组件，这也正是 Knative 自动扩缩容可扩展性灵魂所在。

作者：元毅

本文为阿里云原创内容，未经允许不得转载。