MediaOpción múltiple

Pregunta de práctica de CKAD

Su equipo gestiona una aplicación de microservicios en un clúster de Kubernetes. Un servicio crítico 'order-service' está desplegado con 3 réplicas. Últimamente, los clientes han reportado tiempos de espera ocasionales al realizar pedidos. Usted sospecha que el servicio está sobrecargado durante las horas pico. Ha configurado un HorizontalPodAutoscaler (HPA) basado en la utilización de CPU, pero el escalador automático no parece escalar lo suficientemente rápido. Tras una inspección, nota que el HPA está configurado con una utilización de CPU objetivo del 80%, y el uso actual de CPU de los pods es de alrededor del 70%. Sin embargo, el uso de memoria de los pods es alto y creciente. La aplicación también registra consultas lentas a la base de datos. ¿Qué acción tiene más probabilidades de mejorar la capacidad de respuesta del servicio durante la carga máxima?

Elige la mejor respuesta.

Respuesta correcta

  • AModificar el HPA para que también escale según la utilización de memoria, estableciendo un valor promedio objetivo para la memoria.

Explicación

El HPA está configurado solo para CPU, pero el síntoma (alto uso de memoria, consultas lentas a la base de datos) indica que la presión de memoria es el cuello de botella. Agregar una métrica basada en memoria al HPA le permite escalar cuando la memoria supera el objetivo, abordando la causa raíz de la sobrecarga durante las horas pico. La CPU actual al 70% está por debajo del umbral del 80%, por lo que el HPA no se activará solo por CPU, pero el escalado por memoria puede reaccionar a la restricción de recursos real.

Por qué cada opción es correcta o incorrecta

A

Correcta

Modificar el HPA para que también escale según la utilización de memoria, estableciendo un valor promedio objetivo para la memoria.

Depender únicamente de la utilización de CPU puede pasar por alto cargas de trabajo limitadas por memoria, donde los pods se degradan debido a la presión de memoria mucho antes de que la CPU se acerque a su objetivo. Agregar una métrica de memoria al HPA, usando targetAverageValue o targetAverageUtilization, hace que el escalador automático reaccione al agotamiento real de recursos. Dado que la memoria es un recurso no comprimible, Kubernetes no puede limitarla como lo hace con la CPU, por lo que la única mitigación efectiva es agregar réplicas cuando el consumo promedio de memoria excede el umbral configurado.

B

Incorrecta

Reducir el número de réplicas a 2 para forzar al HPA a reaccionar de manera más agresiva.

Reducir manualmente el recuento de réplicas a 2 aumentará la utilización de CPU por pod, pero la decisión de escalado del HPA aún compara el uso actual de CPU con el objetivo existente, como el 70%. Si la CPU por pod permanece por debajo de ese objetivo, el HPA no activará un escalado; incluso podría calcular un recuento de réplicas deseado de 1, reduciendo aún más el despliegue. Este enfoque no altera la métrica de escalado ni su umbral, y elimina deliberadamente la capacidad, aumentando el riesgo de sobrecarga e interrupción del servicio.

C

Incorrecta

Aumentar la utilización objetivo de CPU al 90% para que el HPA se active antes.

Aumentar la utilización objetivo de CPU al 90% en realidad eleva la barra que debe cruzarse antes de que el HPA agregue réplicas. Por ejemplo, si el uso promedio actual de CPU es del 80% y el objetivo es del 70%, el HPA escala; con un objetivo del 90%, ese mismo uso del 80% no resulta en ninguna acción de escalado. Dado que el problema es que el escalado no ocurre lo suficientemente pronto, aumentar el umbral hace que el escalador automático sea aún menos sensible y retrasa la reacción que usted necesita, empeorando los tiempos de respuesta bajo carga.

D

Incorrecta

Optimizar las consultas a la base de datos para reducir el tiempo de respuesta.

Optimizar las consultas a la base de datos puede reducir la CPU y la latencia por solicitud, pero no cambia la configuración del HPA ni su proceso de toma de decisiones. Si el problema real es que el HPA ignora la presión de memoria y, por lo tanto, mantiene muy pocas réplicas, la optimización de consultas puede enmascarar temporalmente el síntoma pero deja al mecanismo de escalado ciego ante el verdadero cuello de botella. Además, tales optimizaciones son correcciones a nivel de aplicación, mientras que el HPA opera en la capa de infraestructura; abordan una causa diferente y no logran garantizar el escalado automático ante futuros picos de memoria.

Para profundizar

El HorizontalPodAutoscaler (HPA) en Kubernetes v2 calcula las réplicas deseadas dividiendo el valor promedio actual de la métrica por el valor objetivo de la métrica, luego multiplicando por el recuento actual de réplicas y redondeando hacia arriba. Para la CPU, el objetivo es un porcentaje de la solicitud de CPU del pod, por lo que un objetivo del 70% significa que el HPA intenta mantener la CPU promedio al 70% de la CPU solicitada. La memoria es un recurso no comprimible: a diferencia de la CPU, que puede ser limitada (throttled) cuando se exceden los límites, un pod que excede su límite de memoria es eliminado (OOMKilled). Esto hace que la presión de memoria sea una señal más urgente para el escalado que la presión de CPU, porque no hay una limitación gradual, solo una terminación abrupta. Un error común es pensar que aumentar la utilización objetivo de CPU hace que el HPA sea 'más agresivo' o que 'se active antes', pero lo contrario es cierto: un objetivo más alto significa que se tolera más utilización antes de escalar. Las aplicaciones del mundo real que dependen mucho de la caché, realizan procesamiento en memoria o tienen fugas de memoria pueden mostrar una CPU baja pero un uso de memoria creciente; un HPA que solo observa la CPU dejará el despliegue subdimensionado, causando picos de latencia a medida que el recolector de basura trabaja y, finalmente, desalojos de pods. Agregar una métrica de memoria con un targetAverageValue (por ejemplo, 512Mi) o targetAverageUtilization (por ejemplo, 80% de una solicitud de memoria) permite que el escalador automático reaccione al agotamiento real de recursos, y Kubernetes escalará cuando cualquier métrica configurada esté por encima de su objetivo; no requiere que todas las métricas superen los objetivos simultáneamente.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de CKAD de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.