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?
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.
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.