MoyenneChoix unique

Question d'entraînement CKAD

Votre équipe gère une application de microservices sur un cluster Kubernetes. Un service critique 'order-service' est déployé avec 3 répliques. Récemment, les clients ont signalé des délais d'attente occasionnels lors de la passation de commandes. Vous soupçonnez que le service est surchargé pendant les heures de pointe. Vous avez configuré un HorizontalPodAutoscaler (HPA) basé sur l'utilisation du CPU, mais l'autoscaler ne semble pas monter en charge assez rapidement. Après inspection, vous remarquez que le HPA est configuré avec une utilisation cible du CPU de 80 %, et l'utilisation actuelle du CPU des pods est d'environ 70 %. Cependant, l'utilisation de la mémoire des pods est élevée et augmente. L'application enregistre également des requêtes de base de données lentes. Quelle action est la plus susceptible d'améliorer la réactivité du service pendant la charge de pointe ?

Choisissez la meilleure réponse.

Bonne réponse

  • AModifier le HPA pour qu'il monte également en charge en fonction de l'utilisation de la mémoire, en définissant une valeur moyenne cible pour la mémoire.

Explication

Le HPA est configuré uniquement pour le CPU, mais le symptôme (utilisation élevée de la mémoire, requêtes DB lentes) indique que la pression mémoire est le goulot d'étranglement. L'ajout d'une métrique basée sur la mémoire au HPA lui permet de monter en charge lorsque la mémoire dépasse la cible, traitant la cause profonde de la surcharge pendant les heures de pointe. Le CPU actuel à 70 % est inférieur au seuil de 80 %, donc le HPA ne se déclenchera pas sur le CPU seul, mais la mise à l'échelle par la mémoire peut réagir à la contrainte réelle sur les ressources.

Pourquoi chaque option est juste ou fausse

A

Juste

Modifier le HPA pour qu'il monte également en charge en fonction de l'utilisation de la mémoire, en définissant une valeur moyenne cible pour la mémoire.

Se fier uniquement à l'utilisation du CPU peut manquer les charges de travail limitées par la mémoire, où les pods se dégradent en raison de la pression mémoire bien avant que le CPU n'approche sa cible. L'ajout d'une métrique de mémoire au HPA, en utilisant targetAverageValue ou targetAverageUtilization, fait réagir l'autoscaler à l'épuisement réel des ressources. Étant donné que la mémoire est une ressource non compressible, Kubernetes ne peut pas la limiter comme il le fait avec le CPU, donc la seule atténuation efficace est d'ajouter des répliques lorsque la consommation moyenne de mémoire dépasse le seuil configuré.

B

Fausse

Réduire le nombre de répliques à 2 pour forcer le HPA à réagir de manière plus agressive.

Réduire manuellement le nombre de répliques à 2 augmentera l'utilisation du CPU par pod, mais la décision de mise à l'échelle du HPA compare toujours l'utilisation actuelle du CPU à la cible existante, comme 70 %. Si le CPU par pod reste en dessous de cette cible, le HPA ne déclenchera pas de mise à l'échelle ; il pourrait même calculer un nombre de répliques souhaité de 1, réduisant encore davantage le déploiement. Cette approche ne modifie pas la métrique de mise à l'échelle ou son seuil, et elle supprime délibérément la capacité, augmentant le risque de surcharge et d'interruption de service.

C

Fausse

Augmenter l'utilisation cible du CPU à 90 % pour que le HPA se déclenche plus tôt.

Augmenter l'utilisation cible du CPU à 90 % relève en fait la barre qui doit être franchie avant que le HPA n'ajoute des répliques. Par exemple, si l'utilisation moyenne actuelle du CPU est de 80 % et que la cible est de 70 %, le HPA monte en charge ; avec une cible de 90 %, cette même utilisation de 80 % n'entraîne aucune action de mise à l'échelle. Étant donné que le problème est que la mise à l'échelle ne se produit pas assez tôt, augmenter le seuil rend l'autoscaler encore moins sensible et retarde la réaction dont vous avez besoin, aggravant les temps de réponse sous charge.

D

Fausse

Optimiser les requêtes de base de données pour réduire le temps de réponse.

L'optimisation des requêtes de base de données peut réduire le CPU et la latence par requête, mais elle ne modifie pas la configuration du HPA ni son processus de prise de décision. Si le vrai problème est que le HPA ignore la pression mémoire et maintient donc trop peu de répliques, l'optimisation des requêtes peut masquer temporairement le symptôme mais laisse le mécanisme de mise à l'échelle aveugle face au véritable goulot d'étranglement. De plus, de telles optimisations sont des correctifs au niveau de l'application, alors que le HPA opère au niveau de l'infrastructure ; elles traitent une cause différente et ne parviennent pas à assurer une mise à l'échelle automatique lors de futurs pics de mémoire.

Pour aller plus loin

L'HorizontalPodAutoscaler (HPA) dans Kubernetes v2 calcule les répliques souhaitées en divisant la valeur moyenne actuelle de la métrique par la valeur cible de la métrique, puis en multipliant par le nombre actuel de répliques, en arrondissant à l'entier supérieur. Pour le CPU, la cible est un pourcentage de la demande CPU du pod, donc une cible de 70 % signifie que le HPA essaie de maintenir le CPU moyen à 70 % du CPU demandé. La mémoire est une ressource non compressible : contrairement au CPU, qui peut être limité (throttled) lorsque les limites sont dépassées, un pod dépassant sa limite de mémoire est tué (OOMKilled). Cela fait de la pression mémoire un signal plus urgent pour la mise à l'échelle que la pression CPU, car il n'y a pas de limitation graduelle, seulement une terminaison abrupte. Une idée fausse courante est que l'augmentation de l'utilisation cible du CPU rend le HPA 'plus agressif' ou qu'il 'se déclenche plus tôt', mais c'est le contraire qui est vrai : une cible plus élevée signifie qu'une utilisation plus importante est tolérée avant la mise à l'échelle. Les applications réelles qui utilisent beaucoup de cache, effectuent des traitements en mémoire ou ont des fuites de mémoire peuvent montrer un CPU faible mais une utilisation de la mémoire croissante ; un HPA qui ne surveille que le CPU laissera le déploiement sous-dimensionné, provoquant des pics de latence à mesure que le garbage collection s'active et, finalement, des évictions de pods. L'ajout d'une métrique de mémoire avec un targetAverageValue (par exemple, 512Mi) ou targetAverageUtilization (par exemple, 80 % d'une demande de mémoire) permet à l'autoscaler de réagir à l'épuisement réel des ressources, et Kubernetes montera en charge lorsqu'une métrique configurée est au-dessus de sa cible ; il ne nécessite pas que toutes les métriques dépassent leurs cibles simultanément.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement CKAD originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.