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 ?
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.
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.