MédiaMúltipla escolha

Questão de prática de CKAD

Sua equipe gerencia uma aplicação de microsserviços em um cluster Kubernetes. Um serviço crítico 'order-service' está implantado com 3 réplicas. Recentemente, os clientes relataram tempos limite ocasionais ao fazer pedidos. Você suspeita que o serviço está sobrecarregado durante os horários de pico. Você configurou um HorizontalPodAutoscaler (HPA) baseado na utilização de CPU, mas o autoscaler não parece escalar rapidamente o suficiente. Após inspeção, você nota que o HPA está configurado com uma utilização de CPU alvo de 80%, e o uso atual de CPU dos pods é de cerca de 70%. No entanto, o uso de memória dos pods é alto e crescente. A aplicação também registra consultas lentas ao banco de dados. Qual ação tem maior probabilidade de melhorar a capacidade de resposta do serviço durante a carga de pico?

Escolha a melhor resposta.

Resposta correta

  • AModificar o HPA para também escalar com base na utilização de memória, definindo um valor médio alvo para a memória.

Explicação

O HPA está configurado apenas para CPU, mas o sintoma (alto uso de memória, consultas lentas ao banco de dados) indica que a pressão de memória é o gargalo. Adicionar uma métrica baseada em memória ao HPA permite que ele escale quando a memória excede o alvo, abordando a causa raiz da sobrecarga durante os horários de pico. A CPU atual em 70% está abaixo do limite de 80%, portanto, o HPA não será acionado apenas pela CPU, mas o escalonamento por memória pode reagir à restrição real de recursos.

Por que cada alternativa está certa ou errada

A

Correta

Modificar o HPA para também escalar com base na utilização de memória, definindo um valor médio alvo para a memória.

Confiar apenas na utilização de CPU pode perder cargas de trabalho limitadas por memória, onde os pods se degradam devido à pressão de memória muito antes de a CPU se aproximar de seu alvo. Adicionar uma métrica de memória ao HPA, usando targetAverageValue ou targetAverageUtilization, faz com que o autoscaler reaja ao esgotamento real de recursos. Como a memória é um recurso não compressível, o Kubernetes não pode limitá-la como faz com a CPU, portanto, a única mitigação eficaz é adicionar réplicas quando o consumo médio de memória exceder o limite configurado.

B

Incorreta

Reduzir o número de réplicas para 2 para forçar o HPA a reagir de forma mais agressiva.

Reduzir manualmente a contagem de réplicas para 2 aumentará a utilização de CPU por pod, mas a decisão de escalonamento do HPA ainda compara o uso atual de CPU com o alvo existente, como 70%. Se a CPU por pod permanecer abaixo desse alvo, o HPA não acionará um escalonamento; ele poderia até calcular uma contagem de réplicas desejada de 1, reduzindo ainda mais a implantação. Essa abordagem não altera a métrica de escalonamento ou seu limite, e remove deliberadamente a capacidade, aumentando o risco de sobrecarga e interrupção do serviço.

C

Incorreta

Aumentar a utilização alvo de CPU para 90% para que o HPA seja acionado mais cedo.

Aumentar a utilização alvo de CPU para 90% na verdade eleva a barra que deve ser cruzada antes que o HPA adicione réplicas. Por exemplo, se o uso médio atual de CPU for 80% e o alvo for 70%, o HPA escala; com um alvo de 90%, esse mesmo uso de 80% não resulta em nenhuma ação de escalonamento. Como o problema é que o escalonamento não está acontecendo cedo o suficiente, aumentar o limite torna o autoscaler ainda menos sensível e atrasa a reação que você precisa, piorando os tempos de resposta sob carga.

D

Incorreta

Otimizar as consultas ao banco de dados para reduzir o tempo de resposta.

Otimizar as consultas ao banco de dados pode reduzir a CPU e a latência por solicitação, mas não altera a configuração do HPA ou seu processo de tomada de decisão. Se o problema real é que o HPA ignora a pressão de memória e, portanto, mantém poucas réplicas, a otimização de consultas pode mascarar temporariamente o sintoma, mas deixa o mecanismo de escalonamento cego para o verdadeiro gargalo. Além disso, tais otimizações são correções em nível de aplicação, enquanto o HPA opera na camada de infraestrutura; elas abordam uma causa diferente e não conseguem garantir o escalonamento automático sob futuros picos de memória.

Para se aprofundar

O HorizontalPodAutoscaler (HPA) no Kubernetes v2 calcula as réplicas desejadas dividindo o valor médio atual da métrica pelo valor alvo da métrica, multiplicando pelo número atual de réplicas e arredondando para cima. Para a CPU, o alvo é uma porcentagem da solicitação de CPU do pod, portanto, um alvo de 70% significa que o HPA tenta manter a CPU média em 70% da CPU solicitada. A memória é um recurso não compressível: ao contrário da CPU, que pode ser limitada (throttled) quando os limites são excedidos, um pod que excede seu limite de memória é morto (OOMKilled). Isso torna a pressão de memória um sinal mais urgente para o escalonamento do que a pressão de CPU, porque não há limitação gradual, apenas terminação abrupta. Um equívoco comum é que aumentar a utilização alvo de CPU torna o HPA 'mais agressivo' ou que ele 'aciona mais cedo', mas o oposto é verdadeiro: um alvo mais alto significa que mais utilização é tolerada antes de escalar. Aplicações do mundo real que dependem muito de cache, realizam processamento em memória ou têm vazamentos de memória podem mostrar CPU baixa, mas uso de memória crescente; um HPA que apenas observa a CPU deixará a implantação subdimensionada, causando picos de latência à medida que o garbage collection trabalha e, eventualmente, despejos de pods. Adicionar uma métrica de memória com um targetAverageValue (por exemplo, 512Mi) ou targetAverageUtilization (por exemplo, 80% de uma solicitação de memória) permite que o autoscaler reaja ao esgotamento real de recursos, e o Kubernetes escalará quando qualquer métrica configurada estiver acima de seu alvo; não requer que todas as métricas excedam os alvos simultaneamente.

Sobre estas questões de prática

Esta é uma das questões de prática originais de CKAD da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.