TL; DR: автоматическое масштабирование с помощью k8s
Для настройки автомасштабирования на k8s используйте:
kubectl autoscale -f <controller>.yaml --min=3 --max=5
Примечание: PKS over AWS является излишним
Вы упомянули PKS
Использование инфраструктуры PKS поверх AWS кажется излишним. Просто потому, что AWS имеет EKS
Для работы с AWS облаком VMware рекомендует VM C на AWS
PKS autoscale
Если вы настаиваете на использовании PKS вместо AWS, вы можете попробовать этот образец репозитория: pks-autoscale
Автор репо также имеет отличное PKS руководство по быстрому запуску для aws
Масштабирование AWS
EKS автоматическое масштабирование
AWS EKS поддерживает трехмерное масштабирование :
- кластерный автомат масштабирования - Kubernetes Cluster Autoscaler автоматически регулирует количество узлов в вашем кластере, когда модули не запускаются из-за нехватки ресурсов или когда узлы в кластере недостаточно загружены, и их модули можно перенести на другие узлы в кластере.
- Horizontal Pod Autoscaler - Kubernetes Horizontal Pod Autoscaler автоматически масштабирует количество модулей в развертывании. nt, контроллер репликации или набор реплик в зависимости от загрузки ЦП этого ресурса.
- Вертикальный автомасштабирование модулей - Вертикальный автомат масштабирования модулей Kubernetes автоматически настраивает резервирование ЦП и памяти для ваших модулей, чтобы помочь " размер "ваших приложений. Это может помочь вам лучше использовать ресурсы кластера и освободить ЦП и память для других модулей.
EC2 Auto Scaling
Если вы решили создать свой собственный k8s кластер с использованием PKS, вы можете использовать EC2 автоматическое масштабирование - просто создайте группу автоматического масштабирования .
Используя aws-cli:
aws autoscaling create-auto-scaling-group --auto-scaling-group-name <my-asg> --launch-configuration-name <my-launch-config> --min-size 3 --max-size 5 --vpc-zone-identifier "<zones>
EC2 прогнозирующее масштабирование
Недавно AWS представила прогнозирующее масштабирование для EC2 :
... прогнозирующее масштабирование. Используя данные, собранные в результате вашего фактического использования EC2 и дополнительно основанные на миллиардах точек данных, взятых из наших собственных наблюдений, мы используем хорошо обученные модели машинного обучения для прогнозирования вашего ожидаемого трафика c (и использования EC2), включая ежедневные и еженедельные модели.