Kubernetes Autoscaling: HPA, VPA und Cluster Autoscaler im Vergleich

Warum Autoscaling unverzichtbar ist

In modernen Cloud-Umgebungen variiert die Last auf Ihre Anwendungen ständig. Manuelles Skalieren ist nicht nur ineffizient — es ist ein Risiko. Kubernetes bietet drei komplementäre Autoscaling-Mechanismen, die zusammen ein leistungsstarkes System bilden.

Horizontal Pod Autoscaler (HPA)

Der HPA skaliert die Anzahl der Pods basierend auf Metriken wie CPU-Auslastung, Speicherverbrauch oder Custom Metrics. Er ist der am häufigsten eingesetzte Autoscaler und ideal für stateless Workloads.

• CPU-basiert: Standardmäßig skaliert der HPA basierend auf der durchschnittlichen CPU-Auslastung aller Pods.
• Custom Metrics: Über den Metrics Server können Sie eigene Metriken wie Requests pro Sekunde oder Queue-Länge verwenden.
• Stabilisierung: Der HPA verwendet ein Stabilisierungsfenster, um Flapping zu vermeiden — kein ständiges Hoch- und Runterskalieren.

Vertical Pod Autoscaler (VPA)

Der VPA passt die Ressourcenanforderungen (CPU und Memory Requests/Limits) einzelner Pods an. Er ist besonders nützlich für Workloads, deren Ressourcenbedarf schwer vorhersagbar ist.

• Recommender: Analysiert historische Ressourcennutzung und gibt Empfehlungen.
• Updater: Kann Pods automatisch neu starten, um die empfohlenen Werte anzuwenden.
• Vorsicht: HPA und VPA sollten nicht gleichzeitig auf dieselbe Metrik skalieren.

Cluster Autoscaler

Der Cluster Autoscaler skaliert die Anzahl der Nodes im Cluster. Er erkennt, wenn Pods nicht gescheduled werden können (weil nicht genug Ressourcen verfügbar sind) und fügt automatisch neue Nodes hinzu.

• Scale-Up: Erkennt pending Pods und provisioniert neue Nodes aus der Node Group.
• Scale-Down: Entfernt unterausgelastete Nodes nach einer konfigurierbaren Wartezeit.
• Spot Instances: Kann mit AWS Spot Instances kombiniert werden, um bis zu 90% Kosten zu sparen.

Unsere Empfehlung

In der Praxis setzen wir bei devRocks alle drei Autoscaler kombiniert ein: HPA für die Pod-Ebene, VPA im Recommender-Modus für Ressourcen-Tuning und den Cluster Autoscaler für die Infrastruktur-Ebene. Diese Kombination bietet maximale Flexibilität bei minimalen Kosten.