KEDA 测验

本测验用于测试你对 KEDA (Kubernetes Event-driven Autoscaling) 的理解。

问题 1：KEDA 基本概念

KEDA 是什么，它的主要优势是什么？

答案： KEDA (Kubernetes Event-driven Autoscaling) 是一个开源项目，使 Kubernetes 应用能够基于事件自动扩缩。

主要优势：

事件驱动扩缩：基于各种事件源（消息队列、数据库、流等）进行扩缩
缩至零：在没有活动时缩减到 0 个副本以节省成本
多样的 Scaler 支持：内置 50+ 个 Scaler，并支持自定义 Scaler
Kubernetes 原生：与现有 Kubernetes HPA 集成
云无关：可在任何 Kubernetes 环境中运行
简单的部署模型：通过单个 Operator 即可轻松部署

问题 2：KEDA 架构

KEDA 的主要组件有哪些？

答案：

KEDA Operator：管理 ScaledObject 和 ScaledJob 资源
Metrics Adapter：向 HPA 提供自定义指标
Admission Webhooks：资源验证和变更
ScaledObject：定义扩缩目标和触发器
ScaledJob：基于 Job 的工作负载扩缩
TriggerAuthentication：外部系统认证信息
ClusterTriggerAuthentication：集群级认证

问题 3：Scaler 类型

KEDA 支持的主要 Scaler 有哪些？

答案：消息队列 Scaler：

Apache Kafka, RabbitMQ, Azure Service Bus, AWS SQS
Redis Lists/Streams, Google Pub/Sub

数据库 Scaler：

MySQL, PostgreSQL, MongoDB, Cassandra

云服务 Scaler：

AWS CloudWatch, Azure Monitor, GCP Pub/Sub
Prometheus, InfluxDB

其他 Scaler：

Cron（基于时间）, HTTP（基于请求）
CPU/Memory, External Push

自定义 Scaler：

通过 External Scaler 使用用户定义指标

问题 4：ScaledObject 配置

基于 Kafka 的 ScaledObject 配置示例是什么？

答案：

yaml

apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: kafka-scaledobject
spec:
  scaleTargetRef:
    name: kafka-consumer
  minReplicaCount: 0
  maxReplicaCount: 30
  pollingInterval: 30
  cooldownPeriod: 300
  triggers:
  - type: kafka
    metadata:
      bootstrapServers: kafka:9092
      consumerGroup: my-group
      topic: my-topic
      lagThreshold: '5'
      offsetResetPolicy: latest
    authenticationRef:
      name: kafka-auth

---
apiVersion: keda.sh/v1alpha1
kind: TriggerAuthentication
metadata:
  name: kafka-auth
spec:
  secretTargetRef:
  - parameter: sasl
    name: kafka-secrets
    key: sasl
  - parameter: username
    name: kafka-secrets
    key: username
  - parameter: password
    name: kafka-secrets
    key: password

问题 5：自定义指标扩缩

如何使用 Prometheus 指标配置自定义扩缩？

答案：

yaml

apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: prometheus-scaledobject
spec:
  scaleTargetRef:
    name: my-app
  minReplicaCount: 1
  maxReplicaCount: 10
  triggers:
  - type: prometheus
    metadata:
      serverAddress: http://prometheus:9090
      metricName: http_requests_per_second
      threshold: '100'
      query: sum(rate(http_requests_total{job="my-app"}[1m]))

---
# Twitter metrics-based scaling
apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: twitter-scaledobject
spec:
  scaleTargetRef:
    name: twitter-processor
  triggers:
  - type: external-push
    metadata:
      scalerAddress: twitter-scaler:8080
      metricName: twitter_mentions
      threshold: '10'

---
# Google Calendar-based scaling
apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: calendar-scaledobject
spec:
  scaleTargetRef:
    name: meeting-processor
  triggers:
  - type: cron
    metadata:
      timezone: Asia/Seoul
      start: "0 9 * * 1-5"  # Weekday 9 AM
      end: "0 18 * * 1-5"   # Weekday 6 PM
      desiredReplicas: "5"

问题 6：基于 Cron 的扩缩

如何实现基于时间的扩缩？

答案：

yaml

apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: cron-scaledobject
spec:
  scaleTargetRef:
    name: batch-processor
  minReplicaCount: 0
  maxReplicaCount: 20
  triggers:
  # Business hours scaling (weekdays 9-18)
  - type: cron
    metadata:
      timezone: Asia/Seoul
      start: "0 9 * * 1-5"
      end: "0 18 * * 1-5"
      desiredReplicas: "10"

  # Nightly batch processing (daily midnight)
  - type: cron
    metadata:
      timezone: Asia/Seoul
      start: "0 0 * * *"
      end: "0 6 * * *"
      desiredReplicas: "5"

  # Weekend minimal operation
  - type: cron
    metadata:
      timezone: Asia/Seoul
      start: "0 10 * * 0,6"
      end: "0 16 * * 0,6"
      desiredReplicas: "2"

---
# Special event response scaling
apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: event-scaledobject
spec:
  scaleTargetRef:
    name: event-handler
  triggers:
  # Black Friday preparation
  - type: cron
    metadata:
      timezone: America/New_York
      start: "0 0 24 11 *"  # November 24th midnight
      end: "59 23 24 11 *"  # November 24th 23:59
      desiredReplicas: "50"

问题 7：ScaledJob 配置

如何配置基于 Job 的工作负载扩缩？

答案：

yaml

apiVersion: keda.sh/v1alpha1
kind: ScaledJob
metadata:
  name: batch-job-scaler
spec:
  jobTargetRef:
    template:
      spec:
        template:
          spec:
            containers:
            - name: batch-processor
              image: my-batch-app:latest
              command: ["./process-batch"]
            restartPolicy: Never
        backoffLimit: 4
  pollingInterval: 30
  maxReplicaCount: 10
  successfulJobsHistoryLimit: 5
  failedJobsHistoryLimit: 5
  triggers:
  - type: rabbitmq
    metadata:
      queueName: batch-queue
      host: amqp://rabbitmq:5672
      queueLength: '5'
    authenticationRef:
      name: rabbitmq-auth

---
# AWS SQS-based Job scaling
apiVersion: keda.sh/v1alpha1
kind: ScaledJob
metadata:
  name: sqs-job-scaler
spec:
  jobTargetRef:
    template:
      spec:
        template:
          spec:
            containers:
            - name: sqs-processor
              image: sqs-worker:latest
            restartPolicy: Never
  triggers:
  - type: aws-sqs-queue
    metadata:
      queueURL: https://sqs.us-east-1.amazonaws.com/123456789/my-queue
      queueLength: '10'
      awsRegion: us-east-1
    authenticationRef:
      name: aws-credentials

问题 8：Istio 指标扩缩

如何使用 Istio service mesh 指标配置扩缩？

答案：

yaml

apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: istio-scaledobject
spec:
  scaleTargetRef:
    name: productpage
  minReplicaCount: 1
  maxReplicaCount: 20
  triggers:
  # Request rate-based scaling
  - type: prometheus
    metadata:
      serverAddress: http://prometheus:9090
      metricName: istio_request_rate
      threshold: '50'
      query: |
        sum(rate(istio_requests_total{
          destination_service_name="productpage",
          response_code!~"5.*"
        }[1m]))

  # Response time-based scaling
  - type: prometheus
    metadata:
      serverAddress: http://prometheus:9090
      metricName: istio_response_time
      threshold: '0.5'
      query: |
        histogram_quantile(0.95,
          sum(rate(istio_request_duration_milliseconds_bucket{
            destination_service_name="productpage"
          }[1m])) by (le)
        ) / 1000

---
# Service mesh error rate-based scaling
apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: error-rate-scaler
spec:
  scaleTargetRef:
    name: backend-service
  triggers:
  - type: prometheus
    metadata:
      serverAddress: http://prometheus:9090
      metricName: error_rate
      threshold: '0.05'  # 5% error rate
      query: |
        sum(rate(istio_requests_total{
          destination_service_name="backend-service",
          response_code=~"5.*"
        }[1m])) /
        sum(rate(istio_requests_total{
          destination_service_name="backend-service"
        }[1m]))

问题 9：监控与故障排查

如何监控 KEDA 的扩缩活动？

答案：

检查 KEDA 指标：

bash

kubectl get scaledobject
kubectl describe scaledobject <name>
kubectl get hpa

检查 KEDA 日志：

bash

kubectl logs -n keda -l app=keda-operator
kubectl logs -n keda -l app=keda-metrics-apiserver

事件监控：

bash

kubectl get events --field-selector involvedObject.name=<scaledobject-name>

Prometheus 指标：

promql

# KEDA scaler metrics
keda_scaler_metrics_value
keda_scaled_object_paused
keda_scaled_object_errors_total

# HPA metrics
kube_horizontalpodautoscaler_status_current_replicas
kube_horizontalpodautoscaler_status_desired_replicas

常见故障排查：

bash

# Scaler connection test
kubectl exec -n keda deployment/keda-operator -- /manager --zap-log-level=debug

# Check metrics adapter status
kubectl get apiservice v1beta1.external.metrics.k8s.io

# Check authentication information
kubectl get triggerauthentication
kubectl describe secret <auth-secret>

问题 10：Amazon EKS 集成

将 KEDA 与 Amazon EKS 集成时有哪些注意事项？

答案：

IAM 权限设置：

yaml

# IRSA (IAM Roles for Service Accounts) configuration
serviceAccount:
  annotations:
    eks.amazonaws.com/role-arn: arn:aws:iam::ACCOUNT:role/keda-role

AWS 服务集成：

yaml

# SQS Scaler
- type: aws-sqs-queue
  metadata:
    queueURL: https://sqs.region.amazonaws.com/account/queue-name
    awsRegion: us-west-2

# CloudWatch Scaler
- type: aws-cloudwatch
  metadata:
    namespace: AWS/ApplicationELB
    metricName: RequestCount
    dimensionName: LoadBalancer
    dimensionValue: app/my-alb/1234567890

网络注意事项：
- 使用 VPC endpoints（节省成本）
- Security group 配置
- Subnet 路由设置

监控集成：

yaml

# CloudWatch Container Insights
annotations:
  prometheus.io/scrape: "true"
  prometheus.io/port: "8080"
  prometheus.io/path: "/metrics"

Fargate 注意事项：
- KEDA Operator 在 EC2 nodes 上运行
- 扩缩后的工作负载可以使用 Fargate
- 调整资源限制和扩缩策略
成本优化：
- 与 Spot instances 搭配使用
- 通过缩至零节省成本
- 设置适当的扩缩阈值

评分：

8-10 题正确：优秀（KEDA 专家级）
6-7 题正确：良好（建议继续学习）
4-5 题正确：一般（需要复习基本概念）
0-3 题正确：不足（需要重新学习全部内容）

端到端可观测性实验

ArgoCD 详解测验

Istio 详解测验

Linkerd 详解测验

Cilium 服务网格详解测验

Cilium 深入解析

Calico 深入解析

指标

日志

追踪

告警

可观测性实验

ArgoCD

流量管理

安全性

可观测性

弹性

高级

对比指南

指标

日志

追踪

告警

KEDA 测验 ​

问题 1：KEDA 基本概念 ​

问题 2：KEDA 架构 ​

问题 3：Scaler 类型 ​

问题 4：ScaledObject 配置 ​

问题 5：自定义指标扩缩 ​

问题 6：基于 Cron 的扩缩 ​

问题 7：ScaledJob 配置 ​

问题 8：Istio 指标扩缩 ​

问题 9：监控与故障排查 ​

问题 10：Amazon EKS 集成 ​

KEDA 测验

问题 1：KEDA 基本概念

问题 2：KEDA 架构

问题 3：Scaler 类型

问题 4：ScaledObject 配置

问题 5：自定义指标扩缩

问题 6：基于 Cron 的扩缩

问题 7：ScaledJob 配置

问题 8：Istio 指标扩缩

问题 9：监控与故障排查

问题 10：Amazon EKS 集成