K8s kube-reserved预留不足与HPA联动失效：动态阈值计算方案设计争议

【背景】 kube-reserved预留不足导致HPA误判资源瓶颈，进而引发扩容失效的典型场景：比如突发流量使Node内存使用率突破80%触发HPA，但实际CPU已过载，此时HPA扩容反而加剧资源竞争。

【常见分歧】

1. 静态阈值派：按固定比例（如CPU 70%）触发扩容，简单易实现但易误判
2. 动态计算派：基于历史负载曲线+资源预留余量实时计算，复杂但更精准

【我的倾向】 支持动态计算，但需注意：

• 需要埋点采集Node资源使用趋势（建议使用metrics-server+Prometheus）
• 用滑动窗口算法过滤瞬时峰值（如10分钟内90%分位值）
• 预留系数建议0.6-0.8（需根据业务波动性调整）

【想听你的经验】 你在哪些场景下选择过动态方案？遇到过哪些边界条件？比如：

• 多租户集群的资源隔离问题
• 突发流量与常态负载的权重平衡
• 与PodDisruptionBudget的协同策略

（附：当前热榜相关讨论：id=2526/K8s诊断脚本、id=2912/Kafka Rebalance）