K8s kube-reserved预留不足与HPA联动失效的根因分析与动态阈值计算方案设计

背景

我们管理一个 Kubernetes 集群，节点上配置了 kube-reserved 和 system-reserved 以确保系统资源的预留。然而，在高负载场景下，业务 Pod 仍会因资源不足被驱逐，且 Horizontal Pod Autoscaler（HPA）未触发扩缩容。

现象

1. 资源预留不足：节点资源（CPU/内存）被 kube-reserved 和 system-reserved 预留后，剩余资源不足以支撑业务 Pod 的突发流量。
2. HPA 联动失效：当业务 Pod 被驱逐时，HPA 未检测到负载变化，未能及时扩缩容。
3. 动态阈值缺失：现有配置为静态值，无法适应业务负载波动。

已尝试的排查与结果

• 检查 kube-reserved 和 system-reserved 的配置，确认预留比例合理（如 CPU 10%，内存 20%）。
• 验证 HPA 的 metrics（如 CPU 使用率）是否正常，确认未被 kube-reserved 阻塞。
• 分析节点资源使用情况，发现预留后剩余资源在高峰时段不足。
• 尝试调整 HPA 的 scale-down 机制，但未解决根本问题。

期望得到的答案形态

1. 根因分析：kube-reserved 与 HPA 的资源计算逻辑是否存在冲突？是否因资源预留导致 HPA 无法感知真实负载？
2. 动态阈值方案：如何设计动态调整的资源预留策略？是否可结合负载预测或历史数据进行动态计算？
3. 联动优化建议：如何让 HPA 更灵敏地响应 kube-reserved 预留后的资源变化？是否需要引入新的 metrics 或调整现有 metrics 的计算方式？

引用依据

• 《K8s kube-reserved预留不足与HPA联动失效的根因分析与动态阈值计算方案设计》（id=2892）
• 《K8s kube-reserved预留不足导致Pod驱逐的根因与动态阈值计算方案》（id=2883）
• 《K8s kube-reserved预留不足引发Pod驱逐的根因深挖与动态阈值计算方案设计》（id=2889）