Azure Kubernetes Metrics Adapter 使用教程
1. 项目介绍
Azure Kubernetes Metrics Adapter 是一个用于 Azure 服务的 Kubernetes 自定义指标 API 和外部指标 API 的实现。该适配器允许你使用 Azure 资源(如 Service Bus 队列)和存储在 Application Insights 中的自定义指标,通过 Kubernetes 的水平 Pod 自动扩展器(HPA)来扩展应用程序部署的 Pod。
主要功能
- 自定义指标 API:支持从 Application Insights 获取自定义指标。
- 外部指标 API:支持从 Azure 资源(如 Service Bus 队列)获取外部指标。
- 水平 Pod 自动扩展:通过 HPA 根据获取的指标自动扩展 Pod。
2. 项目快速启动
2.1 环境准备
确保你已经安装了以下工具:
- Kubernetes 集群
- Helm
- Azure CLI
2.2 安装步骤
2.2.1 克隆项目仓库
git clone https://github.com/Azure/azure-k8s-metrics-adapter.git
cd azure-k8s-metrics-adapter
2.2.2 创建命名空间
kubectl create namespace custom-metrics
2.2.3 安装 Helm Chart
helm install --name my-release charts/azure-k8s-metrics-adapter --namespace custom-metrics
2.2.4 创建服务主体和密钥
az ad sp create-for-rbac -n "azure-k8s-metric-adapter-sp" --role "Monitoring Reader" --scopes /subscriptions/[SubID]/resourceGroups/[ResourceGroup1]
使用创建的服务主体信息创建 Kubernetes 密钥:
kubectl create secret generic azure-k8s-metrics-adapter -n custom-metrics \
--from-literal=azure-tenant-id=<tenantid> \
--from-literal=azure-client-id=<clientid> \
--from-literal=azure-client-secret=<secret>
2.2.5 部署适配器
kubectl apply -f https://raw.githubusercontent.com/Azure/azure-k8s-metrics-adapter/master/deploy/adapter.yaml
2.2.6 部署指标配置
kubectl apply -f https://raw.githubusercontent.com/Azure/azure-k8s-metrics-adapter/master/samples/resources/externalmetric-example.yaml
2.2.7 部署 HPA
apiVersion: autoscaling/v2beta1
kind: HorizontalPodAutoscaler
metadata:
name: consumer-scaler
spec:
scaleTargetRef:
apiVersion: extensions/v1beta1
kind: Deployment
name: consumer
minReplicas: 1
maxReplicas: 10
metrics:
- type: External
external:
metricName: queuemessages
targetValue: 30
3. 应用案例和最佳实践
3.1 使用 Service Bus 队列进行自动扩展
通过 Azure Service Bus 队列的消息数量来触发 Pod 的自动扩展。配置 HPA 时,指定 queuemessages 作为外部指标,并设置目标值。
3.2 使用 Application Insights 进行自动扩展
通过 Application Insights 中的自定义指标(如每秒请求数)来触发 Pod 的自动扩展。配置 HPA 时,指定自定义指标名称,并设置目标值。
4. 典型生态项目
4.1 Azure Kubernetes Service (AKS)
Azure Kubernetes Metrics Adapter 主要用于 AKS 集群中,通过 Azure 资源和自定义指标来实现 Pod 的自动扩展。
4.2 Application Insights
Application Insights 用于收集和分析应用程序的性能指标,Azure Kubernetes Metrics Adapter 可以从 Application Insights 中获取自定义指标,用于自动扩展。
4.3 Azure Monitor
Azure Monitor 提供对 Azure 资源的监控和警报功能,Azure Kubernetes Metrics Adapter 可以从 Azure Monitor 中获取外部指标,用于自动扩展。
通过以上步骤和案例,你可以快速上手并使用 Azure Kubernetes Metrics Adapter 来实现 Kubernetes 集群中 Pod 的自动扩展。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00