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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0199
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07