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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00