Aplique a escalabilidade para zero com o KEDA

Este tutorial mostra como reduzir as cargas de trabalho do GKE para zero pods com o KEDA. A redução das implementações para zero pods permite poupar recursos durante períodos de inatividade (como fins de semana e fora do horário de expediente) ou para cargas de trabalho intermitentes, como tarefas periódicas.

Instale o KEDA

O KEDA é um componente que complementa o redimensionador automático de pods horizontal do Kubernetes. Com o KEDA, pode dimensionar uma implementação para zero pods e de zero pods para um pod. Uma implementação é um objeto da API Kubernetes que lhe permite executar várias réplicas de pods distribuídas entre os nós num cluster. O algoritmo de escala automática horizontal de pods padrão é aplicado depois de o GKE criar, pelo menos, um pod.

Depois de o GKE dimensionar a implementação para zero pods, uma vez que não existem pods em execução, o dimensionamento automático não pode basear-se em métricas de pods, como a utilização da CPU. Como consequência, o KEDA permite obter métricas originárias de fora do cluster através de uma implementação da API de métricas externas do Kubernetes. Pode usar esta API para ajustar automaticamente a escala com base em métricas como o número de mensagens pendentes numa subscrição do Pub/Sub. Consulte a documentação do KEDA para ver uma lista de todas as origens de métricas suportadas.

Instale o KEDA no seu cluster com o Helm ou com o kubectl.

Leme

Execute os seguintes comandos para adicionar o repositório Helm do KEDA, instalar o gráfico Helm do KEDA e conceder acesso de leitura à conta de serviço do KEDA ao Cloud Monitoring:

helm repo add kedacore https://kedacore.github.io/charts
helm repo update
helm install keda kedacore/keda --create-namespace --namespace keda

gcloud projects add-iam-policy-binding projects/${PROJECT_ID} \
     --role roles/monitoring.viewer \
     --member=principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${PROJECT_ID}.svc.id.goog/subject/ns/keda/sa/keda-operator

Tenha em atenção que este comando também configura regras de autorização que exigem que o cluster seja configurado com a Workload Identity Federation para o GKE.

kubectl

Execute os seguintes comandos para instalar o KEDA através do kubectl apply e conceder à conta de serviço do KEDA acesso de leitura ao Cloud Monitoring:

kubectl apply --server-side  -f https://github.com/kedacore/keda/releases/download/v2.15.1/keda-2.15.1.yaml

gcloud projects add-iam-policy-binding projects/${PROJECT_ID} \
     --role roles/monitoring.viewer \
     --member=principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${PROJECT_ID}.svc.id.goog/subject/ns/keda/sa/keda-operator

Tenha em atenção que este comando também configura regras de autorização que exigem que o cluster seja configurado com a Workload Identity Federation para o GKE.

Confirme se todos os recursos do KEDA aparecem no espaço de nomes keda:

kubectl get all -n keda

Para mais informações sobre o design e os recursos do KEDA, consulte a documentação do KEDA.

Dimensione a sua carga de trabalho do Pub/Sub para zero

Esta secção descreve uma carga de trabalho que processa mensagens de uma subscrição do Pub/Sub, processando cada mensagem e confirmando a respetiva conclusão. A carga de trabalho é dimensionada dinamicamente: à medida que o número de mensagens não reconhecidas aumenta, o dimensionamento automático instancia mais pods para garantir o processamento atempado.

A redução para zero garante que não são instanciados pods quando não são recebidas mensagens durante algum tempo. Isto poupa recursos, uma vez que nenhum pod fica inativo durante longos períodos.

Implemente uma carga de trabalho do Pub/Sub

Implemente uma carga de trabalho de exemplo que processe mensagens colocadas em fila num tópico do Pub/Sub. Para simular uma carga de trabalho realista, este programa de exemplo aguarda três segundos antes de acusar a receção de uma mensagem. A carga de trabalho está configurada para ser executada na conta de serviço keda-pubsub-sa.

Execute os seguintes comandos para criar o tópico e a subscrição do Pub/Sub, configurar a respetiva autorização e criar a implementação que inicia a carga de trabalho no espaço de nomes keda-pubsub.

gcloud pubsub topics create keda-echo
gcloud pubsub subscriptions create keda-echo-read --topic=keda-echo
gcloud projects add-iam-policy-binding projects/${PROJECT_ID}  \
    --role=roles/pubsub.subscriber \
  --member=principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${PROJECT_ID}.svc.id.goog/subject/ns/keda-pubsub/sa/keda-pubsub-sa

kubectl apply -f https://raw.githubusercontent.com/GoogleCloudPlatform/kubernetes-engine-samples/refs/heads/main/cost-optimization/gke-keda/cloud-pubsub/deployment/keda-pubsub-with-workload-identity.yaml

Configure a escalabilidade para zero

Para configurar a sua carga de trabalho do Pub/Sub para ser dimensionada para zero, use o KEDA para definir um recurso ScaledObject para especificar como a implementação deve ser dimensionada. Em seguida, o KEDA cria e gere automaticamente o objeto HorizontalPodAutoscaler (HPA) subjacente.

  1. Crie o recurso ScaledObject para descrever o comportamento de dimensionamento automático esperado:

    curl https://raw.githubusercontent.com/GoogleCloudPlatform/kubernetes-engine-samples/refs/heads/main/cost-optimization/gke-keda/cloud-pubsub/deployment/keda-pubsub-scaledobject.yaml | envsubst | kubectl apply -f -

    Isto cria o seguinte objeto:

    apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: keda-pubsub
  namespace: keda-pubsub
spec:
  maxReplicaCount: 5
  scaleTargetRef:
    name: keda-pubsub
  triggers:
    - type: gcp-pubsub
      authenticationRef:
        name: keda-auth
      metadata:
        subscriptionName: "projects/${PROJECT_ID}/subscriptions/keda-echo-read"

  2. Inspecione o objeto HorizontalPodAutoscaler (HPA) que o KEDA cria com base no objeto ScaledObject:

    kubectl get hpa keda-hpa-keda-pubsub -n keda-pubsub -o yaml

    Pode ler mais acerca da escala automática na documentação do Kubernetes.

  3. Aguarde até que o KEDA confirme que a subscrição do Pub/Sub está vazia e ajuste a implementação para zero réplicas.

    Inspecione o redimensionador automático da carga de trabalho:

    kubectl describe hpa keda-hpa-keda-pubsub -n keda-pubsub

    Observe que, na resposta do comando, a condição ScalingActive é falsa. A mensagem associada mostra que o Horizontal Pod Autoscaler reconhece que o KEDA reduziu a implementação para zero, momento em que deixa de funcionar até que a implementação volte a aumentar para um pod.

    Name:                                                  keda-hpa-keda-pubsub
Namespace:                                             keda-pubsub
Metrics:                                               ( current / target )
  "s0-gcp-ps-projects-[...]]" (target average value):  0 / 10
Min replicas:                                          1
Max replicas:                                          5
Deployment pods:                                       5 current / 5 desired
Conditions:
  Type            Status  Reason               Message
  ----            ------  ------               -------
  AbleToScale     True    ScaleDownStabilized  recent recommendations were higher than current one [...]
  ScalingActive   False   ScalingDisabled      scaling is disabled since the replica count of the target is zero
  ScalingLimited  True    TooManyReplicas      the desired replica count is more than the maximum replica count

Acione o aumento da escala

Para estimular a implementação de forma a aumentar a escala:

  1. Coloque mensagens em fila no tópico do Pub/Sub:

    for num in {1..20}
do
  gcloud pubsub topics publish keda-echo --project=${PROJECT_ID} --message="Test"
done

  2. Verifique se a implementação está a aumentar a escala:

    kubectl get deployments -n keda-pubsub

    Na saída, observe que a coluna "Ready" (Pronto) mostra uma réplica:

    NAME          READY   UP-TO-DATE   AVAILABLE   AGE
keda-pubsub   1/1     1            1           2d

O KEDA aumenta a escala da implementação depois de observar que a fila não está vazia.

Dimensione a sua carga de trabalho de MDG para zero

Esta secção descreve uma carga de trabalho de um grande modelo de linguagem (GML) que implementa um servidor Ollama com uma GPU anexada. O Ollama permite executar LLMs populares, como o Gemma e o Llama 2, e expõe as respetivas funcionalidades principalmente através de HTTP.

Instale o suplemento KEDA-HTTP

Reduzir um serviço HTTP para zero pods durante períodos de inatividade provoca falhas de pedidos, uma vez que não existe um back-end para processar os pedidos.

Esta secção mostra como resolver este problema através do suplemento KEDA-HTTP. O KEDA-HTTP inicia um proxy HTTP que recebe pedidos do utilizador e encaminha-os para os serviços configurados para a redução a zero. Quando o serviço não tem nenhum pod, o proxy aciona o serviço para aumentar a escala e armazena em buffer o pedido até que o serviço tenha aumentado a escala para, pelo menos, um pod.

Instale o suplemento KEDA-HTTP com o Helm. Para mais informações, consulte a documentação do KEDA-HTTP.

helm repo add ollama-helm https://otwld.github.io/ollama-helm/
helm repo update

# Set the proxy timeout to 120s, giving Ollama time to start.
helm install http-add-on kedacore/keda-add-ons-http  \
  --create-namespace --namespace keda \
  --set interceptor.responseHeaderTimeout=120s

Implemente uma carga de trabalho de GML do Ollama

Para implementar uma carga de trabalho de MDI do Ollama:

  1. Crie um node pool com g2-standard-4 nós com GPUs anexadas e configure o dimensionamento automático do cluster para fornecer entre zero e dois nós:

    gcloud container node-pools create gpu --machine-type=g2-standard-4 \
    --location=${LOCATION} --cluster=scale-to-zero \
    --min-nodes 0 --max-nodes 2 --num-nodes=1 --enable-autoscaling

  2. Adicione o repositório oficial do gráfico Helm do Ollama e atualize o repositório do cliente Helm local:

    helm repo add ollama-helm https://otwld.github.io/ollama-helm/
helm repo update

  3. Implemente o servidor Ollama através do gráfico Helm:

    helm install ollama ollama-helm/ollama --create-namespace --namespace ollama \
  -f https://raw.githubusercontent.com/GoogleCloudPlatform/kubernetes-engine-samples/refs/heads/main/cost-optimization/gke-keda/ollama/helm-values-ollama.yaml

    A configuração helm-values-ollama.yaml especifica os modelos de MDIs a carregar, os requisitos de GPU e a porta TCP para o servidor Ollama.

Configure a escalabilidade para zero

Para configurar a sua carga de trabalho do Ollama para ser reduzida a zero, o KEDA-HTTP usa um HTTPScaledObject.

  1. Crie o recurso HTTPScaledObject para descrever o comportamento de dimensionamento automático esperado:

    kubectl apply -f https://raw.githubusercontent.com/GoogleCloudPlatform/kubernetes-engine-samples/refs/heads/main/cost-optimization/gke-keda/ollama/keda-ollama-httpscaledobject.yaml

    Isto cria o objeto HTTPScaledObject que define os seguintes campos:

    • scaleTargetRef: especifica o serviço para o qual o KEDA-HTTP deve encaminhar os pedidos. Neste exemplo, todos os pedidos com o anfitrião ollama.ollama são encaminhados para o servidor Ollama.
    • scaledownPeriod: especifica (em segundos) a rapidez com que a capacidade é reduzida quando não são recebidos pedidos.
    • replicas: especifica o número mínimo e máximo de pods a manter para a implementação do Ollama.
    • scalingMetric: especifica as métricas usadas para acionar a escala automática, como a taxa de pedidos neste exemplo. Para mais opções de métricas, consulte a documentação do KEDA-HTTP.
    kind: HTTPScaledObject
apiVersion: http.keda.sh/v1alpha1
metadata:
    namespace: ollama
    name: ollama
spec:
    hosts:
    - ollama.ollama
    scaleTargetRef:
        name: ollama
        kind: Deployment
        apiVersion: apps/v1
        service: ollama
        port: 11434
    replicas:
        min: 0
        max: 2
    scaledownPeriod: 3600
    scalingMetric:
        requestRate:
            targetValue: 20

  2. Execute o seguinte comando para verificar se o KEDA-HTTP processou com êxito o HTTPScaledObject criado no passo anterior:

    kubectl get hpa,scaledobject -n ollama

    A saída mostra os recursos HorizontalPodAutoscaler (criados pelo KEDA) e ScaledObject (criados pelo KEDA-HTTP):

    NAME                                                  REFERENCE           TARGETS       MINPODS   MAXPODS   REPLICAS   AGE
horizontalpodautoscaler.autoscaling/keda-hpa-ollama   Deployment/ollama   0/100 (avg)   1         2         1          2d

NAME                          SCALETARGETKIND      SCALETARGETNAME   MIN   MAX   TRIGGERS        AUTHENTICATION   READY   ACTIVE   FALLBACK   PAUSED    AGE
scaledobject.keda.sh/ollama   apps/v1.Deployment   ollama            0     2     external-push                    True    False    False      Unknown   2d

  3. Verifique se a implementação é reduzida para zero pods.

    Aguarde o período definido no campo scaledownPeriod e execute o comando:

    kubectl get deployments -n ollama

    O resultado mostra que o KEDA reduziu a implementação do Ollama e que não existem pods em execução:

    NAME     READY   UP-TO-DATE   AVAILABLE   AGE
ollama   0/0     0            0           2d

Acione o aumento da escala

Para estimular a implementação a aumentar a escala, chame o serviço Ollama através do proxy configurado pelo suplemento KEDA-HTTP. Isto faz com que o valor da métrica taxa de pedidos aumente e aciona a criação de um primeiro conjunto de anúncios.

Use as capacidades de encaminhamento de portas do kubectl para aceder ao proxy porque o proxy não está exposto externamente.

kubectl port-forward svc/keda-add-ons-http-interceptor-proxy -n keda 8080:8080 &

# Set the 'Host' HTTP header so that the proxy routes requests to the Ollama server.
curl -H "Host: ollama.ollama" \
  http://localhost:8080/api/generate \
  -d '{ "model": "gemma:7b", "prompt": "Hello!" }'

O comando curl envia o comando "Olá!" para um modelo Gemma. Observe os tokens de resposta devolvidos na resposta. Para ver a especificação da API, consulte o guia do Ollama.