HPA 的工作原理是什么，有哪些实践要点？

结论：HPA（HorizontalPodAutoscaler）按指标自动调整 Deployment/StatefulSet 的副本数，公式为 期望副本数 = ceil(当前副本数 × 当前指标值 / 目标值)，默认每 15s 从 metrics-server 拉取指标计算一次。

展开：指标来源三层：resource 指标（CPU/内存利用率，基于 requests 的百分比，来自 metrics-server）；custom metrics（如 QPS、队列长度，来自 prometheus-adapter）；external metrics（云厂商指标如消息队列积压）。v2 API 支持多指标，取各指标计算结果的最大值。实践要点：1）必须设 requests，否则 CPU 利用率算不出；2）防止抖动——v2 提供 behavior 字段配置 scaleDown 的 stabilizationWindowSeconds（默认 300s）和缩容速率限制，避免指标毛刺导致副本数震荡；3）扩容快、缩容慢是通用原则；4）HPA 扩容后应用启动需要时间，配合 readiness 和预热；5）HPA 只调副本数，节点不够时需 Cluster Autoscaler（或 Karpenter）联动扩节点，两者指标设计要避免互相干扰。易错点：HPA 与 VPA 同时作用于 CPU 指标会冲突，VPA 改 requests 会改变 HPA 的利用率基数。KEDA 是事件驱动扩缩的替代方案，适合按队列深度缩到 0。