Autoscaling w Kubernetes: HPA vs Cluster Autoscaler - co skaluje każde z nich?

Głębiej

Rozwinięcie krótkiej odpowiedzi — co zwykle ma znaczenie w praktyce:

• Kontekst (tagi): kubernetes, autoscaling, hpa, cluster-autoscaler
• Lifecycle: co dzieje się w runtime (render/build, request/response, background jobs).
• Cache: gdzie jest cache, co jest kluczem, jak invalidować bez "cache chaos".
• Bezpieczeństwo: authn/authz, sekrety, powierzchnia ataku (SSRF/CSRF).
• Wytłumacz "dlaczego", nie tylko "co" (intuicja + konsekwencje).
• Trade-offy: co zyskujesz i co tracisz (czas, pamięć, złożoność, ryzyko).
• Edge-case’y: puste dane, duże dane, błędne dane, współbieżność.

Przykłady

Krótki przykład (szablon do wyjaśniania):

// Example: discuss trade-offs for "autoscaling-w-kubernetes:-hpa-vs-cluster-autosca"
function explain() {
  // Start from the core idea:
  // HPA (Horizontal Pod Autoscaler) skaluje liczbę podów na podstawie metryk (CPU, memory, cus
}

Typowe pułapki

• Zbyt ogólna odpowiedź (brak konkretów, brak przykładów).
• Brak rozróżnienia między "średnio" a "najgorzej" (np. złożoność).
• Pomijanie ograniczeń: pamięć, współbieżność, koszty sieci/dysku.

Pytania uzupełniające na rozmowie

• Kiedy zastosował(a)byś alternatywę i dlaczego?
• Jakie są typowe problemy w produkcji i jak je diagnozować?
• Jak byś przetestował(a) edge-case’y?