当集群规模变大时，你可能会发现抓取（scrape）开始变得耗时——kube state metrics 可能会暴露数百万个样本，具体取决于你有多少节点/pod 等！

KSM 支持分片（sharding），既有自动方式，也有手动方式。遗憾的是，自动分片（autosharding）仍处于开发初期

自动分片允许每个分片在部署于 StatefulSet 中时发现其名义位置，这对于自动配置分片非常有用。这是一个实验性功能，可能会在没有通知的情况下损坏或被移除。

所以，我们可以手动分片！不过这仍然不算理想，因为即使我们有一堆 pod 在抓取同一类资源，它们每个仍需要拉取全部数据。于是我们从原来一个 pod 拉取 x 数据，变成了 n 个 pod 各自拉取 x 数据。也就是说，总网络传输量为 n * x，而如果我们只传输该分片所需的数据，则只需传输 n * x/n。仍然不理想。

每个分片自行决定某个对象是否由对应的 kube-state-metrics 实例处理。请注意，这意味着所有 kube-state-metrics 实例，即使已分片，仍会产生针对所有对象的网络流量和对象反序列化的资源消耗，而不仅仅是它们负责的那些对象。

到目前为止，我得出的结论是按数据类型进行分片。Pod 往往暴露最多的样本，因此首先把这部分拆分出来是合理的。于是我们用一个部署（deployment）暴露 pod 指标，另一个用于其余所有内容。

看起来其他地方也是这么做的，目前这样可行