集群规模变大后，你可能会发现抓取开始耗时变长——kube state metrics 暴露的样本数可能会达到数百万，具体取决于集群中的节点、Pod 等资源数量！

KSM 支持分片，包括自动和手动两种方式。但遗憾的是，自动分片目前仍处于非常早期的开发阶段

自动分片允许每个分片在以 StatefulSet 形式部署时发现自身的标称位置，这对于自动配置分片很有用。这是一项实验性功能，可能会在不另行通知的情况下失效或被移除。

所以，我们可以手动分片！不过这种方式也谈不上多好，因为即使有多个 Pod 在抓取同一类资源，每个 Pod 仍然需要拉取全量数据。也就是说，原本是一个 Pod 拉取 x 的数据，现在会变成 n 个 Pod 各自都拉取 x 的数据。换言之，总的网络传输量是 n * x，而不是如果只传输分片所需数据时的 n * x/n。仍然不够理想。

每个分片都会自行判断某个对象是否由对应的 kube-state-metrics 实例处理。需要注意的是，这意味着即便进行了分片，所有的 kube-state-metrics 实例仍会产生针对所有对象的网络流量和反序列化资源开销，而不仅仅是它们所负责的对象。

到目前为止，我得出的结论是按数据类型来分片。Pod 往往会暴露最多的样本，因此优先将其单独拆分出来是合理的。这样我们就可以用一个 Deployment 来暴露 Pod 相关的指标，另一个则负责其余的所有指标。

看起来其他地方也采用了类似的做法，目前运行得还不错