---
title: Uber separa la intención de escalado de su ejecución en Kubernetes
url: https://www.dataloco.com/es/uber-separa-la-intencion-de-escalado-de-su-ejecucion-en-kubernetes
published: 2026-10-14T07:43:01+00:00
language: es
section: Nube
source: https://www.infoq.cn/article/2SNgaiHoK808v22dl5SJ?utm_source=rss&utm_medium=article
organizations: kubernetes, uber
publisher: Dataloco
---

# Uber separa la intención de escalado de su ejecución en Kubernetes

Uber ha publicado un artículo técnico que describe el nuevo controlador ServiceScale, el cual permite que varios controladores de orquestación gestionen de forma segura el mismo conjunto de cargas de trabajo en Kubernetes. El objetivo es desacoplar la intención de escalado de su ejecución, eliminando la necesidad de reservar capacidad inactiva en cada centro de datos. El equipo de plataformas de contenedores de Uber administra más de 100 clústeres de cálculo distribuidos en centros de datos y proveedores de nube, incluyendo Oracle y Google Cloud, ejecutando alrededor de 4000 servicios que consumen 3 millones de núcleos de CPU al día y generan 1,5 millones de Pods cada 24 horas. El controlador, llamado Uber Deployment Controller (UDC), traduce las intenciones de escalado definidas en la plataforma interna Up en recursos nativos de Kubernetes.

Para manejar fallos regionales, Uber opera centros de datos activos-activos y anteriormente mantenía capacidad ociosa en todos los sitios; ahora busca reutilizar recursos de cargas de trabajo de baja prioridad, escalando hacia arriba las de alta prioridad cuando sea necesario. En lugar de extender UDC con lógica de failover, el equipo introdujo un nuevo tipo de recurso ServiceScale y un controlador de escalado de servicios (SSC) que recopila las intenciones de varios controladores y las armoniza en objetos de Kubernetes. Esta solución evita bases de datos externas o servicios de coordinación adicionales, reduciendo la complejidad en escenarios de emergencia. Las intenciones de escalado se materializan directamente en Kubernetes, lo que simplifica la depuración al permitir a los ingenieros inspeccionar ServiceScale y ver qué controlador desea qué.

Además, el artículo detalla tres prácticas de producción: la primera aborda la consistencia de lectura-escritura mediante anotaciones de versión para evitar el uso de cachés obsoletos; la segunda resuelve conflictos de escritura múltiple mediante observabilidad y corrección automática de ReplicaSets inconsistentes; y la tercera destaca pruebas progresivas con entornos preproducción y herramientas como KubeKind para validar interacciones de controladores sin interrumpir a los usuarios. El proyecto se implementó durante un año con despliegues canary y pruebas integradas, sin generar interrupciones perceptibles para los clientes.

## This story in other languages

- [ไทย](https://www.dataloco.com/th/uber-servicescale-kubernetes)