共计 3468 个字符，预计需要花费 9 分钟才能阅读完成。
作者
吕亚霖，2019 年退出作业帮，作业帮架构研发负责人，在作业帮期间主导了云原生架构演进、推动施行容器化革新、服务治理、GO 微服务框架、DevOps 的落地实际。
简介
调度零碎的实质是为计算服务 / 工作匹配适合的资源，使其可能稳固高效地运行，以及在此的根底上进一步提高资源应用密度，而影响利用运行的因素十分多，比方 CPU、内存、IO、差异化的资源设施等等一系列因素都会影响利用运行的体现。同时，独自和整体的资源申请、硬件 / 软件 / 策略限度、亲和性要求、数据区域、负载间的烦扰等因素以及周期性流量场景、计算密集场景、在离线混合等不同的利用场景的交错也带来了决策上的多变。
调度器的指标则是疾速精确地实现这一能力，但疾速和精确这两个指标在资源无限的场景下会往往产生产生矛盾，须要在二者间衡量。
调度器原理和设计
K8s 默认调度器的整体工作框架，能够简略用下图概括：
两个管制循环
- 第一个管制循环，称为 Informer Path。它的次要工作，是启动一系列的 Informer，用来监听（Watch）集群中 Pod、Node、Service 等与调度相干的 API 对象的变动。比方，当一个待调度 Pod 被创立进去之后，调度器就会通过 Pod Informer 的 Handler，将这个待调度 Pod 增加进调度队列；同时，调度器还要负责对调度器缓存 Scheduler Cache 进行更新，并以这个 cache 为参考信息，来进步整个调度流程的性能。
- 第二个管制循环，即为对 pod 进行调度的主循环，称为 Scheduling Path。这一循环的工作流程是一直地从调度队列中取出待调度的 pod，运行 2 个步骤的算法，来选出最优 node。
- 在集群的所有节点中，选出所有“能够”运行该 pod 的节点，这一步被称为 Predicates；
- 在上一步选出的节点中，依据一些列优选算法对节点就行打分，选出“最优”即得分最高的节点，这一步被称为 Priorities。
调度实现之后，调度器就会为 pod 的 spec.NodeName 赋值这个节点，这一步称为 Bind。而为了不在主流程门路中拜访 Api Server 影响性能，调度器只会更新 Scheduler Cache 中的相干 pod 和 node 信息：这种基于乐观的假如的 Api 对象更新形式，在 K8s 中称为 Assume。之后才会创立一个 goroutine 来异步地向 Api Server 发动更新 Bind 操作，这一步就算失败了也没有关系，Scheduler Cache 更新后就会一切正常。
大规模集群调度带来的问题和挑战
K8s 默认调度器策略在小规模集群下有着优异的体现，然而随着业务量级的减少以及业务品种的多样性变动，默认调度策略则逐步透出了局限性：调度维度较少，无并发，存在性能瓶颈，以及调度器越来越简单。
迄今为止，咱们以后单个集群规模节点量千级，pod 量级则在 10w 以上，整体资源分配率超过 60%，其中更是蕴含了 gpu，在离线混合部署等简单场景；在这个过程中，咱们遇到了不少调度方面的问题。
问题 1：高峰期的节点负载不平均
默认调度器，参考的是 workload 的 request 值，如果咱们针对 request 设置的过高，会带来资源的节约；过低则有可能带来高峰期 CPU 不平衡差别重大的状况；应用亲和策略尽管能够肯定水平防止这种，然而须要频繁填充大量的策略，保护老本就会十分大。而且服务的 request 往往不能体现服务实在的负载，带来差别误差。而这种差别误差，会在顶峰时体现到节点负载不均上。
实时调度器，在调度的时候获取各节点实时数据来参加节点打分，然而实际上实时调度在很多场景并不实用，尤其是对于具备显著规律性的业务来说；比方咱们大部分服务晚顶峰流量是平时流量的几十倍，高下峰资源应用差距剧大，而业务发版个别抉择低峰发版，采纳实时调度器，往往发版的时候比拟平衡，到晚顶峰就呈现节点间微小差别，很多实时调度器，往往在呈现微小差别的时候会应用再均衡策略来从新调度，顶峰时段对服务 POD 进行迁徙，服务高可用角度来思考是不事实的。显然实时调度是远远无奈满足业务场景的。
咱们的计划：顶峰预测时调度
所以针对这种状况，须要预测性调度，依据以往顶峰时候 CPU、IO、网络、日志等资源的使用量，通过对服务在节点上进行最优排列组合回归测算，失去各个服务和资源的权重系数，基于资源的权重打分扩大，也就是应用过来顶峰数据来预测将来顶峰节点服务使用量，从而干涉调度节点打分后果。
问题 2：调度维度多样化
随着业务越来越多样性，须要退出更多的调度维度，比方日志。因为采集器不可能有限速率采集日志且日志采集是基于节点维度。须要将均衡日志采集速率，不能各个节点差别过大。局部服务 CPU 使用量个别然而日志输出量很大；而日志并不属于默认调度器决策的一环，所以当这些日志量很大的服务多个服务的 pod 在同一个节点上的时候，该机器上的日志上报就有可能呈现局部提早。
咱们的计划：补全调度决策因子
该问题显然须要咱们对调度决策补全，咱们扩大了预测调度打分策略，增加了日志的决策因子，将日志也作为节点的一种资源，并依据历史监控获取到服务对应的日志使用量来计算分数。
问题 3：大批量服务扩缩导带来的调度时延
随着业务的复杂度进一步回升，在顶峰时段呈现，会有大量定时工作和集中大量弹性扩缩，大批量（上千 POD）同时调度导致调度时延的上涨，这两者对调度工夫比拟敏感，尤其对于定时工作来说，调度延时的上涨会被显著感知到。起因是 K8s 调度 pod 自身是对集群资源的调配，反馈在调度流程上则是预选和打分阶段是程序进行的；如此一来，当集群规模大到肯定水平的时候，大批量更新就会呈现可感知到的 pod 调度提早。
咱们的计划：拆分任务调度器，加大并发调度域、批量调度
解决吞吐能力低下的最间接的办法就是串行改并行，对于资源抢占场景，尽量细化资源域，资源域之间并行。给予以上策略，咱们拆分出了独立的 job 调度器，同时应用了 serverless 作为 job 运行的底层资源。K8s serverless 为每一个 JOB POD，独自申请了独立的 POD 运行 sanbox，也就是任务调度器，是残缺并行。 以下比照图 ：
原生调度器在晚顶峰下节点 CPU 使用率
优化后调度器在晚顶峰下节点 CPU 使用率
总结
work 节点资源、GPU 资源、serverless 资源这就是咱们集群异构资源分属于这三类资源域，这三种资源上运行的服务存在人造的差异性，咱们应用 forecast-scheduler、gpu-scheduler、job-schedule 三个调度器来治理这三种资源域上的 pod 的调度状况。
预测调度器治理大部分在线业务，其中扩大了资源维度，增加了预测打分策略。
GPU 调度器治理 GPU 资源机器的调配，运行在线推理和离线训练，两者的比例处于长期稳定中，顶峰期间离线训练缩容、在线推理扩容；非顶峰期间离线训练扩容、在线推理缩容；同时解决一些离线图片解决工作来复用 GPU 机器上比拟闲暇的 CPU 等资源
Job 调度器负责管理咱们定时工作的调度，定时任务量大且创立销毁频繁，资源应用十分碎片化，而且对实效性要求更高；所以咱们将工作尽量调度到 Serverless 服务上，压缩集群中为了能包容大量的工作而冗余的机器资源，晋升资源利用率。
将来的演进探讨
更细粒度的资源域划分
将资源域划分至节点级别，节点级别加锁来进行。
资源抢占和重调度
失常场景下，当一个 pod 调度失败的时候，这个 pod 会放弃在 pending 的状态，期待 pod 更新或者集群资源发生变化进行从新调度，然而 K8s 调度器仍然存在一个抢占性能，能够使得高优先级 pod 在调度失败的时候，挤走某个节点上的局部低优先级 pod 以保障高优 pod 的失常，迄今为止咱们并没有应用调度器的抢占能力，即便咱们通过以上多种策略来增强调度的准确性，但仍然无奈防止局部场景下因为业务带来的不平衡状况，这种非正常场景中，重调度的能力就有了用武之地，兴许重调度将会成为日后针对异样场景的一种主动修复的形式。
对于咱们
更多对于云原生的案例和常识，可关注同名【腾讯云原生】公众号~
福利：
①公众号后盾回复【手册】，可取得《腾讯云原生路线图手册》&《腾讯云原生最佳实际》~
②公众号后盾回复【系列】，可取得《15 个系列 100+ 篇超实用云原生原创干货合集》，蕴含 Kubernetes 降本增效、K8s 性能优化实际、最佳实际等系列。
③公众号后盾回复【白皮书】，可取得《腾讯云容器平安白皮书》&《降本之源 - 云原生老本治理白皮书 v1.0》
【腾讯云原生】云说新品、云研新术、云游新活、云赏资讯，扫码关注同名公众号，及时获取更多干货！！
