2. Kubernetes 控制平面基础：API Server、etcd、Scheduler、Controller Manager 的核心职责与资源消耗模型

Kubernetes 控制平面是集群的“大脑”，负责全局决策与状态管理。在生产环境中，控制平面组件的资源配额直接决定了集群的稳定性与性能上限。本章深入剖析四大核心组件的职责与资源消耗模型，为后续 Ingress 网关的性能调优奠定基础。

2.1 控制平面组件全景

控制平面由四个核心组件构成，它们协同工作，将用户声明式配置转化为实际运行的容器化应用。下图展示了组件间的交互关系与数据流向。

2.2 核心组件职责详解

2.2.1 kube-apiserver：控制平面的统一入口

API Server 是 Kubernetes 控制平面的前端，所有对集群状态的查询与变更都必须经过它。它负责认证、授权、准入控制、请求验证以及 REST API 的暴露。

• 认证与授权：支持 TLS 客户端证书、Bearer 、OpenID Connect 等多种认证方式，结合 RBAC 进行细粒度授权。
• 准入控制：通过 Admission Webhook 和内置准入插件（如 NamespaceLifecycle、ResourceQuota）在持久化前对请求进行修改或校验。
• 请求处理流程：认证 → 授权 → 准入控制 → 验证 → 持久化到 etcd → 返回响应。

2.2.2 etcd：集群状态的持久化存储

etcd 是一个强一致性的分布式键值存储，保存了集群的所有配置数据、状态信息以及资源对象。它是控制平面的“单点真相源”。

• 数据模型：以 key-value 形式存储，key 按资源类型和命名空间组织，value 为序列化的 JSON 或 Protobuf 对象。
• 一致性保证：基于 Raft 共识算法，确保所有节点数据一致，支持 Watch 机制实时推送变更。
• 性能瓶颈：磁盘 I/O 和网络延迟直接影响 API Server 的响应速度，频繁的 List-Watch 操作会放大 etcd 负载。

2.2.3 kube-scheduler：Pod 调度决策引擎

Scheduler 负责为新创建的 Pod 选择最合适的 Node。它通过过滤（Predicates）和打分（Priorities）两阶段算法完成调度决策。

• 过滤阶段：排除不满足 Pod 资源请求、节点亲和性、污点容忍等约束的节点。
• 打分阶段：对剩余节点按资源利用率、Pod 分布均衡性等策略进行评分，选择最优节点。
• 调度周期：每个 Pod 的调度过程独立，调度队列中的 Pod 按优先级顺序处理。

2.2.4 kube-controller-manager：状态调节器

Controller Manager 运行多个独立的控制器循环，每个控制器负责将当前状态调节至期望状态。常见的控制器包括 Deployment Controller、ReplicaSet Controller、Node Controller、Endpoint Controller 等。

• 控制循环模式：通过 Informer 监听 API Server 的资源变更事件，触发对应的调和逻辑。
• 并发模型：每个控制器使用独立的工作队列和 worker 池，默认并发数为 5~10，可根据负载调整。
• 典型控制器：Deployment Controller 管理副本数滚动更新，Node Controller 监控节点心跳并驱逐异常节点。

2.3 资源消耗模型与关键指标

控制平面组件的资源消耗并非线性，而是与集群规模、API 请求频率、资源对象数量强相关。下表总结了各组件的主要资源消耗特征。

组件	CPU 消耗特征	内存消耗特征	关键瓶颈指标
kube-apiserver	请求处理、TLS 加解密、JSON 序列化/反序列化	缓存所有资源对象的 Watch 连接状态	QPS、请求延迟 P99、etcd 响应时间
etcd	Raft 日志复制、MVCC 事务处理	存储所有资源对象数据（含历史版本）	磁盘 fsync 延迟、DB 大小、Watch 连接数
kube-scheduler	调度算法计算（过滤+打分）	缓存集群节点信息和 Pod 调度队列	调度吞吐量（Pod/sec）、调度延迟
kube-controller-manager	控制器调和循环、Informer 事件处理	缓存资源对象的 Informer 本地存储	工作队列深度、调和循环执行时间

2.4 资源配额模型与调优方向

在生产环境中，控制平面组件通常以静态 Pod 或 DaemonSet 形式运行在 Master 节点上。资源配额设置不当会导致集群响应变慢、调度延迟增加甚至控制平面不可用。

调优方向应聚焦于以下三点：

1. API Server 缓存优化：增大 --cache-size 参数，减少对 etcd 的重复查询。
2. etcd 性能调优：使用高性能 SSD、调整 --snapshot-count 和 --heartbeat-interval 参数。
3. Scheduler 并发提升：增加 --kube-api-qps 和 --kube-api-burst 参数，提高调度吞吐量。

2.5 组件间依赖与故障隔离

控制平面组件之间存在明确的依赖关系，理解这些依赖有助于设计高可用架构和故障隔离策略。

2.6 性能监控关键指标

实时监控控制平面组件的性能指标是调优的基础。以下指标应纳入监控系统，并设置告警阈值。

组件	关键指标	告警阈值建议	说明
kube-apiserver	apiserver_request_duration_seconds{quantile="0.99"}	> 1s	P99 请求延迟超过 1 秒表示性能瓶颈
etcd	etcd_disk_wal_fsync_duration_seconds{quantile="0.99"}	> 10ms	磁盘 fsync 延迟过高影响写入性能
kube-scheduler	scheduler_e2e_scheduling_duration_seconds{quantile="0.99"}	> 5s	端到端调度延迟超过 5 秒需排查
kube-controller-manager	workqueue_depth{name="*"}	> 100	工作队列深度持续增长表明控制器处理能力不足