3. 故障域概念

故障域（Failure Domain）是集群架构中用于隔离故障影响范围的一组物理或逻辑边界。在 Kubernetes 集群中，合理划分故障域能够确保单一组件的失效不会扩散至整个集群，是保障服务高可用性的基础设计原则。

3.1 故障域定义

故障域定义了一组共享同一故障风险因素的资源集合。当该域内的某个关键组件（如电源、网络交换机、机架PDU）发生故障时，域内所有资源都会受到影响。故障域的核心特征包括：

• 共享风险：域内资源依赖相同的底层基础设施。
• 故障隔离：域间故障不应相互传播。
• 层级嵌套：大故障域可包含多个小故障域。
• 资源分布：高可用架构要求副本跨故障域部署。

3.2 常见故障域类型

3.3 故障域对集群稳定性的影响

故障域划分直接影响集群的可用性指标和容灾能力。以下从三个维度分析其影响：

3.3.1 可用性量化影响

假设每个故障域的独立可用性为 A_domain，副本数为 N，跨域部署后的集群可用性计算公式为：

# 跨域部署（N 个副本分布在 N 个不同故障域）
A_cluster = 1 - (1 - A_domain)^N

# 同域部署（N 个副本集中在同一个故障域）
A_cluster = A_domain

以可用区为例，假设单 AZ 可用性为 99.9%（年故障约 8.76 小时），跨 3 个 AZ 部署 3 副本：

A_cluster = 1 - (1 - 0.999)^3 = 1 - 0.001^3 = 0.999999999
年故障时间 ≈ 0.0315 秒

可见，跨故障域部署可将可用性从 99.9% 提升至 99.9999999%。

3.3.2 故障扩散抑制

未合理划分故障域时，单一故障可能引发级联效应：

• 控制面故障：etcd 副本全部位于同一机架，机架断电导致集群完全不可用。
• 数据面故障：所有业务 Pod 集中在同一可用区，该 AZ 网络故障导致服务全部中断。
• 资源争抢：故障域内节点同时触发 OOM，导致剩余节点过载。

3.3.3 容量规划约束

故障域划分对容量突增场景有直接影响：

3.4 故障域拓扑结构

下图展示了从可用区到主机的三层故障域层级关系，以及故障传播路径：

3.5 故障域配置实践

在 Kubernetes 集群中配置故障域标签的标准步骤：

1. 节点打标：在 kubelet 启动参数或节点创建时注入标签。
2. 验证标签：使用 kubectl get nodes --show-labels 确认。
3. 配置反亲和：在 Deployment/StatefulSet 中设置 PodAntiAffinity。
4. 测试故障：模拟单域故障，验证 Pod 是否重新调度到其他域。

# 节点打标示例（kubelet 启动参数）
--node-labels="topology.kubernetes.io/zone=az-a,topology.kubernetes.io/rack=r1"

# Pod 反亲和配置示例
apiVersion: apps/v1
kind: Deployment
spec:
  template:
    spec:
      affinity:
        podAntiAffinity:
          requiredDuringSchedulingIgnoredDuringExecution:
          - labelSelector:
              matchExpressions:
              - key: app
                operator: In
                values:
                - my-app
            topologyKey: topology.kubernetes.io/zone