1. 故障域概念：什么是故障域，为什么在 K8s 中需要划分故障域

1.1 故障域的定义与层级

故障域（Fault Domain）是指系统中一组共享单一故障点的物理或逻辑资源集合。当该故障点失效时，集合内的所有资源将同时不可用。在数据中心与 Kubernetes 集群中，故障域通常按物理隔离粒度划分为三个层级：Region（区域）、Availability Zone（可用区） 和 Rack（机架）。

1.2 为什么 Kubernetes 需要划分故障域

Kubernetes 的调度器默认以 Pod 为最小单位进行调度，但它并不天然感知底层物理拓扑。如果不显式划分故障域，调度器可能将同一个 Deployment 的所有副本全部调度到同一台物理机或同一个机架上，导致单点故障引发整个应用不可用。划分故障域的核心目的包括：

• 高可用与容灾：将应用副本分散到不同 AZ 或 Rack，确保单个故障域失效时仍有副本提供服务。
• 流量与负载均衡：避免所有流量集中到同一网络路径或同一组物理节点，降低局部过载风险。
• 可观测性边界：故障域是告警聚合和指标下钻的自然维度，便于快速定位故障影响范围。
• 资源预留与成本控制：通过拓扑约束（Topology Spread Constraints）和 Pod 反亲和性，精确控制资源分布策略。

1.3 故障域在 K8s 中的表达方式

Kubernetes 通过 Node 标签（Labels） 和 拓扑键（Topology Keys） 来表达故障域。每个 Node 在加入集群时，云厂商或运维人员会为其打上对应的拓扑标签：

# 查看节点拓扑标签示例
kubectl get nodes --show-labels

# 输出片段（以阿里云 ACK 为例）
node-1  labels: ...
  topology.kubernetes.io/region=cn-hangzhou
  topology.kubernetes.io/zone=cn-hangzhou-f
  kubernetes.io/hostname=node-1
  failure-domain.beta.kubernetes.io/region=cn-hangzhou
  failure-domain.beta.kubernetes.io/zone=cn-hangzhou-f

在 Pod 调度时，通过 topologySpreadConstraints 或 podAntiAffinity 引用这些拓扑键，即可实现故障域感知的分布策略：

apiVersion: apps/v1
kind: Deployment
metadata:
  name: web-app
spec:
  replicas: 6
  template:
    spec:
      topologySpreadConstraints:
        - maxSkew: 1
          topologyKey: topology.kubernetes.io/zone
          whenUnsatisfiable: DoNotSchedule
        - maxSkew: 1
          topologyKey: kubernetes.io/hostname
          whenUnsatisfiable: ScheduleAnyway

1.4 故障域划分对可观测性的影响

在指标采集与告警分层设计中，故障域是天然的下钻维度。没有故障域标签的指标是“平面化”的，无法区分故障是局部机架问题还是整个区域灾难。划分故障域后，可观测性系统可以实现：

• 指标多维聚合：按 region、zone、hostname 聚合 CPU、内存、网络等资源指标，快速识别异常范围。
• 告警分层抑制：当某个 AZ 整体宕机时，上层 Region 告警应抑制该 AZ 内所有主机级告警，避免告警风暴。
• 故障域感知的 SLO 计算：计算跨 AZ 部署的应用可用性时，需排除单个 AZ 故障对整体 SLO 的影响。

1.5 常见误区与避坑指南