📚 课程目录第1章故障域基础概念

1. 故障域基础概念

1.1 什么是故障域（Failure Domain）

故障域是系统中一组共享单一故障点的资源集合。当该故障点失效时，集合内的所有资源都会受到影响。在分布式系统和 Kubernetes 集群中，故障域是进行高可用设计、资源隔离和容灾规划的基本单元。

  核心定义：故障域 = 共享同一故障边界的资源组。边界内的任意组件失效，将导致整个域内的服务或数据不可用。

常见的故障域层级包括：

物理机级别：同一台服务器上的所有进程共享电源、网卡、磁盘。
机架级别：同一机架内的服务器共享 PDU（电源分配单元）和 ToR（Top of Rack）交换机。
数据中心级别：同一数据中心共享建筑供电、制冷、网络骨干。
地域级别：同一地理区域可能受自然灾害（地震、洪水）影响。

1.2 可用区（Availability Zone）与地域（Region）的关系

在云原生环境中，地域（Region）和可用区（Availability Zone，AZ）是故障域划分的标准模型。两者之间的关系可以用下表清晰说明：

维度	地域（Region）	可用区（AZ）
定义	独立的地理区域，包含多个可用区	地域内独立的物理位置，拥有独立的电力、冷却和网络
故障隔离范围	跨地域故障极少发生（自然灾害级别）	单 AZ 故障不影响其他 AZ
网络延迟	跨地域延迟较高（10-100ms+）	同地域内 AZ 间延迟极低（1-2ms）
典型用途	数据主权、全球部署、异地容灾	高可用架构、负载均衡、故障转移
K8s 映射	多集群联邦（Multi-Cluster Federation）	节点标签 + Pod 拓扑分布约束

下图展示了 Region 与 AZ 的层级关系以及故障域的隔离边界：

1.3 故障域在 K8s 中的重要性

Kubernetes 作为容器编排平台，其核心价值之一就是通过故障域感知实现工作负载的高可用。如果集群不感知故障域，Pod 可能全部调度到同一个可用区或同一台物理机，一旦该故障域失效，整个应用将完全不可用。

常见误区：很多团队认为只要部署了多个 Pod 副本就实现了高可用。但如果所有副本都落在同一个故障域（例如同一个机架或同一个 AZ），那么该故障域的任何问题都会导致全部副本同时失效。故障域划分是真正高可用的前提。

故障域在 K8s 中的具体作用体现在以下方面：

K8s 能力	故障域关联	实际效果
Pod 拓扑分布约束 `topologySpreadConstraints`	按节点、可用区、地域等拓扑键均匀分布 Pod	避免单点故障导致全部 Pod 不可用
Pod 反亲和性 `podAntiAffinity`	强制同一应用的 Pod 分布在不同故障域	确保故障域隔离，提升可用性
节点亲和性 `nodeAffinity`	将关键工作负载调度到特定故障域的节点	满足合规、延迟或硬件要求
PV/PVC 本地卷调度	Pod 必须调度到数据所在的故障域节点	避免跨 AZ 访问导致性能下降
集群自动扩缩容 `Cluster Autoscaler`	按故障域维度触发节点组扩缩	保证各 AZ 资源均衡，避免单 AZ 过载

下图展示了在 K8s 集群中，通过拓扑分布约束将 3 个 Pod 副本均匀分布到 3 个不同可用区的调度策略：

1.4 故障域划分的最佳实践

SRE 建议：在规划 K8s 集群时，至少使用 3 个可用区部署控制平面和数据平面。对于关键生产应用，确保每个工作负载的 Pod 副本数 ≥ 3，且通过拓扑分布约束强制跨 AZ 分布。

故障域划分的落地步骤：

识别故障边界：梳理物理机、机架、交换机、PDU、数据中心、云服务商 AZ/Region 等层级。
标记节点拓扑：通过节点标签（topology.kubernetes.io/zone、topology.kubernetes.io/region）将故障域信息注入 K8s。
配置调度策略：使用 topologySpreadConstraints 和 podAntiAffinity 约束 Pod 分布。
验证与监控：定期检查 Pod 分布是否均衡，监控各故障域的资源水位和健康状态。

以下是一个典型的拓扑分布约束配置示例：

apiVersion: apps/v1
kind: Deployment
metadata:
  name: web-app
spec:
  replicas: 3
  template:
    spec:
      topologySpreadConstraints:
        - maxSkew: 1
          topologyKey: topology.kubernetes.io/zone
          whenUnsatisfiable: DoNotSchedule
          labelSelector:
            matchLabels:
              app: web-app
      containers:
        - name: nginx
          image: nginx:1.25

  关键参数说明：

  maxSkew: 1 — 任意两个可用区之间的 Pod 数量差异不超过 1。

  topologyKey: topology.kubernetes.io/zone — 按可用区拓扑键进行分布。

  whenUnsatisfiable: DoNotSchedule — 无法满足约束时不调度，避免破坏故障域隔离。