1. 课程导论：容器镜像拉取的性能瓶颈与网络拓扑感知的核心理念
在云原生时代，容器化部署已成为应用交付的标准方式。然而，随着微服务架构的普及和集群规模的扩大，容器镜像拉取逐渐成为制约工作负载启动速度的关键瓶颈。本章将系统分析镜像拉取的性能损耗来源，并引入网络拓扑感知这一核心优化理念。
1.1 镜像拉取的性能瓶颈分析
容器镜像由多层只读的 layer 组成，拉取过程本质上是将远程仓库中的 layer 数据通过网络传输到本地节点。在大型集群中，这一过程面临以下主要瓶颈：
| 瓶颈维度 | 具体表现 | 典型影响 |
|---|---|---|
| 网络带宽 | 节点与镜像仓库之间的链路带宽有限，多节点并发拉取时易拥塞 | 拉取时间随并发数线性增长 |
| 传输延迟 | 跨数据中心或跨地域拉取时，RTT 较高，TCP 慢启动阶段耗时增加 | 小文件层（如配置层）延迟占比显著 |
| 仓库负载 | 中心化镜像仓库成为单点瓶颈，QPS 和吞吐量受限 | 请求排队、连接超时、拉取失败 |
| 层复用率低 | 节点本地缓存命中率低，大量重复层从远端重复拉取 | 存储和网络资源双重浪费 |
| 调度无视网络 | 调度器仅考虑 CPU/内存，未将镜像拉取成本纳入决策 | Pod 被调度到远离缓存或仓库的节点 |
关键数据： 在 1000 节点规模的 Kubernetes 集群中，镜像拉取时间占 Pod 启动总时间的 60%~80%。其中，跨机架拉取比同机架拉取平均慢 3~5 倍。
1.2 网络拓扑感知的核心理念
网络拓扑感知的核心思想是：将集群的网络结构（机架、交换机、数据中心、可用区）作为调度和镜像分发的一等公民，使调度决策和数据传输路径能够感知并利用物理网络的局部性，从而减少跨跳传输、提升拉取效率。
其核心理念可概括为以下三个层次：
- 拓扑发现与建模：自动采集集群的网络拓扑信息，包括节点间的网络距离、带宽、延迟、跳数等，构建可量化的拓扑图。
- 亲和性调度：调度器在分配 Pod 时，优先选择与目标镜像缓存节点位于同一机架或同一交换机下的计算节点，减少跨网络跳转。
- 拓扑感知分发：镜像分发系统（如 P2P 代理、预热组件）根据拓扑信息，优先从最近的缓存节点或对等节点拉取 layer，避免回源到远端仓库。
类比理解： 网络拓扑感知类似于 CDN 的“边缘节点”策略——将内容缓存到离用户最近的位置。在容器集群中，每个节点既是消费者，也可以成为其他节点的“边缘缓存”。
1.3 传统调度 vs 拓扑感知调度
下表直观对比了传统调度模式与引入网络拓扑感知后的调度模式在关键维度上的差异：
| 对比维度 | 传统调度 | 拓扑感知调度 |
|---|---|---|
| 调度依据 | CPU、内存、GPU 等计算资源 | 计算资源 + 网络拓扑 + 镜像缓存位置 |
| 镜像拉取路径 | 所有节点均从中心仓库拉取 | 优先从同机架/同交换机缓存节点拉取 |
| 网络开销 | 跨机架、跨交换机流量高 | 流量集中在机架内部，跨跳数减少 |
| 启动延迟 | 受仓库负载和网络拥塞影响大 | 利用局部性显著降低 P99 启动时间 |
| 可扩展性 | 仓库易成为瓶颈，集群规模受限 | 分布式缓存 + 拓扑感知，支持水平扩展 |
1.4 课程目标与学习路径
本课程将围绕“网络拓扑感知的镜像拉取优化”这一主线，从理论到实践，逐步深入：
- 基础篇（第 2~5 章）：深入容器镜像的 layer 结构、拉取协议（Docker Hub、Harbor、containerd 快照器），以及网络拓扑的采集与建模方法。
- 调度优化篇（第 6~12 章）：设计拓扑感知调度器插件，实现镜像缓存亲和性调度，并结合实际集群拓扑进行调度策略调优。
- 分发加速篇（第 13~20 章）：构建 P2P 镜像分发网络（如 Dragonfly、Kraken），实现拓扑感知的 layer 预热与缓存淘汰策略。
- 实战与进阶篇（第 21~30 章）：在真实集群中部署拓扑感知系统，进行性能基准测试、故障演练，并探讨与 CRI、CNI 的深度集成方案。
前置要求： 建议读者具备 Kubernetes 调度器扩展、containerd 快照机制、以及基础网络协议（TCP/IP、HTTP/2）的基本知识。本课程将提供必要的代码示例和配置模板。