1. 课程导论：容器网络拓扑感知调度的背景、价值与挑战
1.1 为什么需要拓扑感知调度？
在传统 Kubernetes 调度中，调度器（kube-scheduler）默认以“节点资源均衡”为优先目标，将 Pod 分配到满足 CPU、内存等资源需求的任意节点上。这种调度模式在早期单体应用或微服务规模较小时运行良好，但随着 AI 训练、大数据处理、高性能计算（HPC）以及边缘计算等场景的普及，Pod 之间、Pod 与后端存储或 GPU 加速器之间的数据交换量呈指数级增长，网络延迟与带宽瓶颈逐渐成为系统性能的主要制约因素。
下图展示了传统调度与拓扑感知调度在数据流路径上的核心差异：
关键数据：在 AI 分布式训练场景中，跨节点通信延迟每增加 10μs，训练吞吐量可能下降 5%~15%；跨可用区（AZ）的网络带宽通常仅为同机架带宽的 1/10~1/5。拓扑感知调度正是为了解决这类“网络拓扑不匹配”带来的性能损失。
1.2 拓扑感知调度的核心价值
拓扑感知调度并非简单的“就近调度”，它通过将网络拓扑信息（如节点所在机架、交换机层级、NUMA 域、可用区等）纳入调度决策，实现以下四个维度的价值提升：
| 价值维度 | 具体收益 | 典型场景 |
|---|---|---|
| 降低通信延迟 | 将频繁通信的 Pod 调度到同节点或同机架，减少网络跳数 | AI 分布式训练（AllReduce）、实时推理 |
| 提升网络带宽利用率 | 避免跨 ToR（Top of Rack）交换机或跨 AZ 的带宽瓶颈 | 大数据 Shuffle、HPC MPI 作业 |
| 优化资源局部性 | Pod 与 GPU/NUMA 节点、本地 SSD 等资源保持拓扑亲和 | GPU 密集型任务、数据库缓存层 |
| 降低云成本 | 减少跨 AZ 数据传输费用，提高节点装箱率 | 多云/混合云部署、Spot 实例管理 |
1.3 当前面临的主要挑战
尽管拓扑感知调度的收益显著，但在实际落地过程中，Kubernetes 社区和业界仍面临以下核心挑战：
- 拓扑信息的动态性与不确定性：网络拓扑并非静态不变——节点扩缩容、交换机故障、网络策略变更都会导致拓扑结构变化。调度器需要实时感知并更新拓扑视图，同时避免因信息过时而做出错误调度决策。
- 调度复杂度与性能权衡：引入拓扑约束后，调度器的过滤（Filter）和打分（Score）阶段需要处理更多维度的数据。在大型集群（数千节点）中，拓扑感知算法的计算复杂度可能显著增加调度延迟，影响 Pod 启动速度。
- 多维度拓扑的冲突与优先级：一个 Pod 可能同时存在 NUMA 亲和、机架亲和、可用区反亲和等多种拓扑约束。如何定义这些约束的优先级、如何处理冲突（例如：NUMA 亲和与跨 AZ 高可用之间的矛盾）是调度策略设计的难点。
- 与现有调度插件的兼容性：Kubernetes 调度器采用插件化架构（Scheduling Framework）。拓扑感知调度需要与 NodeResourcesFit、NodeAffinity、TaintToleration 等现有插件协同工作，避免出现“插件打架”导致调度失败或性能退化。
- 拓扑信息的标准化与可扩展性：不同基础设施（物理机、虚拟机、边缘设备）的拓扑模型差异巨大。Kubernetes 社区通过
topology.kubernetes.io/zone、topology.kubernetes.io/region等标准标签定义了基础拓扑，但自定义拓扑（如 GPU 互联拓扑、存储网络拓扑）仍缺乏统一的表达和发现机制。
实践警示：在引入拓扑感知调度时，切忌“一刀切”地强制所有工作负载使用拓扑约束。对于无状态、低通信量的微服务，拓扑感知可能反而降低调度灵活性、增加碎片化。建议先对工作负载进行通信模式分析，再决定是否启用拓扑感知策略。
1.4 拓扑感知调度的技术体系全景
为了系统性地解决上述挑战，本课程将围绕以下技术体系展开：
1.5 课程学习路径与预期收获
本课程共 30 章，分为以下五个阶段：
| 阶段 | 章节范围 | 核心内容 | 实践产出 |
|---|---|---|---|
| 基础篇 | 第 1~5 章 | 网络拓扑基础、Kubernetes 调度架构、拓扑信息模型 | 搭建拓扑感知实验环境 |
| 原理篇 | 第 6~12 章 | Scheduling Framework 插件开发、拓扑过滤与打分算法 | 实现自定义拓扑感知 Filter 插件 |
| 进阶篇 | 第 13~20 章 | NUMA 感知、GPU 拓扑、带宽感知、多维度拓扑冲突处理 | 构建 NUMA+GPU 联合拓扑调度器 |
| 实践篇 | 第 21~26 章 | 生产环境部署、性能基准测试、拓扑感知重调度 | 完成拓扑感知调度性能压测报告 |
| 扩展篇 | 第 27~30 章 | 边缘拓扑感知、多云拓扑、社区 SIG-Scheduling 动态 | 设计边缘-云协同拓扑调度方案 |
学习建议：如果你对 Kubernetes 调度器已有一定了解，可以直接从第 6 章开始；如果是初学者，建议按顺序学习，并完成每章末尾的动手实验。本课程所有代码示例均基于 Kubernetes 1.28+ 版本，使用 Go 1.21+ 开发。