1. 课程导论：Kubernetes 调度器架构概览、网络拓扑对调度的影响、eBPF 在可观测性中的角色、容量突增场景定义

1.1 Kubernetes 调度器架构概览

Kubernetes 调度器（kube-scheduler）是控制平面中负责将 Pod 绑定到合适 Node 的核心组件。其工作流程可抽象为 “过滤 → 评分 → 绑定” 三个阶段：

1. 过滤（Predicates / Filtering）：遍历所有 Node，剔除不满足 Pod 资源请求、端口冲突、污点容忍等硬性条件的节点。
2. 评分（Priorities / Scoring）：对通过过滤的 Node 执行多维度打分（如资源利用率、亲和性、拓扑分布），选出最优节点。
3. 绑定（Binding）：将 Pod 与目标 Node 的绑定记录写入 etcd，触发 kubelet 创建容器。

调度器采用 “调度周期” 与 “绑定周期” 分离的插件化架构，每个阶段均可通过调度框架（Scheduling Framework）扩展。默认调度器内置了超过 20 个插件，覆盖资源均衡、节点优选、拓扑约束等场景。

1.2 网络拓扑对调度的影响

在云原生环境中，网络拓扑直接影响 Pod 间的通信延迟与带宽。调度器若忽略网络拓扑，可能导致跨可用区（AZ）或跨机架的大量流量，引发性能抖动与成本上升。

1.3 eBPF 在可观测性中的角色

eBPF（Extended Berkeley Packet Filter）是一种在内核中安全运行沙箱程序的技术，无需修改内核源码或加载内核模块。在 Kubernetes 可观测性领域，eBPF 扮演着 “内核探针” 的角色，能够以极低开销捕获网络、系统调用、文件 I/O 等事件。

• 网络数据包追踪：通过 XDP 或 tc 钩子，实时采集 Pod 间 TCP/UDP 流量、重传率、RTT。
• 系统调用监控：挂载 tracepoint/syscalls，追踪容器进程的文件读写、网络连接建立。
• 资源水位预测：结合 kprobe 与 perf_event，采集 CPU 调度延迟、内存分配频率、网络队列深度，构建时序特征用于容量预测。

1.4 容量突增场景定义

容量突增（Capacity Spike）指集群在短时间内（秒级到分钟级）收到远超正常基线的 Pod 创建请求，导致调度器、kubelet 或网络组件过载。典型场景包括：

• 电商大促：秒杀活动开始瞬间，数千个 Pod 同时扩容。
• CI/CD 流水线：代码合并触发批量构建任务，短时间内创建大量 Job Pod。
• 故障恢复：节点宕机后，控制器批量重建 Pod，引发调度风暴。
• 定时任务：整点 CronJob 集中启动，造成资源争抢。