📚 课程目录第3章默认调度策略详解

3. 默认调度策略详解：节点选择、节点亲和性、Pod亲和性与反亲和性、污点与容忍度

Kubernetes 调度器（kube-scheduler）的核心职责是将待调度的 Pod 绑定到最合适的节点上。默认调度策略并非单一算法，而是一套由 过滤（Predicates） 和 打分（Priorities） 组成的多阶段决策流程。本章深入解析节点选择、节点亲和性、Pod 亲和性与反亲和性、污点与容忍度四大核心机制，帮助 SRE 精准控制 Pod 分布。

3.1 调度两阶段：过滤与打分

调度器对每个待调度 Pod 依次执行两个阶段：

过滤阶段（Filtering）：遍历所有节点，剔除不满足 Pod 硬性约束的节点（如资源不足、端口冲突、污点不匹配）。
打分阶段（Scoring）：对通过过滤的节点按优先级策略打分，选出最优节点。

  关键指标： 调度延迟（Scheduling Latency）应控制在 100ms 以内；若过滤阶段耗时过长，需检查节点规模或启用调度器缓存。

3.2 节点选择：nodeName 与 nodeSelector

节点选择是最基础的调度约束，分为显式指定和标签匹配两种方式。

机制	描述	适用场景	限制
nodeName	直接指定节点名称，跳过调度器过滤	调试、单节点部署、DaemonSet 辅助	节点不可用则 Pod 无法调度；不灵活
nodeSelector	基于节点标签（label）的简单匹配	按硬件类型（如 GPU）、环境（如 prod/staging）分组	仅支持等值匹配（In/NotIn 需用节点亲和性）

# nodeName 示例
apiVersion: v1
kind: Pod
metadata:
  name: fixed-node-pod
spec:
  nodeName: worker-01
  containers:
  - name: nginx
    image: nginx

# nodeSelector 示例
apiVersion: v1
kind: Pod
metadata:
  name: gpu-pod
spec:
  nodeSelector:
    hardware-type: gpu
  containers:
  - name: cuda-app
    image: nvidia/cuda:12.0

3.3 节点亲和性：精细化节点选择

节点亲和性（Node Affinity）是 nodeSelector 的升级版，支持更丰富的匹配逻辑和调度阶段控制。分为 requiredDuringSchedulingIgnoredDuringExecution（硬约束）和 preferredDuringSchedulingIgnoredDuringExecution（软约束）。

最佳实践： 硬约束用于强制 Pod 必须运行在特定拓扑（如可用区）；软约束用于优化性能（如优先选择 SSD 节点），但允许降级。

apiVersion: v1
kind: Pod
metadata:
  name: node-affinity-pod
spec:
  affinity:
    nodeAffinity:
      requiredDuringSchedulingIgnoredDuringExecution:
        nodeSelectorTerms:
        - matchExpressions:
          - key: topology.kubernetes.io/zone
            operator: In
            values:
            - us-east-1a
            - us-east-1b
      preferredDuringSchedulingIgnoredDuringExecution:
      - weight: 80
        preference:
          matchExpressions:
          - key: disk-type
            operator: In
            values:
            - ssd
  containers:
  - name: app
    image: myapp:latest

3.4 Pod 亲和性与反亲和性：Pod 间拓扑控制

Pod 亲和性（Pod Affinity）与反亲和性（Pod Anti-Affinity）控制 Pod 之间的相对位置，常用于微服务就近部署或高可用分散。

类型	语义	典型场景	性能影响
Pod 亲和性	将 Pod 调度到与目标 Pod 相同的拓扑域	缓存与计算服务同节点部署，减少网络延迟	增加调度器计算量，需配合 topologyKey
Pod 反亲和性	将 Pod 调度到与目标 Pod 不同的拓扑域	多副本分散到不同节点/可用区，提升容灾	required 模式可能降低集群利用率

# Pod 反亲和性：确保同一 Deployment 的副本分散在不同节点
apiVersion: apps/v1
kind: Deployment
metadata:
  name: web-server
spec:
  replicas: 3
  selector:
    matchLabels:
      app: web
  template:
    metadata:
      labels:
        app: web
    spec:
      affinity:
        podAntiAffinity:
          requiredDuringSchedulingIgnoredDuringExecution:
          - labelSelector:
              matchExpressions:
              - key: app
                operator: In
                values:
                - web
            topologyKey: kubernetes.io/hostname
      containers:
      - name: nginx
        image: nginx

避坑提示： Pod 反亲和性使用 required 模式时，若副本数超过可用拓扑域数量（如 5 副本但只有 3 节点），部分 Pod 将处于 Pending 状态。建议生产环境使用 preferred 模式或增加节点。

3.5 污点与容忍度：节点排斥与 Pod 准入

污点（Taint）是节点对 Pod 的排斥标记，容忍度（Toleration）是 Pod 对污点的豁免声明。两者共同实现节点隔离、专用节点和故障驱逐等场景。

3.5.1 污点三要素

Key：污点标识符，如 node.kubernetes.io/unreachable
Value：可选，用于更细粒度匹配
Effect：调度影响，包括：
- NoSchedule：不调度新 Pod（已有 Pod 不受影响）
- PreferNoSchedule：尽量不调度，软约束
- NoExecute：不调度新 Pod，并驱逐已有不匹配的 Pod

3.5.2 容忍度匹配规则

污点 Effect	容忍度 Operator	匹配行为
NoSchedule	Equal / Exists	Pod 可调度到该节点
PreferNoSchedule	Equal / Exists	调度器尽量避开，但不强制
NoExecute	Equal / Exists	Pod 可运行；若未容忍，则被驱逐

# 给节点添加污点：禁止普通 Pod 调度
kubectl taint nodes worker-02 dedicated=ml:NoSchedule

# Pod 容忍度示例：允许运行在专用 ML 节点
apiVersion: v1
kind: Pod
metadata:
  name: ml-pod
spec:
  tolerations:
  - key: "dedicated"
    operator: "Equal"
    value: "ml"
    effect: "NoSchedule"
  containers:
  - name: pytorch
    image: pytorch/pytorch:latest

3.6 综合调度流程：从过滤到绑定的完整链路

以下 SVG 图展示默认调度策略中节点选择、亲和性、污点容忍度的协同工作流程。

3.7 实战排查：调度失败常见原因

当 Pod 处于 Pending 状态时，按以下步骤快速定位：

检查事件：kubectl describe pod <pod-name> 查看 Events 字段
验证节点资源：kubectl describe node <node-name> 查看 Allocatable 和 Conditions
确认污点：kubectl describe node <node-name> | grep Taints
检查亲和性规则：确认 labelSelector 和 topologyKey 是否匹配现有节点标签

  SRE 排查口诀： 先看事件后看节点，污点标签逐个检；资源不足加节点，亲和规则别写反。

3.8 性能优化：调度器配置调优

对于大规模集群（节点数 > 500），默认调度策略可能成为瓶颈。以下参数可在 kube-scheduler 配置中调整：

参数	默认值	推荐值（大规模）	说明
`percentageOfNodesToScore`	50%	10%	减少打分阶段扫描节点数，降低延迟
`bindTimeoutSeconds`	100	30	缩短绑定超时，快速失败重试
`podInitialBackoffSeconds`	1	5	调度失败后初始重试间隔

通过合理组合节点选择、亲和性规则和污点容忍度，SRE 可以实现从简单隔离到复杂拓扑感知的精细化调度控制，为上层应用提供稳定、高性能的运行环境。