2. Kubernetes 节点池基础

2.1 节点池的概念

节点池（Node Pool）是 Kubernetes 集群中一组具有相同配置、标签、污点和资源的节点集合。在托管 Kubernetes 服务（如 AKS、EKS、GKE、TKE）中，节点池是管理同质化工作节点的基本单元。每个节点池内的节点共享相同的实例规格、操作系统、磁盘类型和初始化脚本，从而简化了集群的扩缩容与运维操作。

2.2 节点池的作用

2.3 常见使用场景

2.3.1 弹性伸缩场景

节点池是 Kubernetes 弹性伸缩的基础单元。当工作负载 Pod 因资源不足而处于 Pending 状态时，Cluster Autoscaler 会检查所有节点池的剩余容量，并触发对应节点池的扩容操作。缩容时则根据节点利用率逐步回收空闲节点。

2.3.2 混合机型场景

现代云原生应用通常包含多种类型的工作负载，单一机型无法满足所有需求。通过节点池可以实现混合机型管理：

• 标准型节点池：运行常规微服务、Web 应用，平衡计算与内存资源。
• 计算型节点池：运行批处理任务、CI/CD 构建、视频转码等 CPU 密集型工作负载。
• 内存型节点池：运行缓存、数据库、内存分析等内存密集型应用。
• GPU 型节点池：运行 AI 训练、推理、图形渲染等需要 GPU 加速的工作负载。
• 竞价实例节点池：运行无状态、可中断的弹性任务，大幅降低成本。

2.3.3 节点池升级与镜像预拉取场景

节点池的升级操作（如更新操作系统版本、Kubernetes 版本、容器运行时）通常采用滚动升级策略。在升级过程中，新节点加入集群前需要拉取业务镜像，这一过程往往成为升级速度的瓶颈。容器镜像预拉取策略正是为了解决这一问题而设计——在节点加入集群之前，提前将目标镜像拉取到节点本地，从而加速节点就绪时间。

2.4 节点池与工作负载的关联

工作负载通过 nodeSelector、节点亲和性（nodeAffinity） 或 污点容忍（Toleration） 将 Pod 调度到指定的节点池。以下是一个将 Pod 调度到 GPU 节点池的示例：

apiVersion: v1
kind: Pod
metadata:
  name: gpu-inference-pod
spec:
  containers:
  - name: inference
    image: inference-server:latest
    resources:
      requests:
        nvidia.com/gpu: 1
      limits:
        nvidia.com/gpu: 1
  nodeSelector:
    type: gpu
  tolerations:
  - key: "nvidia.com/gpu"
    operator: "Exists"
    effect: "NoSchedule"

2.5 节点池的生命周期管理

节点池的典型生命周期包含以下阶段：

1. 创建：指定实例规格、磁盘大小、操作系统、初始节点数、标签和污点。
2. 扩缩容：手动调整节点数或通过 Cluster Autoscaler 自动调整。
3. 升级：滚动升级节点池内的节点（Kubernetes 版本、操作系统、容器运行时）。
4. 维护：替换故障节点、打安全补丁、更新配置。
5. 删除：清空节点上的 Pod 后移除节点池。

2.6 节点池配置示例（TKE / AKS）

以下是一个使用 Terraform 创建混合节点池的配置片段：

# 标准型节点池
resource "tencentcloud_kubernetes_node_pool" "standard" {
  cluster_id     = tencentcloud_kubernetes_cluster.main.id
  name           = "standard-pool"
  node_count     = 3
  max_size       = 10
  min_size       = 1
  instance_type  = "S5.LARGE8"    # 4C8G
  subnet_ids     = [var.subnet_id]
  labels = {
    "type" = "standard"
  }
}

# GPU 型节点池
resource "tencentcloud_kubernetes_node_pool" "gpu" {
  cluster_id     = tencentcloud_kubernetes_cluster.main.id
  name           = "gpu-pool"
  node_count     = 1
  max_size       = 5
  min_size       = 0
  instance_type  = "GN10X.LARGE96" # 8C32G V100
  subnet_ids     = [var.subnet_id]
  labels = {
    "type" = "gpu"
  }
  taints {
    key    = "nvidia.com/gpu"
    value  = "true"
    effect = "NoSchedule"
  }
}