15 庖丁解牛：kube-scheduler

整体概览

+———————————————————-+ Master   +————————-+   +——-> API Server <——–+               v +————————-+ v   +—————-+ ^ +——————–+                   Scheduler     Controller Manager                   +—————-+ v +——————–+   +——————————————————+             Cluster state store             +——————————————————+ +———————————————————-+

在第 3 节《宏观认识：整体架构》 中，我们也认识到了

Scheduler 的存在，知道了 Master 是 K8S 是集群的大脑，

Controller Manager 负责将集群调整至预期的状态，而

Scheduler 则是集群调度器，将预期的

Pod 资源调度到正确的

Node 节点上，进而令该

Pod 可完成启动。本节我们一同来看看它如何发挥如此大的作用。

下文统一使用 kube-scheduler 进行表述

## kube-scheduler 是什么

引用官方文档一句话： The Kubernetes scheduler is a policy-rich, topology-aware, workload-specific function that significantly impacts availability, performance, and capacity.

kube-scheduler 是一个策略丰富，拓扑感知的调度程序，会显著影响可用性，性能和容量。

我们知道资源调度本就是 K8S 这类系统中的一个很复杂的事情，既要能满足系统对资源利用率的需要，同样还需要避免资源竞争，比如说端口冲突之类的。

为了能完成这样的需求，

kube-scheduler 便在不断的迭代和发展，通过支持多种策略满足各类需求，通过感知拓扑避免资源竞争和保障系统的可用性及容量等。

我们在第 5 节下载服务端二进制文件解压后，便可看到

kube-scheduler 的可执行文件。当给它传递

–help 查看其支持参数的时候，便可以看到它支持使用

–address 或者

–bind-address 等参数指定所启动的 HTTP server 所绑定的地址之类的。

它和

kube-controller-manager 有点类似，同样是通过定时的向

kube-apiserver 请求获取信息，并进行处理。而他们所起到的作用并不相同。

## kube-scheduler 有什么作用

从上层的角度来看，

kube-scheduler 的作用就是将待调度的

Pod 调度至最佳的

Node 上，而这个过程中则需要根据不同的策略，考虑到

Node 的资源使用情况，比如端口，内存，存储等。

## kube-scheduler 是如何工作的

整体的过程可通过

pkg/scheduler/core/generic_scheduler.go 的代码来看 func (g /genericScheduler) Schedule(pod /v1.Pod, nodeLister algorithm.NodeLister) (string, error) { trace := utiltrace.New(fmt.Sprintf(“Scheduling %s/%s”, pod.Namespace, pod.Name)) defer trace.LogIfLong(100 /* time.Millisecond) if err := podPassesBasicChecks(pod, g.pvcLister); err != nil { return “”, err } nodes, err := nodeLister.List() if err != nil { return “”, err } if len(nodes) == 0 { return “”, ErrNoNodesAvailable } err = g.cache.UpdateNodeNameToInfoMap(g.cachedNodeInfoMap) if err != nil { return “”, err } trace.Step(“Computing predicates”) startPredicateEvalTime := time.Now() filteredNodes, failedPredicateMap, err := g.findNodesThatFit(pod, nodes) if err != nil { return “”, err } if len(filteredNodes) == 0 { return “”, &FitError{ Pod: pod, NumAllNodes: len(nodes), FailedPredicates: failedPredicateMap, } } metrics.SchedulingAlgorithmPredicateEvaluationDuration.Observe(metrics.SinceInMicroseconds(startPredicateEvalTime)) metrics.SchedulingLatency.WithLabelValues(metrics.PredicateEvaluation).Observe(metrics.SinceInSeconds(startPredicateEvalTime)) trace.Step(“Prioritizing”) startPriorityEvalTime := time.Now() // When only one node after predicate, just use it. if len(filteredNodes) == 1 { metrics.SchedulingAlgorithmPriorityEvaluationDuration.Observe(metrics.SinceInMicroseconds(startPriorityEvalTime)) return filteredNodes[0].Name, nil } metaPrioritiesInterface := g.priorityMetaProducer(pod, g.cachedNodeInfoMap) priorityList, err := PrioritizeNodes(pod, g.cachedNodeInfoMap, metaPrioritiesInterface, g.prioritizers, filteredNodes, g.extenders) if err != nil { return “”, err } metrics.SchedulingAlgorithmPriorityEvaluationDuration.Observe(metrics.SinceInMicroseconds(startPriorityEvalTime)) metrics.SchedulingLatency.WithLabelValues(metrics.PriorityEvaluation).Observe(metrics.SinceInSeconds(startPriorityEvalTime)) trace.Step(“Selecting host”) return g.selectHost(priorityList) }

它的输入有两个：

  • pod ：待调度的

Pod 对象；

  • nodeLister ：所有可用的

Node 列表

备注：

nodeLister 的实现稍微用了点技巧，返回的是

[]/*v1.Node 而不是

v1.NodeList 可避免拷贝带来的性能损失。 type NodeLister interface { List() ([]/*v1.Node, error) }

处理阶段

kube-scheduler 将处理阶段主要分为三个阶段

Computing predicates ，

Prioritizing 和

Selecting host ：

  • Computing predicates ：主要解决的问题是

Pod 能否调度到集群的

Node 上；

主要是通过一个名为

podFitsOnNode 的函数进行实现，在检查的过程中也会先去检查下是否已经有已缓存的判断结果， 当然也会检查

Pod 是否是可调度的，以防有

Pod Affinity (亲合性) 之类的存在。

  • Prioritizing ：主要解决的问题是在上个阶段通过

findNodesThatFit 得到了

filteredNodes 的基础之上解决哪些

Node 是最优的，得到一个优先级列表

priorityList ;

至于优先级的部分，主要是通过下面的代码： for i := range nodes { result = append(result, schedulerapi.HostPriority{Host: nodes[i].Name, Score: 0}) for j := range priorityConfigs { result[i].Score += results[j][i].Score /* priorityConfigs[j].Weight } }

给每个经过第一步筛选出来的

Node 一个

Score ，再按照各种条件进行打分，最终得到一个优先级列表。

  • Selecting host ：则是最终选择

Node 调度到哪台机器上。

最后，则是通过

selectHost 选择出最终要调度到哪台机器上。 func (g /*genericScheduler) selectHost(priorityList schedulerapi.HostPriorityList) (string, error) { if len(priorityList) == 0 { return “”, fmt.Errorf(“empty priorityList”) } sort.Sort(sort.Reverse(priorityList)) maxScore := priorityList[0].Score firstAfterMaxScore := sort.Search(len(priorityList), func(i int) bool { return priorityList[i].Score < maxScore }) g.lastNodeIndexLock.Lock() ix := int(g.lastNodeIndex % uint64(firstAfterMaxScore)) g.lastNodeIndex++ g.lastNodeIndexLock.Unlock() return priorityList[ix].Host, nil }

总结

在本节中，我们介绍了

kube-scheduler 以及它在调度

Pod 的过程中的大致步骤。

不过它实际使用的各种策略及判断条件很多，无法在一节中完全都详细介绍，感兴趣的朋友可以按照本节中提供的思路大致去看看它的实现。

我们通过前面几节的介绍，已经知道了当实际进行部署操作的时候，首先会通过

kubectl 之类的客户端工具与

kube-apiserver 进行交互，在经过一系列的处理后，数据将持久化到

etcd 中；

此时，

kube-controller-manager 通过持续的观察，开始按照我们的配置，将集群的状态调整至预期状态；

而

kube-scheduler 也在发挥作用，决定

Pod 应该调度至哪个或者哪些

Node 上；之后则通过其他组件的协作，最总将该

Pod 在相应的

Node 上部署启动。

我们在下节将要介绍的

kubelet 便是后面这部分“实际部署动作”相关的组件中尤为重要的一个，下节我们再详细介绍它是如何完成这些功能的。

参考资料

https://learn.lianglianglee.com/%e4%b8%93%e6%a0%8f/Kubernetes%20%e4%bb%8e%e4%b8%8a%e6%89%8b%e5%88%b0%e5%ae%9e%e8%b7%b5/15%20%e5%ba%96%e4%b8%81%e8%a7%a3%e7%89%9b%ef%bc%9akube-scheduler.md