一、简介

kube-scheduler 负责把 pod 调度到node上，它监听 kube-apiserver，查询node的健康，资源状况，然后根据调度策略为这些 Pod 分配节点（更新 pod 的 NodeName 字段）。

kube-scheduler 会有集群所有节点的计算资源的全局视图，也会读取pod的配置信息。

调度器需要充分考虑诸多的因素：

• 公平调度：同一优先级会公平，高的优先级也可以插队（见下方优先级调度）
• 资源高效利用：用户申请资源时都会超量申请
• Qos：支持超卖，满足pod的基本需求
• affinity 和 anti-affinity
• 数据本地化 (data locality)：pod所需的镜像在别的node上已经存在了，就可以直接调度到这个node上，节省磁盘资源。
• 内部负载干扰 (inter-workload interference)
• deadlines。

二、调度流程

kube-scheduler 调度分为两个阶段，predicate 和 priority:
predicate：过滤不符合条件的节点；（filter）
priority：打分排序，选择score得分最高的节点。（score）

1、predicate（过滤不符合节点）

predicate插件及其功能（默认开启）：

当然也可以编写自己的策略。

工作原理：

// predicate插件逻辑
type node struct {
	name string
	taints string
	addresses string
	...
}
type podYaml struct {
	name string
	namespace string
	...
}

func podFitsPorts(pod *podYaml, node nodelist[]) []node {
	// 插件检查逻辑，并生成合格的node列表
	...
	return passNodeList
}

2、priority（节点打分排序）

priority打分插件：

（1）资源需求

【1】CPU

• requests

Kubernetes 调度 Pod 时，会判断当前节点正在运行的 Pod 的 CPU Request 的总和，再加上当前调度 Pod 的 CPU request，计算其是否超过节点的 CPU 的可分配资源。最小资源。m是cpu的单位，1000m就是1个cpu。

• limits

配置 cgroup 以限制资源上限。实际需求资源和cgroup中的limits资源不一致，就达到了超卖的效果。比如机器有4个cpu，如果按照limits去调度只能调度4个pod，但是如果按照reques 100m调度就可以调度40个pod。

【2】内存

• requests

判断节点的剩余内存是否满足 Pod 的内存请求量，以确定是否可以将 Pod 调度到该节点。

• limits

配置 cgroup 以限制资源上限。

（2）磁盘

容器临时存储 (ephemeral storage) 包含日志和可写层数据，可以通过定义 Pod Spec 中的 limits.ephemeral-storage 和 requests.ephemeral-storage 来申请。

Pod 调度完成后，计算节点对临时存储的限制不是基于 cgroup 的，而是由 kubelet 定时获取容器的日志和容器可写层的磁盘使用情况，如果超过限制，则会对 Pod 进行驱逐。

（3）init container

init容器在主容器前运行，负责完成一些初始化工作。比如istio中就会负责完成iptables的配置；主容器需要认证token，init容器就会去获取token然后保存到本地目录，再把volume挂载到主容器，这样主容器就可以使用这个token了。

当 kube-scheduler 调度带有多个 init 容器的 Pod 时，只计算 cpu.request 最多的 init 容器，而不是计算所有的 init 容器总和。

由于多个 init 容器按顺序执行，并且执行完成立即退出，所以申请最多的资源 init 容器中的所需资源，即可满足所有 init 容器需求。

kube-scheduler 在计算该节点被占用的资源时，init 容器的资源依然会被纳入计算。因为 init容器在特定情况下可能会被再次执行，比如由于更换镜像而引起 Sandbox 重建时。

（4）LimitRange

有些时候用户不想定义pod需要多少资源，又希望给一个默认资源；或者希望一个namespace中的pod都有一个limits，这时就可以使用LimitRange。

cat limitrange.yaml
apiVersion: v1
kind: LimitRange
metadata:
  name: mem-limit-range
spec:
  limits:
    - default: 
        memory: 512Mi # limit mem
      defaultRequest:
        memory: 256Mi # request mem
      type: Container

k apply -f limitrange.yaml
k get limtrange

这时候如果启动一个不带资源控制的deployment就会加入上面的内存信息。而且即使是init container、sidecar都会带上，即LimitRange是对所有container生效的，而不是所有pod，因为init container基本上不用什么资源，因此采用这个会比较浪费，原因是initContainer只会在最开始消耗资源，后面就被销毁了，但是调度器是认为你给initContainer设置了资源那么它还是占用着的，调度器是根据request计算机器剩余资源进行调度的。

（5）优先级调度

集群中的业务肯定有重要程度区分，在集群资源紧张时，就可能发生资源争抢。优先级调度就可以让让高优先级的业务优先调度。

从v1.8 开始，kube-scheduler 支持定义 Pod 的优先级，从而保证高优先级的 Pod 优先调度。开启方法为：

• apiserver 配置 --feature-gates=PodPriority=true和–runtime-config=scheduling.k8s.io/vlalphal=true
• kube-scheduler 配置 --feature-gates=PodPriority=true

使用方法：
在指定 Pod 的优先级之前需要先定义一个 PriorityClass （非 namespace 资源）。

value越大优先级越高。如果globalDefault: true，那么这个集群中所有没有打PriorityClass的pod都是这个优先级。

而且PriorityClass还会抢占，当优先级高的pod处于pending状态时，会驱逐其他低优pod，掠夺资源直至它起来！

cat PriorityClass.yaml
apiversion: v1
kind: PriorityClass
metadata:
  name: high-priority
value: 1000000
globalDefault: false
description: "This is a priority class test.”

为pod设置PriorityClass：

cat priority.yaml
apiVersion: v1
kind: Pod
metadata:
  name: nginx
  labels:
    env: test
spec:
  containers:
  - name: nginx
    image: nginx
    imagePullPolicy: IfNotPresent
  priorityClassName: high-priority

三、多调度器

如果默认的调度器不满足要求，比如需要批处理调度。那么可以部署自定义的调度器。并且，在整个集群中还可以同时运行多个调度器实例，通过 pod.Spec.schedulerName 来选择使用哪一个调度器（默认使用内置的基于event的调度器）。比如腾讯的TKE，华为的Volcano等。

四、多租户集群实现

k8s集群一般是共享集群，用户无需关心节点细节。但是有些用户加入集群时自带了计算资源并且要求隔离，这应该怎么实现呢？

• 将要隔离的计算节点打上 Taints；
• 在用户创建创建 Pod 时，定义 tolerations 来指定要调度到 node taints。

但是这个方案是有漏洞的，比如其他用户如果可以 get nodes 或者 pods，可以看到 taints 信息，也可以用相同的 tolerations 偷用其他租户的硬件资源。怎么解决？

• 不让用户 get node detail
• 不让用户 get 别人的 pod detail
• 企业内部，也可以通过审计查看统计数据看谁占用了哪些 Node；

存在哪些问题：

• 集群中有一个node上的runtime有问题，应用起不来，但是节点状态是正常的。这时新建pod调度到这个node上，起不来。由于scheduler没有熔断机制，用户删除pod后又调度到这个node上还起不来，用户就会认为整个集群不可用了。
• 应用炸弹： 用户新建了一个pod，但是这个pod里面一直fock子进程，可能pid/打开文件句柄/连接数过多。
  由于容器是共享主机内核的，它就是一个运行在namespace中的进程，如果不加以限制，很可能把node上的资源耗尽，导致node状态变为notready，然后node上的pod就会被驱逐掉。然后pod被调度到一个好的node上，又把这个好的node弄坏，循环往复，整个集群的节点就都不可用了。

五、scheduler源码

• filter预处理：遍历pod所有的init container和主container，计算pod的总资源需求。
• filter阶段：遍历所有节点，过滤掉所有不符合需求的节点。
• 处理扩展 predicate plugin（自定义）
• score：处理弱亲和性
• 为节点打分
• 处理扩展 priority plugin（自定义）
• 选择节点
• 假定选中pod（去为这个pod reserve一些资源）
• 绑定pod

两个扩展的plugin相当于是在扩展scheduler了。多调度器这个不是extend scheduler，这是一个完全新的调度器