K8s Pod 调度深度优化：节点亲和性、污点容忍与 Pod 优先级协同策略

1. 节点亲和性（Node Affinity）

控制 Pod 倾向性调度到特定节点，基于节点标签实现精准定位：

affinity:
  nodeAffinity:
    requiredDuringSchedulingIgnoredDuringExecution:  # 硬亲和性（必须满足）
      nodeSelectorTerms:
      - matchExpressions:
        - key: topology.kubernetes.io/zone
          operator: In
          values: ["zone-a"]
    preferredDuringSchedulingIgnoredDuringExecution:  # 软亲和性（优先满足）
    - weight: 80
      preference:
        matchExpressions:
        - key: node-type
          operator: In
          values: ["gpu-accelerated"]

• 硬亲和性：强制 Pod 调度到含 zone-a 标签的节点
• 软亲和性：优先调度到含 gpu-accelerated 标签的节点（权重 80）

---

2. 污点与容忍（Taints & Tolerations）

通过 节点排斥机制 实现专用节点隔离：

# 节点添加污点（阻止非常规Pod调度）
kubectl taint nodes node01 special=true:NoSchedule

# Pod声明容忍
tolerations:
- key: "special"
  operator: "Equal"
  value: "true"
  effect: "NoSchedule"

• 污点效果：NoSchedule（禁止调度） / PreferNoSchedule（尽量避免）
• 典型场景：GPU 节点只允许 AI 训练 Pod 调度

---

3. Pod 优先级（PriorityClass）

通过 抢占机制 保障关键业务资源：

# 定义优先级类
apiVersion: scheduling.k8s.io/v1
kind: PriorityClass
metadata:
  name: mission-critical
value: 1000000   # 优先级数值（0-10亿）
globalDefault: false

# Pod引用优先级
spec:
  priorityClassName: mission-critical

• 高优先级 Pod 可 抢占 低优先级 Pod 的资源
• 优先级数值越高，调度权重越大

---

三阶联动实战场景

目标：将 AI 推理服务精准调度到 GPU 节点，并确保资源抢占能力

步骤 1：节点准备

# 标记GPU节点
kubectl label nodes gpu-node01 accelerator=nvidia-tesla

# 添加防护污点
kubectl taint nodes gpu-node01 dedicated=ai:NoSchedule

步骤 2：PriorityClass 配置

apiVersion: scheduling.k8s.io/v1
kind: PriorityClass
metadata:
  name: ai-priority
value: 1000000

步骤 3：Pod 声明

apiVersion: v1
kind: Pod
metadata:
  name: ai-inference
spec:
  priorityClassName: ai-priority
  tolerations:
    - key: "dedicated"
      operator: "Equal"
      value: "ai"
      effect: "NoSchedule"
  affinity:
    nodeAffinity:
      requiredDuringSchedulingIgnoredDuringExecution:
        nodeSelectorTerms:
        - matchExpressions:
          - key: accelerator
            operator: In
            values: ["nvidia-tesla"]
  containers:
  - name: inference-engine
    resources:
      limits:
        nvidia.com/gpu: 2

---

调度决策矩阵

调度机制	作用阶段	资源匹配逻辑
节点亲和性	预选 (Filtering)	排除不满足标签条件的节点
污点容忍	预选 (Filtering)	排除无法容忍污点的节点
Pod 优先级	优选 (Scoring)	按优先级数值排序调度队列
资源请求/限制	预选 (Filtering)	检查节点剩余资源是否满足 Pod 需求

---

最佳实践建议

1. 亲和性组合策略

   • 硬亲和性 + 软亲和性组合使用，例如：
     $$ \text{强制区域约束} + \text{优选机型权重} $$
   • 避免过度使用硬亲和性导致调度失败

2. 污点分级管理

   污点等级	Effect	使用场景
   绝对隔离	NoExecute	生产数据库节点
   调度隔离	NoSchedule	GPU/FPGA 专用节点
   柔性隔离	PreferNoSchedule	开发测试环境节点

3. 优先级设计原则

   • 优先级数值跨度建议 $\geq 1000$，避免小跨度导致频繁抢占
   • 关键业务优先级公式参考：
     $$ \text{PriorityValue} = 10^6 \times \text{SLA等级} + 10^3 \times \text{业务层级} $$

4. 资源碎片优化
   结合 Descheduler 定期清理低优先级 Pod，释放资源碎片：

   apiVersion: "descheduler/v1alpha1"
   kind: "DeschedulerPolicy"
   strategies:
     "LowNodeUtilization":
       enabled: true
       params:
         nodeResourceUtilizationThresholds:
           thresholds:
             "cpu": 20
             "memory": 20
   

效能验证：通过调度成功率指标监控优化效果
$$ \text{Scheduling Success Rate} = \frac{\text{成功调度Pod数}}{\text{总创建Pod数}} \times 100% $$
目标值应 $\geq 99.5%$（生产环境 SLA 标准）