云服务器K8s调度器工作逻辑与参数配置指南

在云服务器集群中，Kubernetes（K8s）调度器是资源分配的核心组件，它像一位智能管家，负责将Pod（K8s最小调度单元）精准分配到合适的节点上运行。掌握其工作逻辑与参数配置技巧，能显著提升云服务器资源利用率，是企业高效部署应用的关键。

调度器的两阶段工作方式

K8s调度器的工作流程可简单概括为“先筛选后择优”，具体分为过滤和打分两个阶段。

过滤阶段（也叫预选）是基础筛选环节。调度器会根据预设规则，从集群所有节点中剔除无法满足Pod需求的节点。例如检查节点剩余CPU/内存是否足够、是否包含Pod要求的特定标签（如“disk: ssd”）、是否存在硬件限制（如GPU型号匹配）等。只有通过这轮筛选的节点，才有资格进入下一阶段。

打分阶段则是“优中选优”。调度器会为通过过滤的节点逐一打分，评分依据包括资源空闲度（优先选择负载低的节点）、拓扑优化（如让关联Pod集中在同一可用区降低网络延迟）、自定义策略（如业务优先级高的Pod优先分配资源）等。最终得分最高的节点会被选中运行Pod。

实际场景中的调度逻辑

以云服务器集群为例：假设集群包含计算型（高CPU）和内存型（高内存）两类节点。当提交一个需要大量CPU运算的AI训练Pod时，调度器会先过滤掉内存型节点，仅保留计算型节点；接着在计算型节点中，根据当前CPU使用率打分，选择负载最低的节点部署Pod。这种策略既避免了资源错配（如用内存型节点跑CPU密集型任务），又确保Pod运行在性能最优的环境中。

关键参数配置与实战技巧

K8s调度器支持灵活的参数配置，通过调整以下核心参数，可精准控制Pod的分配策略。

资源请求参数：cpuRequest与memoryRequest

这两个参数定义了Pod运行所需的最小资源量，是调度器过滤阶段的核心依据。例如为一个Web应用Pod设置：

resources:
  requests:
    cpu: "200m"   # 200毫核CPU（1核=1000m）
    memory: "512Mi" # 512兆字节内存

调度器会确保分配的节点剩余CPU≥200m、内存≥512Mi，避免因资源不足导致Pod启动失败。

亲和与反亲和参数：精准控制部署位置

通过`nodeAffinity`（节点亲和性）和`nodeAntiAffinity`（节点反亲和性），可指定Pod“倾向于”或“必须避开”某些节点。例如：

affinity:
  nodeAffinity:
    requiredDuringSchedulingIgnoredDuringExecution:  # 强制规则
      nodeSelectorTerms:
        - matchExpressions:
            - key: env
              operator: In
              values: ["production"]  # 仅部署在带env=production标签的节点
  nodeAntiAffinity:
    preferredDuringSchedulingIgnoredDuringExecution:  # 优先规则
      - weight: 100
        preference:
          matchExpressions:
            - key: disk-type
              operator: In
              values: ["hdd"]  # 尽量避开机械硬盘节点

这段配置要求Pod必须部署在生产环境节点，同时尽量避开机械硬盘节点，平衡了环境要求与性能需求。

配置方法：YAML文件与动态调整

参数配置主要通过Pod的YAML文件实现，也可通过`kubectl`命令动态调整（如`kubectl edit pod my-pod`）。需要注意的是，部分参数（如`requiredDuringScheduling`类规则）是强制约束，未满足时Pod将无法调度；而`preferred`类规则是建议性的，调度器会尽量满足但不强制。

总结：让云服务器资源“物尽其用”

在云服务器上高效使用K8s调度器，关键在于理解其“先筛选后择优”的工作逻辑，并结合业务需求配置资源请求、亲和反亲和等参数。通过这些操作，既能避免资源浪费（如大节点跑小任务），又能保障关键应用的性能（如将数据库Pod集中部署降低网络延迟），真正发挥云服务器弹性扩展、灵活调度的优势。