《Kubernetes 分布式系统原理深入解析》5.1 desired/current 与负反馈

声明式 API 的核心是『期望状态 vs 实际状态』:用户在 spec 里声明期望,控制器持续对比期望与现实,把差异化为修正动作。这与控制理论里的负反馈(参考值-测量值-误差-矫正)是同构的。本节建立『控制器即负反馈系统』的模型,给出控制器循环的五个要素。lab 用 controller/reconcile.go 验证负反馈收敛。

5.1 desired/current 与负反馈

卷二从这一节进入本书的核心主张:K8s 控制器是一台负反馈系统。声明式 API 说「我要什么」,控制器做的是「不断让现实靠近我要的」。本节用控制理论的语言建立这个模型。

声明式的结构:spec 与 status

一个 K8s 对象分成两半:

  • spec:用户声明的期望状态(desired)。「我要 3 个副本」。
  • status:系统观测到的实际状态(current)。「现在有 1 个就绪、2 个启动中」。

spec 是输入,status 是输出。用户只写 spec,不写 status(status 由控制器维护)。这正是 2.1 节「Generation 只随 spec 变化」的原因:代次追踪的是「用户改了期望」,控制器用 observedGeneration 报告「我看到了第几代期望」。

负反馈的五要素

控制理论里,负反馈系统由参考输入、测量、误差、执行器、被控对象组成。K8s 控制器的对应:

控制理论K8s 控制器例子
参考输入 r期望状态(spec)3 个副本
测量 y实际状态(status)2 个就绪
误差 e = r - y差异差 1 个
执行器修正动作(创建/删除/更新)创建 1 个 Pod
被控对象集群现实Pod 集合

负反馈的含义:控制器放大「误差」并朝着减小误差的方向动作。误差为正(期望多于实际)→ 创建;为负 → 删除;为零 → 不动。

控制循环:读-算-写

每个控制器每秒/每事件跑一轮循环:

读实际状态(informer 缓存)
读期望状态(对象的 spec)
计算误差(期望 - 实际)
执行修正(创建/删除/更新对象)
更新 status(报告 observedGeneration、可用副本等)
等待下一个事件或周期

注意第 1 步「读实际状态」用的是缓存(3.3 节滞后),所以误差基于「有界滞后的现实」。这造成控制器是离散的、异步的负反馈:不是连续微分方程,而是「每轮重算」。

收敛:误差怎么变为零

以 RS 控制器为例:

期望 3,实际 0 → 误差 +3 → 创建 3 个 Pod(Pending)
期望 3,实际 3 Pending → 误差 0 → 不动(等就绪)
Pod 陆续 Ready → 实际就绪 3 → 误差 0 → 收敛

收敛的条件:执行器的动作能改变测量值(创建 Pod 最终就绪),且误差被正确计算。控制器不保证「一次到位」,只保证「持续向误差减小的方向动」——最终收敛。

为什么这是「声明式」的核心

命令式(如脚本):你告诉系统「创建 Pod A,等它起来,再创建 B」——顺序与步骤由你控制,系统不理解意图。

声明式:你只声明「我要 3 个副本」。控制器自己决定步骤、自己处理中间状态、自己从故障恢复。系统的智能在控制回路里,不在你的命令序列里。

这带来两个巨大的工程收益:

  1. 恢复能力:Pod 被删,控制器自动重建(误差重新为正)。
  2. 幂等重试:同一操作重复执行不改变结果(控制器每轮从现实出发)。

负反馈 vs 正反馈

一句话区分:负反馈减小误差(稳定),正反馈放大偏差(发散)。K8s 控制器是纯负反馈。正反馈的例子在 K8s 里是 bug——比如控制器误把「就绪副本」当作「期望副本」写回 spec,导致副本数自我放大(configmap 引用错、控制器写错字段都会造成这种正反馈事故)。

工程警示:控制器的输出永远不能回喂成自己的输入(spec)。status 可以读、可以写回 status,但绝不能写回 spec 制造自激。这是设计控制器时的第一原则。

spec 与 status 的职责边界:谁写什么

负反馈系统里,误差计算依赖「期望」与「实际」干净分离。K8s 用字段归属强制这个分离:

字段谁写谁读更新频率
spec用户/上层控制器本控制器低频(用户决策)
status本控制器用户/上层/下层高频(每轮调谐)
对象本体(Pod)上层控制器本控制器执行视资源

越界是 bug 的来源:

  • 控制器写 spec:把「实际」喂回「期望」,制造正反馈(5.2 节),必须禁止。
  • 用户写 status:status 是「观测输出」,用户写它没有意义(会被控制器覆盖)。
  • 上层控制器越界写下层 spec:Deployment 控制器不该直接改 Pod spec——它该通过 RS 间接表达(层级封装,卷二第 7-9 章)。

用「谁声明、谁执行、谁观测」三角看对象:

spec:你声明你要什么(用户)
status:控制器观测到实际(控制器)
执行:控制器把 spec 翻译成下层对象(如 RS → Pod)

这个三角是声明式系统的骨架。理解它,就能判断「某个控制器该写哪个字段」——永远写你观测的、声明你的、不碰别人的。

resync:没有事件时的持续矫正

如果只有事件驱动,控制器会错过一种情况:事件没发生,但现实悄悄漂移。

  • 缓存与 etcd 的滞后可能让控制器错过短暂状态。
  • 外部动作(有人手动 kubectl delete 再建同名的)可能没有产生干净的 watch 事件序列。
  • 控制器自己上次处理可能只处理了一半(写成功了但没完全收敛)。

解决:informer 的 resync——周期性地把所有对象重新入队一次(默认每 10 分钟,可配)。

事件驱动:有变化才入队
resync:每 10 分钟全量入队一遍(把缓存对象重新交给控制器检查)

resync 不是「重新 List」(缓存不重建),而是「把现有缓存对象重新交给控制器检查一遍」。控制器的 reconcile 从现实出发,即使对象没变化,重新检查也能发现「漏掉的修正」。

负反馈的意义:resync 让控制器从「事件驱动的响应者」升级为「持续核对现实的纠错者」。没有 resync,控制器只对「有人告诉它的变化」负责;有了 resync,控制器对「现实是否符合期望」负责。这也是 4.3 节 standby 接管后「不接着旧队列、从现实重新调谐」能成立的机制保障——resync 保证现实会被周期性地重新核对。

三个常见误解

  • 「控制器只是事件的响应者」——不是。控制器也周期性调谐(resync),不依赖事件也能发现偏差。
  • 「期望与实际相等就是收敛完成」——对于「副本数」是;但对于「可用」还要看就绪探针。收敛的目标是「期望的全部就绪」,不只是「数量对上」。
  • 「控制器会把 spec 写回」——错误。spec 是用户的,控制器只写 status 和它负责的对象(如 RS 下的 Pod)。

误差计算的具体化:以 RS 为例走一遍数字

把 5.1 节的抽象落到 ReplicaSet 控制器的具体数字上:

轮次desiredcurrent(ready)误差控制器动作下一轮 current
130+3创建 3 Pod3(Pending)
2330无3
332(1 个失败)+1重建 1 Pod3
45(用户扩容)3+2创建 2 Pod5

注意第 3 轮:Pod 失败不是「期望变化」,而是「现实漂移」——控制器不因漂移改变期望,而是持续把现实拉回期望。这就是「负反馈」的本质:期望是固定的,现实是波动的,控制器持续弥合。

误差的两种来源:

  1. 期望变化(用户改 spec)→ 控制器追随新期望。
  2. 现实漂移(Pod 失败、被删)→ 控制器拉回旧期望。

控制器不需要区分来源——它只对比「期望 vs 现实」,任何差异都触发修正。这也是声明式系统「免运维」的机制:漂移被自动纠正,用户只需要维护期望。

一次修正多少:比例控制的直觉

控制器每轮「修正多少」由比例系数决定。极端对比:

rate=1.0:误差 3 → 一次创建 3 → 一步收敛(理想,但震荡边界)
rate=0.5:误差 3 → 创建 1.5 → 误差 1.5 → 创建 0.75 → ... → 渐进收敛(更稳,更慢)

工程直觉:修正量与误差成正比,且每轮有上限。一次性把误差清零(rate=1.0)最快,但若测量有噪声或动作有延迟,会越过目标再来回震荡(5.2 节)。控制器宁可每轮少修一点(渐进收敛),也不追求一步到位——稳定性优先于速度。lab 的 ProportionalReconcile 正是这两个极端之间的调节器。

本节 lab

本节验证负反馈收敛:误差驱动的多轮修正直到误差为零:

cd private/labs/k8s-ctrl-lab
go test ./controller -run 'TestFeedbackConvergence|TestFeedbackPartial' -v
  • TestFeedbackConvergence:rate=1.0 时一轮收敛(误差一次清零)。
  • TestFeedbackPartial:rate=0.5 时多轮渐进收敛——负反馈按比例减小误差的直观演示。

继续阅读

探索更多技术文章

浏览归档,发现更多关于系统设计、工具链和工程实践的内容。

全部文章 返回首页

「books」更多文章

  1. 《大规模分布式计算深入解析》15.3 落地:从 Neo4j 到自研图引擎
  2. 《大规模分布式计算深入解析·图计算与图数据库内核》 · 目录与学习路径(45 篇)
  3. 《大规模分布式计算深入解析》15.2 十一卷主线:从切分到图