《Kubernetes 分布式系统原理深入解析》4.2 评分权重组合

单个评分模型不够用,真实调度器把多个模型按权重线性组合:final(n) = Σ(w_i × f_i(n)) / Σw_i。本节拆权重组合的数学形式、为什么必须归一化到统一量纲、默认权重表如何构成『分散 + 就近』的总偏好,以及调权重的原则——权重改变的是节点之间的相对排序,不是绝对好坏。lab 用 score/weight.go 验证加权组合与最优节点选择。

4.2 评分权重组合

4.1 节的三种模型是「单目标」——但真实集群的调度偏好从来不是单一目标:既想分散副本(可用性),又想让镜像在节点上(省拉取),还想别太浪费(成本)。多目标共存是调度策略的常态。

多目标怎么合成一个总分?K8s 用加权线性组合:每个评分插件给 0-100 分,配一个权重,总分是加权平均。本节拆这个组合的数学形式、归一化的必要性与调权重的原则。

加权组合的数学形式

调度框架对每个可行节点算总分:

final(n) = Σ_i (w_i × f_i(pod, n)) / Σ_i w_i
  • f_i 是第 i 个评分插件(LeastRequested、Balanced、Affinity preferred……)。
  • w_i 是配置的权重(默认 1)。
  • 除以 Σw_i 把总分归一化回 0-100,量纲与单模型一致。

两个性质值得注意:

  • 线性:总分是各模型的凸组合,不会出现「一个高权重模型盖过一切」之外的非线性效应——但这恰恰意味着权重的相对大小决定策略方向。
  • 同量纲前提:所有 f_i 都输出 0-100,加权平均才有意义——这是 4.1 节「统一量纲」的价值所在。

lab 的 Combine 精确实现这条:Σ(fn×weight)/Σweight,对每个节点算一个加权总分,BestNode 取最高分。

权重改变的是相对排序

调权重的效果必须用「相对排序」理解,而不是绝对分数:

  • 两个模型权重都是 1:总分是两者平均——节点 A 分散分高、节点 B 装箱分高,总分拉平。
  • LeastRequested 权重 2、Balanced 权重 1:分散在总分里占 2/3——「分散优先、均衡次之」。

权重不是「多重要」的绝对度量,而是模型之间相对优先级的配置。把一个模型权重从 1 调到 10,不是说它好 10 倍,而是说「在两个节点各有优势时,优先按它选」。lab 的 TestCombineWeights 正是这个语义:LeastRequested 权重 2 vs MostRequested 权重 1 时,空闲节点胜出。

权重组合 vs 单模型:一个两难例子

设两个可行节点:

  • 节点 X:非常空闲(LeastRequested 分高),但镜像不在节点上(ImageLocality 分低)。
  • 节点 Y:半载(LeastRequested 分中),镜像已存在(ImageLocality 分高)。
模型XY
LeastRequested9050
ImageLocality2080
总分(w=1,1)5565 → 选 Y

权重 1:1 时「就近」胜出;把 LeastRequested 提到权重 3,X 得 (90×3+20)/4=72.5,Y 得 (50×3+80)/4=57.5 → 选 X。同一个场景,权重不同调度结果翻转。这就是权重组合的实操意义:不换模型,只调权重就能换策略。

默认权重表:为什么默认「分散 + 就近」

kube-scheduler 的默认 Score 配置(权重均为 1 的插件组合)构成的总偏好大致是:

插件优化目标默认权重
NodeResourcesFit(Scoring)剩余资源多优先(类 LeastRequested)1
PodTopologySpread副本分散到不同节点/区域1
ImageLocality镜像已在本节点加分1
NodeAffinity(preferred)软亲和命中加分1

默认权重全 1,效果是多项偏好的温和叠加——分散、就近、留余量都不强推,靠组合产生「综合不错」的结果。运维要强推某一项(比如强分散),就把它权重调高或禁用其他。

调权重的原则:先想清楚「什么不可妥协」

调权重不是试数字,而是先回答策略问题:

  1. 集群瓶颈是什么?延迟敏感 → 分散权重高;成本敏感 → 装箱权重高。
  2. 哪个偏好是刚需?副本必须分散(高可用要求)→ 权重显著高于其他,甚至改用 required(进 Filter)。
  3. 验证方式?调完看调度结果分布与运行指标,而不是看分数绝对值。

一个常见误区是把「想分散」直接设成巨高权重——不如把它做成硬约束(required 拓扑约束,第 6 章)来得干净。权重适合表达『偏好』,不适合表达『必须』——必须的进 Filter,偏好的才配权重。

权重与打分插件的耦合

注意权重组合对插件是透明的:插件只输出分数,不感知权重。这个解耦是调度框架的设计要点:

  • 新增一个评分插件,只实现「给一个节点打分」,自动进入组合。
  • 权重在配置里调整,不改插件代码。

这是第 7 章「调度器扩展」的前奏:框架把「怎么打分」(插件)与「怎么合成」(权重)分开,扩展只写前者。lab 的 Weighted{Fn, Weight} 就是这个结构的缩影。

权重配置的实操路径

给想调权重的运维一条不踩坑的路径:

  1. 看现状:kubectl describe pod 看调度器的打分插件列表与默认权重。
  2. 单点调:只调一个插件权重,跑一批测试 Pod,对比调度分布——一次只动一个变量。
  3. 验证指标:看目标指标(延迟、节点利用率、副本分散度)是否改善,而不是看分数。
  4. 灰度:先在小集群/非关键命名空间试,确认无副作用再全量。

两个实操建议:

  • 权重差在 2-3 倍以内效果温和;拉到 10 倍以上基本是「只认这一个模型」。
  • 改权重后观察一两天——调度分布的变化要等一批 Pod 跑起来才看得见,不是改完立刻见效。

权重是「配置即策略」的典型:不需要写代码,但需要耐心验证。

权重与硬约束的边界:什么时候该用 Filter

调权重时最该问的问题是:「这个偏好真的只是偏好吗?」——如果它是必须(副本必须分散、关键负载必须上指定节点),那它不该进 Score,该进 Filter:

表达方式语义适合
Filter(required)不满足就不调度违反即错的硬要求
Score(preferred)满足得分,不满足也调度好坏的软偏好
权重调高相对优先级提升多个软偏好间的取舍

判断基准回到 3.3 节:违反会不会『无法运行』? 会 → Filter;只是『不够好』 → Score + 权重。把「必须分散」做成权重 100 是错误用法——它只是「极其偏好分散」,仍可能把副本放一起;真正的「必须分散」要写成 required 拓扑约束(第 6 章)。

权重与结果验证:如何确认调对了

调完权重,怎么知道「调对了」?验证分三层:

层方法回答
分布统计 Pod 落到各节点/区域的分布偏好是否生效
指标对比调度前后节点利用率、延迟目标是改善
回归同输入重放,结果是否稳定确定性未破坏

一个常见的验证误区:只看分数不看分布。分数是相对值,分布才是结果。比如调高 LeastRequested 权重后,正确信号是「空闲节点收到更多 Pod」,不是「分数变了」。

还要警惕过拟合权重:把权重调得只认一个模型,短期指标好看,长期可能造出新的不均衡(比如全集群挤到少数节点)。权重的验证窗口要拉长——调度分布的变化要等一批 Pod 全生命周期跑完才稳定,不能改完一小时就下结论。

三个常见误解

  • 「权重越大,这个模型越重要」——部分正确,但更准确是「相对其他模型的优先级」。权重 10 的模型与权重 1 的模型之间,是 10:1 的相对优先级。
  • 「总分高的一定被选中」——平票时除外。同分节点间调度器选遍历顺序第一个(lab 的 BestNode 只在 > 时替换,平票保留先者)。排障时别惊讶于「两节点同分选了一台」。
  • 「权重组合后分数可以随便比较」——错误。总分只在同一次调度的候选节点之间比较有意义;不同 Pod 的分数不可比(不同 Pod 的偏好不同)。

从权重到调度策略的闭环

把第 4 章的评分体系串起来:模型定义方向(4.1),权重定义优先级(4.2),并行化解决规模(4.3)。权重组合让「策略」从「写代码」变成「改配置」——这是调度器能被大规模运营的根本原因:不同团队、不同集群可以共享同一调度器二进制,只配置不同的权重与插件集。

一句话总结本节

评分权重组合收成三个要点:

  • 数学形式:final(n) = Σ(w_i×f_i(n))/Σw_i,加权归一化,同量纲是前提。
  • 权重改变相对排序:不换模型、只调权重就能翻转调度结果;权重是模型间优先级的配置,不是绝对重要性。
  • 边界:必须的进 Filter,偏好的配权重;「必须分散」用 required 而非高权重。

下一节讲评分的规模问题:节点成百上千后如何并行评分而不破坏确定性。

权重验证三步

调完权重按三步验证,避免「改了没确认」:

  1. 看分布:统计新调度 Pod 落到各节点的比例,确认偏好生效方向。
  2. 看指标:对比目标指标(利用率/延迟/分散度)相对调权前的变化。
  3. 看回归:同输入重放一批 Pod,确认调度结果稳定可复现。

三步都过,权重才算调对;只过第一步(分布变了但指标没变好)说明偏好方向错了,需回到 4.1 节重新选模型。权重调校是「假设-验证」循环,不是一次改到位。

本节 lab

本节把权重组合落到 score/weight.go:Combine 实现加权归一化,BestNode 选最高分:

cd private/labs/k8s-sched-lab
go test ./score -run 'TestCombineWeights|TestBestNode' -v

两个用例验证组合语义:TestCombineWeights(LeastRequested 权重 2 时空闲节点胜出)、TestBestNode(取最高分节点)。这正是「权重决定相对排序、总分归一化、选最高分」的最小验证。

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