4.1 评分模型:LeastRequested/MostRequested/Balanced
Filter 之后,候选节点集合确定——它们都满足硬约束。现在的问题是:都行,选哪个?这就是 Score(软偏好) 阶段的职责:给每个可行节点打 0-100 分,选最高分。
评分模型回答的是调度器最重要的战略问题:集群该被用成什么样。本节给三种经典模型——LeastRequested(资源分散)、MostRequested(高密度装箱)、Balanced(均衡)——的数学形式、适用场景与代价。它们是理解评分体系的起点,也是第 4.2 节权重组合的基础。
评分是「目标函数」,不是「硬规则」
评分阶段的思想与 Filter 完全不同:
- Filter 是淘汰制:违反即出局,无商量。
- Score 是排名制:都满足,比谁更好;最差也是可行解。
形式上,评分定义一个目标函数 f(pod, node) → [0,100],调度器选 argmax f。目标函数的选择反映集群的运营策略——是想省电(装箱)、想抗抖动(分散),还是想均衡——这是策略,不是正确性。没有「对」的评分模型,只有「适合当前画像」的模型。
LeastRequested:把负载铺开
数学形式(按 CPU 与内存的平均利用率):
cpuU = (node.usedCPU + pod.cpu) / node.cpu
memU = (node.usedMem + pod.mem) / node.mem
score = (1 - (cpuU + memU)/2) × 100
空闲节点得高分。直觉:新 Pod 放到最空闲的节点,让负载在集群里均匀摊开。
| 优点 | 代价 |
|---|---|
| 抗单点抖动:某节点故障影响面小 | 资源碎片化:每个节点都半空,扩容没余地 |
| 冷热均衡:不会出现一个节点跑满、其他闲着 | 装箱率低:同样的 Pod 数需要更多节点 |
适用画像:服务型负载(延迟敏感、希望余量充足、故障影响小)。默认 kube-scheduler 的多数场景倾向这类——把 Pod 分散开,保障单 Pod 性能。
MostRequested:把节点装满
score = ((cpuU + memU)/2) × 100
利用率高的节点得高分。直觉:新 Pod 放到装得最满的节点,提高整体装箱密度。
| 优点 | 代价 |
|---|---|
| 装箱率高:同样的 Pod 数用更少的节点 | 单点风险大:节点跑满后故障影响大 |
| 省节点/省成本:空闲节点可以回收 | 余量小:突发流量没缓冲 |
| 配合节点伸缩更省 | 尾部 Pod 性能受限 |
适用画像:批处理/资源型负载(离线任务、能容忍突发受限、追求节点利用率、配合第 14 章节点伸缩降低成本)。装箱模型与「节点数最小化」目标天然匹配。
Balanced:让两种资源均衡
score = (1 - |cpuU - memU|) × 100
CPU 利用率与内存利用率差得越小分越高。直觉:避免造出『CPU 挤爆、内存闲死』或反之的节点。
| 优点 | 代价 |
|---|---|
| 资源利用均衡:CPU/内存都物尽其用 | 不直接优化总量:均衡不代表装满 |
| 减少「一种资源耗尽、另一种浪费」 | 与 Least/Most 组合时才显威力 |
Balanced 很少单独用,常与 Least/Most 组合(4.2 节):先保证分散或装箱方向,再在候选里选资源均衡的。它的价值是防止方向被一种资源的瓶颈带偏。
三种模型的方向对比
用一个两节点例子直观对比。节点 A:CPU 用了 3/4、内存用了 0/4096(CPU 紧、内存空);节点 B:两者都半载:
| 模型 | A(3/4 CPU,0 内存) | B(半载) | 选谁 |
|---|---|---|---|
| LeastRequested | 平均利用率高 → 分低 | 平均利用率低 → 分高 | B(分散) |
| MostRequested | 平均利用率高 → 分高 | 平均利用率低 → 分低 | A(装箱) |
| Balanced | 资源差很大 → 分低 | 资源均衡 → 分高 | B(均衡) |
同一个节点,三种模型给完全不同的排名。这就是评分模型是「策略」的铁证——选哪个取决于你想把集群用成什么样,而非哪个「正确」。
真实调度器的默认评分组合
kube-scheduler 的默认策略不是单一模型,而是组合(第 4.2 节的权重机制)。真实默认 Score 插件大致是:
- NodeResourcesFit(Scoring):资源够不够的软评分,看剩余量——本质上接近 LeastRequested 的偏好。
- SelectorSpread / PodTopologySpread:把同 Deploy 的副本分散到不同节点/区域——「分散」是默认策略的主基调。
- ImageLocality:镜像已在节点的加分——减少拉取延迟。
- NodeAffinity preferred:软亲和命中加分。
可见「默认倾向分散 + 就近」,配合少量装箱。运营想要装箱密集,需要显式调评分权重或插件——这就是 4.2 节要讲的组合机制。
评分为什么归一化到 0-100
评分模型约定输出 0-100,意义在于组合:多个模型的分数要按权重加权(4.2 节),不同模型必须同量纲才能加权。把「空闲度」「均衡度」都映射到 0-100,加权组合才有意义。这是评分协议设计的关键决策——统一量纲是组合的前提。
评分与利用率的关系:分数不是利用率本身
评分的分数(0-100)与节点利用率相关但不相等。以 LeastRequested 为例:
- 利用率 0% → 分数 100(最空闲)。
- 利用率 50% → 分数 50。
- 利用率 100% → 分数 0。
分数是利用率的线性映射。但关键区分:利用率是节点的状态(可观测),分数是调度决策的输入(用于排序)。同一个节点,利用率不变,分数可以因策略不同而不同(MostRequested 下 50% 利用率的分数反着来)。别把分数当指标监控,把利用率当分数比较——分数是相对排序工具,利用率才是集群健康度量。
平票与确定性:评分体系的隐藏设计
评分模型要能复现,必须处理平票。K8s 与 lab 的规则一致:评分相同的节点,按遍历顺序取先者。为什么这个「小细节」重要:
- 调度结果要可重演:同输入不同输出的调度器无法排障。
- 插件并行评分(4.3 节)若在 worker 内选最优,平票结果会随线程时序漂移——必须把排序留在归并后。
平票处理是「评分模型 = 策略 + 确定性」的第二半。策略决定倾向,确定性决定可复现。评分体系的实现质量,一半看分数算得准不准,一半看平票处理稳不稳。
评分策略的演变:从单模型到插件组合
K8s 的评分策略经历过一次结构性演变,理解它有助于把握评分体系的未来:
| 阶段 | 结构 | 特点 |
|---|---|---|
| 早期 | 固定几个策略(LeastRequested 等) | 硬编码,改策略要改代码 |
| 中期 | 策略可配置(weights 配置) | 权重可调,仍固定模型集 |
| 现在 | 插件化(Score 插件 + 权重) | 模型集可扩展,权重可调 |
演变方向与 1.3 节「策略容器」一致:从『写死』到『配置』再到『插件』。早期想用自定义评分要 fork 调度器;现在写一个 Score 插件、注册、配权重即可(第 7 章)。评分体系的价值主张是:模型集是可插拔的,方向由插件决定,优先级由权重决定——这与分布式系统的『扩展点』设计理念完全一致。
三个常见误解
- 「评分高的节点一定是最佳运行位置」——错误。评分反映的是运营策略偏好,不是运行质量的保证。选 MostRequested 的「最佳」节点可能延迟更高——评分是策略,不是预测。
- 「LeastRequested 和 MostRequested 只是正负相反,本质一样」——错误。它们优化不同的目标函数,对同一节点的排名可能完全不同(见对比表);且在组合里权重不同会导致完全不同的调度结果。
- 「Balanced 是通用最优,应该总用它」——错误。Balanced 只优化「资源差」,不优化总量;单独使用会忽略分散/装箱方向,实际中总是与其他模型组合。
从评分到装箱效率
评分模型的战略意义要放在成本视角看:MostRequested 把集群装箱率从 40% 推到 70%,同样的 Pod 数能少用一半节点——这是第 14 章节点伸缩联动省钱的来源。反过来,LeastRequested 的分散让单节点故障的爆炸半径变小。评分模型本质是「用性能余量换成本」还是「用成本换安全」的开关。理解这一层,才能理解为什么调度策略是每个集群都要认真配置的东西,而不是默认值一挂到底。
一句话总结本节
三种评分模型收成三个要点:
- 模型即策略:LeastRequested(分散)、MostRequested(装箱)、Balanced(均衡)是三种不同的目标函数——同一个节点三种排名,选哪个取决于运营策略而非正确性。
- 数学形式统一:都归一化到 0-100,基于利用率映射;统一量纲是权重组合的前提。
- 成本视角:分散用容量换安全,装箱用余量换成本——评分模型是「性能余量 vs 成本」的开关。
真实默认策略是「分散 + 就近」的插件组合。下一节讲多模型如何按权重合成总分。
模型适用速查表
三种评分模型适用场景一表收清:
| 模型 | 偏好 | 适用 | 代价 |
|---|---|---|---|
| LeastRequested | 空闲节点 | 服务型、延迟敏感 | 装箱率低 |
| MostRequested | 满载节点 | 批处理、省成本 | 单点风险大 |
| Balanced | 资源均衡 | 与两者组合使用 | 不直接优化总量 |
选择口诀:服务求分散用 Least,成本求密度用 Most,怕失衡配 Balanced。三个模型没有对错,只有「当前集群画像适合哪个」。
本节 lab
本节把三种评分模型落到 score/score.go:LeastRequested、MostRequested、Balanced,各自归一化到 0-100:
cd private/labs/k8s-sched-lab
go test ./score -run 'TestLeastRequested|TestMostRequested|TestBalanced' -v
三个用例验证模型的方向:TestLeastRequested(空闲节点分更高)、TestMostRequested(高装箱节点分更高)、TestBalanced(资源均衡节点分更高)。这正是本节「同节点、三模型、三排名」的方向性验证。
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。