kube-scheduler 的 Cache 解析
k8s技术圈
共 40461字，需浏览 81分钟
·
2021-04-09 16:37
在 kube-scheduler 的 SchedulingQueue 调度队列中都是 Pending 状态的 Pod，也就是未调度的 Pod，本文分析的 Cache 中都是已经调度的 Pod（包括假定调度的 Pod）。而 Cache 并不是仅仅为了存储已调度的 Pod 方便查找，而是为调度提供能非常重要的状态信息，甚至已经超越了 Cache 本身定义范畴。
既然定义为 Cache，需要回答如下几个问题：
cache 谁？kubernetes 的信息都存储在 etcd 中，而访问 kubernetes 的 etcd 的唯一方法是通过 apiserver，所以准确的说是缓存 etcd 的信息。 cache 哪些信息？调度器需要将 Pod 调度到满足需求的 Node 上，所以 cache 至少要缓存 Pod 和 Node 信息，这样才能提高 kube-scheduler 访问 apiserver 的性能。 为什么要 cache？因为 client-go 已经提供了 cache 能力，kube-scheduler 增加一层 cache 的目的是什么呢？答案很简单，为了调度。本文的 Cache 不仅缓存了 Pod 和 Node 信息，更关键的是聚合了调度结果，让调度变得更容易，也就是本文重点内容。
为了避免 Node 的翻译失去原有的意义，本文直接引用 Node，而不是翻译成节点、服务器等。同时，也避免 Bind 的翻译歧义而直接引用，没有翻译为绑定。
本文采用的源码是 kubenretes 的 release-1.20 分支，最新 Kubernetes 版本文档链接：https://github.com/jindezgm/k8s-src-analysis/blob/master/kube-scheduler/Cache.md
Cache
Cache 的抽象
前文笔者已经回答了 Cache 的 3 个问题，那么就先从 Cache 的接口设计上能不能找到部分答案？源码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/interface.go#L58
type Cache interface {
// 获取node的数量，用于单元测试使用，本文不做说明
NodeCount() int
// 获取Pod的数量，用于单元测试使用，本文不做说明
PodCount() (int, error)
// 此处需要给出一个概念：假定Pod,就是将Pod假定调度到指定的Node,但还没有Bind完成。
// 为什么要这么设计？因为kube-scheduler是通过异步的方式实现Bind，在Bind完成前，
// 调度器还要调度新的Pod，此时就先假定Pod调度完成了。至于什么是Bind？为什么Bind？
// 怎么Bind?笔者会在其他文章中解析，此处简单理解为：需要将Pod的调度结果写入etcd,
// 持久化调度结果，所以也是相对比较耗时的操作。
// AssumePod会将Pod的资源需求累加到Node上，这样kube-scheduler在调度其他Pod的时候,
// 就不会占用这部分资源。
AssumePod(pod *v1.Pod) error
// 前面提到了，Bind是一个异步过程，当Bind完成后需要调用这个接口通知Cache，
// 如果完成Bind的Pod长时间没有被确认(确认方法是AddPod)，那么Cache就会清理掉假定过期的Pod。
FinishBinding(pod *v1.Pod) error
// 删除假定的Pod，kube-scheduler在调用AssumePod后如果遇到其他错误，就需要调用这个接口
ForgetPod(pod *v1.Pod) error
// 添加Pod既确认了假定的Pod，也会将假定过期的Pod重新添加回来。
AddPod(pod *v1.Pod) error
// 更新Pod，其实就是删除再添加
UpdatePod(oldPod, newPod *v1.Pod) error
// 删除Pod.
RemovePod(pod *v1.Pod) error
// 获取Pod.
GetPod(pod *v1.Pod) (*v1.Pod, error)
// 判断Pod是否假定调度
IsAssumedPod(pod *v1.Pod) (bool, error)
// 添加Node的全部信息
AddNode(node *v1.Node) error
// 更新Node的全部信息
UpdateNode(oldNode, newNode *v1.Node) error
// 删除Node的全部信息
RemoveNode(node *v1.Node) error
// 其实就是产生Cache的快照并输出到nodeSnapshot中，那为什么是更新呢？
// 因为快照比较大，产生快照也是一个比较重的任务，如果能够基于上次快照把增量的部分更新到上一次快照中，
// 就会变得没那么重了，这就是接口名字是更新快照的原因。文章后面会重点分析这个函数，
// 因为其他接口非常简单，理解了这个接口基本上就理解了Cache的精髓所在。
UpdateSnapshot(nodeSnapshot *Snapshot) error
// Dump会快照Cache，用于调试使用，不是重点，所以本文不会对该函数做说明。
Dump() *Dump
}
从 Cache 的接口设计上可以看出，Cache 只缓存了 Pod 和 Node 信息，而 Pod 和 Node 信息存储在 etcd 中(可以通过 kubectl 增删改查)，所以可以确认 Cache 缓存了 etcd 中的 Pod 和 Node 信息。
NodeInfo 的定义
在 SchedulingQueue 中，调度队列定义了 QueuedPodInfo 类型，在 Pod API 基础上扩展了与调度队列相关的属性。同样的道理，Node API 只是 Node 的公共属性，而 Cache 中的 Node 需要扩展与 Cache 相关的属性，所以就有了 NodeInfo 这个类型。源码连接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/framework/types.go#L189
// NodeInfo是Node层的汇聚信息
type NodeInfo struct {
// Node API对象，无需过多解释
node *v1.Node
// 运行在Node上的所有Pod，PodInfo的定义读者自己查看，本文不再扩展了
Pods []*PodInfo
// PodsWithAffinity是Pods的子集，所有的Pod都声明了亲和性
PodsWithAffinity []*PodInfo
// PodsWithRequiredAntiAffinity是Pods子集，所有的Pod都声明了反亲和性
PodsWithRequiredAntiAffinity []*PodInfo
// 本文无关，忽略
UsedPorts HostPortInfo
// 此Node上所有Pod的总Request资源，包括假定的Pod，调度器已发送该Pod进行绑定，但可能尚未对其进行调度。
Requested *Resource
// Pod的容器资源请求有的时候是0，kube-scheduler为这类容器设置默认的资源最小值，并累加到NonZeroRequested.
// 也就是说，NonZeroRequested等于Requested加上所有按照默认最小值累加的零资源
// 这并不反映此节点的实际资源请求，而是用于避免将许多零资源请求的Pod调度到一个Node上。
NonZeroRequested *Resource
// Node的可分配的资源量
Allocatable *Resource
// 镜像状态，比如Node上有哪些镜像，镜像的大小，有多少Node相应的镜像等。
ImageStates map[string]*ImageStateSummary
// 与本文无关，忽略
TransientInfo *TransientSchedulerInfo
// 类似于版本，NodeInfo的任何状态变化都会使得Generation增加，比如有新的Pod调度到Node上
// 这个Generation很重要，可以用于只复制变化的Node对象，后面更新镜像的时候会详细说明
Generation int64
}
nodeTree
nodeTree 是按照区域(zone)将 Node 组织成树状结构，当需要按区域列举或者全量列举按照区域排序，nodeTree 就会用的上。为什么有这个需求，还是那句话，调度需要。举一个可能不恰当的例子：比如多个 Pod 的副本需要部署在同一个区域亦或是不同的区域。
源码连接：https://github.com/kubernetes/kubernetes/blob/master/pkg/scheduler/internal/cache/node_tree.go#L32
type nodeTree struct {
// map的键是zone名字，map的值是该区域内所有Node的名字。
tree map[string][]string
// 所有的zone的名字
zones []string
// Node的数量
numNodes int
}
nodeTree 只是把 Node 名字组织成树状，如果需要 NodeInfo 还需要根据 Node 的名字查找 NodeInfo。
快照
快照是对 Cache 某一时刻的复制，随着时间的推移，Cache 的状态在持续更新，kube-scheduler 在调度一个 Pod 的时候需要获取 Cache 的快照。相比于直接访问 Cache，快照可以解决如下几个问题：
快照不会再有任何变化，可以理解为只读，那么访问快照不需要加锁保证保证原子性； 快照和 Cache 让读写分离，可以避免大范围的锁造成 Cache 访问性能下降；
虽然快照的状态从创建开始就落后于(因为 Cache 可能随时都会更新)Cache，但是对于 kube-scheduler 调度一个 Pod 来说是没问题的，至于原因笔者会在解析调度流程中加以说明。
源码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/snapshot.go#L29
// 从定义上看，快照只有Node信息，没有Pod信息，其实Node信息中已经有Pod信息了，这个在NodeInfo中已经说明了
type Snapshot struct {
// nodeInfoMap用于根据Node的key(NS+Name)快速查找Node
nodeInfoMap map[string]*framework.NodeInfo
// nodeInfoList是Cache中Node全集列表（不包含已删除的Node），按照nodeTree排序.
nodeInfoList []*framework.NodeInfo
// 只要Node上有任何Pod声明了亲和性，那么该Node就要放入havePodsWithAffinityNodeInfoList。
// 为什么要有这个变量？当然是为了调度，比如PodA需要和PodB调度在一个Node上。
havePodsWithAffinityNodeInfoList []*framework.NodeInfo
// havePodsWithRequiredAntiAffinityNodeInfoList和havePodsWithAffinityNodeInfoList相似，
// 只是Pod声明了反亲和，比如PodA不能和PodB调度在一个Node上
havePodsWithRequiredAntiAffinityNodeInfoList []*framework.NodeInfo
// generation是所有NodeInfo.Generation的最大值，因为所有NodeInfo.Generation都源于一个全局的Generation变量，
// 那么Cache中的NodeInfo.Gerneraion大于该值的就是在快照产生后更新过的Node。
// kube-scheduler调用Cache.UpdateSnapshot的时候只需要更新快照之后有变化的Node即可
generation int64
}
Cache 实现
前面铺垫了已经足够了，现在开始进入重点内容，先来看看 Cache 实现类 schedulerCache 的定义。源码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/cache.go#L57
// schedulerCache实现了Cache接口
type schedulerCache struct {
// 这个比较好理解，用来通知schedulerCache停止的chan，说明schedulerCache有自己的协程
stop <-chan struct{}
// 假定Pod一旦完成绑定，就要在指定的时间内确认，否则就会超时，ttl就是指定的过期时间，默认30秒
ttl time.Duration
// 定时清理“假定过期”的Pod，period就是定时周期，默认是1秒钟
// 前面提到了schedulerCache有自己的协程，就是定时清理超时的假定Pod.
period time.Duration
// 锁，说明schedulerCache利用互斥锁实现协程安全，而不是用chan与其他协程交互。
// 这一点实现和SchedulingQueue是一样的。
mu sync.RWMutex
// 假定Pod集合，map的key与podStates相同，都是Pod的NS+NAME，值为true就是假定Pod
// 其实assumedPods的值没有false的可能，感觉assumedPods用set类型(map[string]struct{}{})更合适
assumedPods map[string]bool
// 所有的Pod，此处用的是podState，后面有说明，与SchedulingQueue中提到的QueuedPodInfo类似，
// podState继承了Pod的API定义，增加了Cache需要的属性
podStates map[string]*podState
// 所有的Node，键是Node.Name，值是nodeInfoListItem，后面会有说明，只需要知道map类型就可以了
nodes map[string]*nodeInfoListItem
// 所有的Node再通过双向链表连接起来
headNode *nodeInfoListItem
// 节点按照zone组织成树状，前面提到用nodeTree中Node的名字再到nodes中就可以查找到NodeInfo.
nodeTree *nodeTree
// 镜像状态，本文不做重点说明，只需要知道Cache还统计了镜像的信息就可以了。
imageStates map[string]*imageState
}
// podState与继承了Pod的API类型定义，同时扩展了schedulerCache需要的属性.
type podState struct {
pod *v1.Pod
// 假定Pod的超时截止时间，用于判断假定Pod是否过期。
deadline *time.Time
// 调用Cache.AssumePod的假定Pod不是所有的都需要判断是否过期，因为有些假定Pod可能还在Binding
// bindingFinished就是用于标记已经Bind完成的Pod，然后开始计时，计时的方法就是设置deadline
// 还记得Cache.FinishBinding接口么？就是用来设置bindingFinished和deadline的，后面代码会有解析
bindingFinished bool
}
// nodeInfoListItem定义了nodeInfoList双向链表的item,nodeInfoList的实现非常简单，不多解释。
type nodeInfoListItem struct {
info *framework.NodeInfo
next *nodeInfoListItem
prev *nodeInfoListItem
}
问题来了，既然已经有了 nodes(map 类型)变量，为什么还要再加一个 headNode(list 类型)的变量？这不是多此一举么？其实不然，nodes 可以根据 Node 的名字快速找到 Node，而 headNode 则是根据某个规则排过序的。这一点和 SchedulingQueue 中介绍的用 map/slice 实现队列是一个道理，至于为什么用 list 而不是 slice，肯定是排序方法链表的效率高于 slice，后面在更新 headNode 的地方再做说明，此处先排除疑虑。
从 schedulerCache 的定义基本可以猜到大部分 Cache 接口的实现，本文对于比较简单的接口实现只做简要说明，将文字落在一些重点的函数上。PodCount 和 NodeCount 两个函数因为用于单元测试使用，本文不做说明。
AssumePod
当 kube-scheduler 找到最优的 Node 调度 Pod 的时候会调用 AssumePod 假定 Pod 调度，在通过另一个协程异步 Bind。假定其实就是预先占住资源，kube-scheduler 调度下一个 Pod 的时候不会把这部分资源抢走，直到收到确认消息 AddPod 确认调度成功，亦或是 Bind 失败 ForgetPod 取消假定调度。代码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/cache.go#L361
func (cache *schedulerCache) AssumePod(pod *v1.Pod) error {
// 获取Pod的唯一key，就是NS+Name，因为kube-scheduler调度整个集群的Pod
key, err := framework.GetPodKey(pod)
if err != nil {
return err
}
cache.mu.Lock()
defer cache.mu.Unlock()
// 如果Pod已经存在，则不能假定调度。因为在Cache中的Pod要么是假定调度的，要么是完成调度的
if _, ok := cache.podStates[key]; ok {
return fmt.Errorf("pod %v is in the cache, so can't be assumed", key)
}
// 见下面代码注释
cache.addPod(pod)
ps := &podState{
pod: pod,
}
// 把Pod添加到map中，并标记为assumed
cache.podStates[key] = ps
cache.assumedPods[key] = true
return nil
}
func (cache *schedulerCache) addPod(pod *v1.Pod) {
// 查找Pod调度的Node，如果不存在则创建一个虚Node，虚Node只是没有Node API对象。
// 为什么会这样？可能kube-scheduler调度Pod的时候Node被删除了，可能很快还会添加回来
// 也可能就彻底删除了，此时先放在这个虚的Node上，如果Node不存在后期还会被迁移。
n, ok := cache.nodes[pod.Spec.NodeName]
if !ok {
n = newNodeInfoListItem(framework.NewNodeInfo())
cache.nodes[pod.Spec.NodeName] = n
}
// AddPod就是把Pod的资源累加到NodeInfo中，本文不做详细说明，感兴趣的读者自行查看源码
// 但需要知道的是n.info.AddPod(pod)会更新NodeInfo.Generation，表示NodeInfo是最新的
n.info.AddPod(pod)
// 将Node放到schedulerCache.headNode队列头部，因为NodeInfo当前是最新的，所以放在头部。
// 此处可以解答为什么用list而不是slice，因为每次都是将Node直接放在第一个位置，明显list效率更高
// 所以headNode是按照最近更新排序的
cache.moveNodeInfoToHead(pod.Spec.NodeName)
}
ForgetPod
假定 Pod 预先占用了一些资源，如果之后的操作(比如 Bind)有什么错误，就需要取消假定调度，释放出资源。代码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/cache.go#L406
func (cache *schedulerCache) ForgetPod(pod *v1.Pod) error {
// 获取Pod唯一key
key, err := framework.GetPodKey(pod)
if err != nil {
return err
}
cache.mu.Lock()
defer cache.mu.Unlock()
// 这里有意思了，也就是说Cache假定Pod的Node名字与传入的Pod的Node名字不一致，则返回错误
// 这种情况会不会发生呢?有可能，但是可能性不大，毕竟多协程修改Pod调度状态会有各种可能性。
// 此处留挖一个坑，在解析kube-scheduler调度流程的时候看看到底什么极致的情况会触发这种问题。
currState, ok := cache.podStates[key]
if ok && currState.pod.Spec.NodeName != pod.Spec.NodeName {
return fmt.Errorf("pod %v was assumed on %v but assigned to %v", key, pod.Spec.NodeName, currState.pod.Spec.NodeName)
}
switch {
// 只有假定Pod可以被Forget，因为Forget就是为了取消假定Pod的。
case ok && cache.assumedPods[key]:
// removePod()就是把假定Pod的资源从NodeInfo中减去，见下面代码注释
err := cache.removePod(pod)
if err != nil {
return err
}
// 删除Pod和假定状态
delete(cache.assumedPods, key)
delete(cache.podStates, key)
// 要么Pod不存在，要么Pod已确认调度，这两者都不能够被Forget
default:
return fmt.Errorf("pod %v wasn't assumed so cannot be forgotten", key)
}
return nil
}
func (cache *schedulerCache) removePod(pod *v1.Pod) error {
// 找到假定Pod调度的Node
n, ok := cache.nodes[pod.Spec.NodeName]
if !ok {
klog.Errorf("node %v not found when trying to remove pod %v", pod.Spec.NodeName, pod.Name)
return nil
}
// 减去假定Pod的资源，并从NodeInfo的Pod列表移除假定Pod
// 和n.info.AddPod相同，也会更新NodeInfo.Generation
if err := n.info.RemovePod(pod); err != nil {
return err
}
// 如果NodeInfo的Pod列表没有任何Pod并且Node被删除，则Node从Cache中删除
// 否则将NodeInfo移到列表头，因为NodeInfo被更新，需要放到表头
// 这里需要知道的是，Node被删除Cache不会立刻删除该Node，需要等到Node上所有的Pod从Node中迁移后才删除，
// 具体实现逻辑后续文章会给出，此处先知道即可。
if len(n.info.Pods) == 0 && n.info.Node() == nil {
cache.removeNodeInfoFromList(pod.Spec.NodeName)
} else {
cache.moveNodeInfoToHead(pod.Spec.NodeName)
}
return nil
}
FinishBinding
当假定 Pod 绑定完成后，需要调用 FinishBinding 通知 Cache 开始计时，直到假定 Pod 过期如果依然没有收到 AddPod 的请求，则将过期假定 Pod 删除。代码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/cache.go#L382
func (cache *schedulerCache) FinishBinding(pod *v1.Pod) error {
// 取当前时间
return cache.finishBinding(pod, time.Now())
}
func (cache *schedulerCache) finishBinding(pod *v1.Pod, now time.Time) error {
// 获取Pod唯一key
key, err := framework.GetPodKey(pod)
if err != nil {
return err
}
cache.mu.RLock()
defer cache.mu.RUnlock()
klog.V(5).Infof("Finished binding for pod %v. Can be expired.", key)
// Pod存在并且是假定状态才行
currState, ok := cache.podStates[key]
if ok && cache.assumedPods[key] {
// 标记为完成Binding，并且设置过期时间，还记得ttl默认是多少么？30秒。
dl := now.Add(cache.ttl)
currState.bindingFinished = true
currState.deadline = &dl
}
return nil
}
AddPod
当 Pod Bind 成功，kube-scheduler 会收到消息，然后调用 AddPod 确认调度结果。代码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/cache.go#L476
func (cache *schedulerCache) AddPod(pod *v1.Pod) error {
// 获取Pod唯一key
key, err := framework.GetPodKey(pod)
if err != nil {
return err
}
cache.mu.Lock()
defer cache.mu.Unlock()
// 以下是根据Pod在Cache中的状态决定需要如何处理
currState, ok := cache.podStates[key]
switch {
// Pod是假定调度
case ok && cache.assumedPods[key]:
// Pod实际调度的Node和假定的不一致？
if currState.pod.Spec.NodeName != pod.Spec.NodeName {
klog.Warningf("Pod %v was assumed to be on %v but got added to %v", key, pod.Spec.NodeName, currState.pod.Spec.NodeName)
// 如果不一致，先从假定调度的NodeInfo中减去Pod占用的资源，然后在累加到新NodeInfo中
// 这种情况会在什么时候发生？还是留给后续文章分解吧
if err = cache.removePod(currState.pod); err != nil {
klog.Errorf("removing pod error: %v", err)
}
cache.addPod(pod)
}
// 删除假定状态
delete(cache.assumedPods, key)
// 清空假定过期时间，理论上从cache.assumedPods删除，假定过期时间自然也就失效了
cache.podStates[key].deadline = nil
// 这里有意思了，为什么要在赋值一次？currState中不是已经在AssumePod的时候设置了么？
// 道理很简单，这是同一个Pod的两个副本，而当前参数‘pod’版本更新
cache.podStates[key].pod = pod
// Pod不存在
case !ok:
// Pod可能已经假定过期被删除了，需要重新添加回来
cache.addPod(pod)
ps := &podState{
pod: pod,
}
cache.podStates[key] = ps
// Pod已经执行过AddPod，有句高大上名词叫什么来着？对了，幂等！
default:
return fmt.Errorf("pod %v was already in added state", key)
}
return nil
}
RemovePod
kube-scheduler 收到删除 Pod 的请求，如果 Pod 在 Cache 中，就需要调用 RemovePod。代码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/cache.go#L541
func (cache *schedulerCache) RemovePod(pod *v1.Pod) error {
// 获取Pod唯一key
key, err := framework.GetPodKey(pod)
if err != nil {
return err
}
cache.mu.Lock()
defer cache.mu.Unlock()
// 根据Pod在Cache中的状态执行相应的操作
currState, ok := cache.podStates[key]
switch {
// 只有执行AddPod的Pod才能够执行RemovePod，假定Pod是不会执行RemovePod的，为什么？
// 我只能说就是这么设计的，假定Pod是不会执行这个函数的，这涉及到Pod删除的全流程，
// 已经超纲了。。。，我肯定会有文章解析，此处再挖一个坑。
case ok && !cache.assumedPods[key]:
// 卧槽，Pod的Node和AddPod时的Node不一样？这回的选择非常直接，奔溃，已经超时异常解决范围了
// 如果再继续下去可能会造成调度状态的混乱，不如重启再来。
if currState.pod.Spec.NodeName != pod.Spec.NodeName {
klog.Errorf("Pod %v was assumed to be on %v but got added to %v", key, pod.Spec.NodeName, currState.pod.Spec.NodeName)
klog.Fatalf("Schedulercache is corrupted and can badly affect scheduling decisions")
}
// 从NodeInfo中减去Pod的资源
err := cache.removePod(currState.pod)
if err != nil {
return err
}
// 从Cache中删除Pod
delete(cache.podStates, key)
default:
return fmt.Errorf("pod %v is not found in scheduler cache, so cannot be removed from it", key)
}
return nil
}
AddNode
有新的 Node 添加到集群，kube-scheduler 调用该接口通知 Cache。代码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/cache.go#L605
func (cache *schedulerCache) AddNode(node *v1.Node) error {
cache.mu.Lock()
defer cache.mu.Unlock()
n, ok := cache.nodes[node.Name]
if !ok {
// 如果NodeInfo不存在则创建
n = newNodeInfoListItem(framework.NewNodeInfo())
cache.nodes[node.Name] = n
} else {
// 已存在，先删除镜像状态，因为后面还会在添加回来
cache.removeNodeImageStates(n.info.Node())
}
// 将Node放到列表头
cache.moveNodeInfoToHead(node.Name)
// 添加到nodeTree中
cache.nodeTree.addNode(node)
// 添加Node的镜像状态，感兴趣的读者自行了解，本文不做重点
cache.addNodeImageStates(node, n.info)
// 只有SetNode的NodeInfo才是真实的Node，否则就是前文提到的虚的Node
return n.info.SetNode(node)
}
RemoveNode
Node 从集群中删除，kube-scheduler 调用该接口通知 Cache。代码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/cache.go#L648
func (cache *schedulerCache) RemoveNode(node *v1.Node) error {
cache.mu.Lock()
defer cache.mu.Unlock()
// 如果Node不存在返回错误
n, ok := cache.nodes[node.Name]
if !ok {
return fmt.Errorf("node %v is not found", node.Name)
}
// RemoveNode就是将*v1.Node设置为nil，此时Node就是虚的了
n.info.RemoveNode()
// 当Node上没有运行Pod的时候删除Node，否则把Node放在列表头，因为Node状态更新了
// 熟悉etcd的同学会知道，watch两个路径(Node和Pod)是两个通道，这样会造成两个通道的事件不会按照严格时序到达
// 这应该是存在虚Node的原因之一。
if len(n.info.Pods) == 0 {
cache.removeNodeInfoFromList(node.Name)
} else {
cache.moveNodeInfoToHead(node.Name)
}
// 虽然nodes只有在NodeInfo中Pod数量为零的时候才会被删除，但是nodeTree会直接删除
// 说明nodeTree中体现了实际的Node状态，kube-scheduler调度Pod的时候也是利用nodeTree
// 这样就不会将Pod调度到已经删除的Node上了。
if err := cache.nodeTree.removeNode(node); err != nil {
return err
}
cache.removeNodeImageStates(node)
return nil
}
后期清理协程函数 run
前文提到过，Cache 有自己的协程，就是用来清理假定到期的 Pod。代码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/cache.go#L724
func (cache *schedulerCache) run() {
// 定时1秒钟执行一次cleanupExpiredAssumedPods
go wait.Until(cache.cleanupExpiredAssumedPods, cache.period, cache.stop)
}
func (cache *schedulerCache) cleanupExpiredAssumedPods() {
// 取当前时间
cache.cleanupAssumedPods(time.Now())
}
func (cache *schedulerCache) cleanupAssumedPods(now time.Time) {
cache.mu.Lock()
defer cache.mu.Unlock()
defer cache.updateMetrics()
// 遍历假定Pod
for key := range cache.assumedPods {
// 获取Pod
ps, ok := cache.podStates[key]
if !ok {
klog.Fatal("Key found in assumed set but not in podStates. Potentially a logical error.")
}
// 如果Pod没有标记为结束Binding，则忽略，说明Pod还在Binding中
// 说白了就是没有调用FinishBinding的Pod不用处理
if !ps.bindingFinished {
klog.V(5).Infof("Couldn't expire cache for pod %v/%v. Binding is still in progress.",
ps.pod.Namespace, ps.pod.Name)
continue
}
// 如果当前时间已经超过了Pod假定过期时间，说明Pod假定时间已过期
if now.After(*ps.deadline) {
// 此类情况属于异常情况，所以日志等级是waning
klog.Warningf("Pod %s/%s expired", ps.pod.Namespace, ps.pod.Name)
// 清理假定过期的Pod
if err := cache.expirePod(key, ps); err != nil {
klog.Errorf("ExpirePod failed for %s: %v", key, err)
}
}
}
}
func (cache *schedulerCache) expirePod(key string, ps *podState) error {
// 从NodeInfo中减去Pod资源、镜像等状态
if err := cache.removePod(ps.pod); err != nil {
return err
}
// 从Cache中删除Pod
delete(cache.assumedPods, key)
delete(cache.podStates, key)
return nil
}
其实这里有一个比较严重的问题：如果假定过期的 Pod 资源刚刚会被释放，又有新 Pod 调度到了与刚刚假定过期 Pod 相同的 Node 上，此后 Pod 被 AddPod 添加回来，可能会让 Node 的资源过载。
UpdateSnapshot
好了，前文那么多的铺垫，都是为了 UpdateSnapshot，因为 Cache 存在的核心目的就是给 kube-scheduler 提供 Node 镜像，让 kube-scheduler 根据 Node 的状态调度新的 Pod。而 Cache 中的 Pod 是为了计算 Node 的资源状态存在的，毕竟二者在 etcd 中是两个路径。话不多说，直接上代码。代码链接：https://github.com/kubernetes/kubernetes/blob/release-1.20/pkg/scheduler/internal/cache/cache.go#L203
// UpdateSnapshot更新的是参数nodeSnapshot，不是更新Cache.
// 也就是Cache需要找到当前与nodeSnapshot的差异，然后更新它，这样nodeSnapshot就与Cache状态一致了
// 至少从函数执行完毕后是一致的。
func (cache *schedulerCache) UpdateSnapshot(nodeSnapshot *Snapshot) error {
cache.mu.Lock()
defer cache.mu.Unlock()
// 与本文关系不大，鉴于不增加复杂性原则，先忽略他，从命名上看很容易立理解
balancedVolumesEnabled := utilfeature.DefaultFeatureGate.Enabled(features.BalanceAttachedNodeVolumes)
// 获取nodeSnapshot的版本，笔者习惯叫版本，其实就是版本的概念。
// 此处需要多说一点：kube-scheudler为Node定义了全局的generation变量，每个Node状态变化都会造成generation+=1然后赋值给该Node
// nodeSnapshot.generation就是最新NodeInfo.Generation，就是表头的那个NodeInfo。
snapshotGeneration := nodeSnapshot.generation
// 介绍Snapshot的时候提到了，快照中有三个列表，分别是全量、亲和性和反亲和性列表
// 全量列表在没有Node添加或者删除的时候，是不需要更新的
updateAllLists := false
// 当有Node的亲和性状态发生了变化(以前没有任何Pod有亲和性声明现在有了，抑或反过来)，
// 则需要更新快照中的亲和性列表
updateNodesHavePodsWithAffinity := false
// 同上
updateNodesHavePodsWithRequiredAntiAffinity := false
// 遍历Node列表，为什么不遍历Node的map？因为Node列表是按照Generation排序的
// 只要找到大于nodeSnapshot.generation的所有Node然后把他们更新到nodeSnapshot中就可以了
for node := cache.headNode; node != nil; node = node.next {
// 说明Node的状态已经在nodeSnapshot中了，因为但凡Node有任何更新，那么NodeInfo.Generation
// 肯定会大于snapshotGeneration，同时该Node后面的所有Node也不用在遍历了，因为他们的版本更低
if node.info.Generation <= snapshotGeneration {
break
}
// 先忽略
if balancedVolumesEnabled && node.info.TransientInfo != nil {
// Transient scheduler info is reset here.
node.info.TransientInfo.ResetTransientSchedulerInfo()
}
// node.info.Node()获取*v1.Node，前文说了，如果Node被删除，那么该值就是为nil
// 所以只有未被删除的Node才会被更新到nodeSnapshot，因为快照中的全量Node列表是按照nodeTree排序的
// 而nodeTree都是真实的node
if np := node.info.Node(); np != nil {
// 如果nodeSnapshot中没有该Node，则在nodeSnapshot中创建Node，并标记更新全量列表，因为创建了新的Node
existing, ok := nodeSnapshot.nodeInfoMap[np.Name]
if !ok {
updateAllLists = true
existing = &framework.NodeInfo{}
nodeSnapshot.nodeInfoMap[np.Name] = existing
}
// 克隆NodeInfo，这个比较好理解，肯定不能简单的把指针设置过去，这样会造成多协程读写同一个对象
// 因为克隆操作比较重，所以能少做就少做，这也是利用Generation实现增量更新的原因
clone := node.info.Clone()
// 如果Pod以前或者现在有任何亲和性声明，则需要更新nodeSnapshot中的亲和性列表
if (len(existing.PodsWithAffinity) > 0) != (len(clone.PodsWithAffinity) > 0) {
updateNodesHavePodsWithAffinity = true
}
// 同上，需要更新非亲和性列表
if (len(existing.PodsWithRequiredAntiAffinity) > 0) != (len(clone.PodsWithRequiredAntiAffinity) > 0) {
updateNodesHavePodsWithRequiredAntiAffinity = true
}
// 将NodeInfo的拷贝更新到nodeSnapshot中
*existing = *clone
}
}
// Cache的表头Node的版本是最新的，所以也就代表了此时更新镜像后镜像的版本了
if cache.headNode != nil {
nodeSnapshot.generation = cache.headNode.info.Generation
}
// 如果nodeSnapshot中node的数量大于nodeTree中的数量，说明有node被删除
// 所以要从快照的nodeInfoMap中删除已删除的Node，同时标记需要更新node的全量列表
if len(nodeSnapshot.nodeInfoMap) > cache.nodeTree.numNodes {
cache.removeDeletedNodesFromSnapshot(nodeSnapshot)
updateAllLists = true
}
// 如果需要更新Node的全量或者亲和性或者反亲和性列表，则更新nodeSnapshot中的Node列表
if updateAllLists || updateNodesHavePodsWithAffinity || updateNodesHavePodsWithRequiredAntiAffinity {
cache.updateNodeInfoSnapshotList(nodeSnapshot, updateAllLists)
}
// 如果此时nodeSnapshot的node列表与nodeTree的数量还不一致，需要再做一次node全列表更新
// 此处应该是一个保险操作，理论上不会发生，谁知道会不会有Bug发生呢？多一些容错没有坏处
if len(nodeSnapshot.nodeInfoList) != cache.nodeTree.numNodes {
errMsg := fmt.Sprintf("snapshot state is not consistent, length of NodeInfoList=%v not equal to length of nodes in tree=%v "+
", length of NodeInfoMap=%v, length of nodes in cache=%v"+
", trying to recover",
len(nodeSnapshot.nodeInfoList), cache.nodeTree.numNodes,
len(nodeSnapshot.nodeInfoMap), len(cache.nodes))
klog.Error(errMsg)
// We will try to recover by re-creating the lists for the next scheduling cycle, but still return an
// error to surface the problem, the error will likely cause a failure to the current scheduling cycle.
cache.updateNodeInfoSnapshotList(nodeSnapshot, true)
return fmt.Errorf(errMsg)
}
return nil
}
// 先思考一个问题：为什么有Node添加或者删除需要更新快照中的全量列表？如果是Node删除了，
// 需要找到Node在全量列表中的位置，然后删除它，最悲观的复杂度就是遍历一遍列表，然后再挪动它后面的Node
// 因为快照的Node列表是用slice实现，所以一旦快照中Node列表有任何更新，复杂度都是Node的数量。
// 那如果是有新的Node添加呢？并不知道应该插在哪里，所以重新创建一次全量列表最为简单有效。
// 亲和性和反亲和性列表道理也是一样的。
func (cache *schedulerCache) updateNodeInfoSnapshotList(snapshot *Snapshot, updateAll bool) {
// 快照创建亲和性和反亲和性列表
snapshot.havePodsWithAffinityNodeInfoList = make([]*framework.NodeInfo, 0, cache.nodeTree.numNodes)
snapshot.havePodsWithRequiredAntiAffinityNodeInfoList = make([]*framework.NodeInfo, 0, cache.nodeTree.numNodes)
// 如果更新全量列表
if updateAll {
// 创建快照全量列表
snapshot.nodeInfoList = make([]*framework.NodeInfo, 0, cache.nodeTree.numNodes)
nodesList, err := cache.nodeTree.list()
if err != nil {
klog.Error(err)
}
// 遍历nodeTree的Node
for _, nodeName := range nodesList {
// 理论上快照的nodeInfoMap与nodeTree的状态是一致，此处做了判断用来检测BUG，下面的错误日志也是这么写的
if nodeInfo := snapshot.nodeInfoMap[nodeName]; nodeInfo != nil {
// 追加全量、亲和性(按需)、反亲和性列表(按需)
snapshot.nodeInfoList = append(snapshot.nodeInfoList, nodeInfo)
if len(nodeInfo.PodsWithAffinity) > 0 {
snapshot.havePodsWithAffinityNodeInfoList = append(snapshot.havePodsWithAffinityNodeInfoList, nodeInfo)
}
if len(nodeInfo.PodsWithRequiredAntiAffinity) > 0 {
snapshot.havePodsWithRequiredAntiAffinityNodeInfoList = append(snapshot.havePodsWithRequiredAntiAffinityNodeInfoList, nodeInfo)
}
} else {
klog.Errorf("node %q exist in nodeTree but not in NodeInfoMap, this should not happen.", nodeName)
}
}
} else {
// 如果更新全量列表，只需要遍历快照中的全量列表就可以了
for _, nodeInfo := range snapshot.nodeInfoList {
// 按需追加亲和性和反亲和性列表
if len(nodeInfo.PodsWithAffinity) > 0 {
snapshot.havePodsWithAffinityNodeInfoList = append(snapshot.havePodsWithAffinityNodeInfoList, nodeInfo)
}
if len(nodeInfo.PodsWithRequiredAntiAffinity) > 0 {
snapshot.havePodsWithRequiredAntiAffinityNodeInfoList = append(snapshot.havePodsWithRequiredAntiAffinityNodeInfoList, nodeInfo)
}
}
}
}
想想快照中 Node 的列表用来干什么？前面应该提到了，就是 map 没有任何序，而列表按照 nodeTree 排序，对于调度更有利，读者应该能想明白了。
总结
Cache 缓存了 Pod 和 Node 信息，并且 Node 信息聚合了运行在该 Node 上所有 Pod 的资源量和镜像信息；Node 有虚实之分，已删除的 Node，Cache 不会立刻删除它，而是继续维护一个虚的 Node，直到 Node 上的 Pod 清零后才会被删除；但是 nodeTree 中维护的是实际的 Node，调度使用 nodeTree 就可以避免将 Pod 调度到虚 Node 上； kube-scheduler 利用 client-go 监控(watch)Pod 和 Node 状态，当有事件发生时调用 Cache 的 AddPod，RemovePod，UpdatePod，AddNode，RemoveNode，UpdateNode 更新 Cache 中 Pod 和 Node 的状态，这样 kube-scheduler 开始新一轮调度的时候可以获得最新的状态； kube-scheduler 每一轮调度都会调用 UpdateSnapshot 更新本地(局部变量)的 Node 状态，因为 Cache 中的 Node 按照最近更新排序，只需要将 Cache 中 Node.Generation 大于 kube-scheduler 本地的快照 generation 的 Node 更新到 snapshot 中即可，这样可以避免大量不必要的拷贝； kube-scheduler 找到合适的 Node 调度 Pod 后，需要调用 Cache.AssumePod 假定 Pod 已调度，然后启动协程异步 Bind Pod 到 Node 上，当 Pod 完成 Bind 后，调用 Cache.FinishBinding 通知 Cache； kube-scheudler 调用 Cache.AssumePod 后续的所有造作一旦有错误就会调用 Cache.ForgetPod 删除假定的 Pod，释放资源； 完成 Bind 的 Pod 默认超时为 30 秒，Cache 有一个协程定时(1 秒)清理超时的 Bind 超时的 Pod，如果超时依然没有收到 Pod 确认消息(调用 AddPod)，则将删除超时的 Pod，进而释放出 Cache.AssumePod 占用的资源; Cache 的核心功能就是统计 Node 的调度状态(比如累加 Pod 的资源量、统计镜像)，然后以镜像的形式输出给 kube-scheduler，kube-scheduler 从调度队列(SchedulingQueue)中取出等待调度的 Pod，根据镜像计算最合适的 Node；
此时再来看看源码中关于 Pod 状态机的注释就非常容易理解了：
// State Machine of a pod's events in scheduler's cache:
//
//
// +-------------------------------------------+ +----+
// | Add | | |
// | | | | Update
// + Assume Add v v |
//Initial +--------> Assumed +------------+---> Added <--+
// ^ + + | +
// | | | | |
// | | | Add | | Remove
// | | | | |
// | | | + |
// +----------------+ +-----------> Expired +----> Deleted
// Forget Expire
//
上面总结中描述了 kube-scheduler 大致调度一个 Pod 的流程，其实 kube-scheduler 调度一个 Pod 的流程非常复杂，此处为了方便理解 Cache 在 kube-scheduler 中的位置和作用，剧透了部分内容。笔者会在后续文章中详细解析 kube-scheduler 调度 Pod 的详细流程。
“原文链接：https://blog.csdn.net/weixin_42663840/article/details/112004228
”
K8S 进阶训练营
点击屏末 | 阅读原文 | 即刻学习评论