在分布式调度中为了保证服务的高可用和容灾需求，通常都会讲服务在多个区域、机架、节点上平均分布，从而避免单点故障引起的服务不可用，在k8s中自然也实现了该算法即SelectorSpread, 本文就来学习下这个算法的底层实现细节

1. 设计要点

1.1 zone与node

zone即代表一个区域，node则是一个具体的节点，而该打散算法的目标就是将pod在zone和node之间进行打散操作

1.2 namespace

namespace是k8s中进行资源隔离的实现，同样的筛选也是如此，在筛选的过程中，不同namespace下面的pod并不会相互影响

1.3 计数与聚合

SelectorSpread算法是scheduler中优先级算法的一种，其实现了优先级算法的map/reduce方法，其中map阶段需要完成对各个节点亲和性的统计, 也就是统计该节点上的匹配的pod的数量，而reduce阶段则是聚合所有匹配的数量，进行统计打分

1.4 参考对象

在k8s中有很多上层对象诸如service、replicaSet、statefulset等，而算法打散的对象也是依据这些上层对象，让单个service的多个pod进行平均分布

1.5 选择器

在传统的基于数据库的设计中，数据之间的关联关系通常是基于外键或者对象id来实现模型之间的关联,而在kubernetes中则是通过selector来进行这种关系的映射，通过给对象定义不同的label然后在label上构造选择器，从而实现各种资源之间的相互关联

2. 实现原理

2.1 选择器

2.1.1 选择器接口

选择器接口其关键方法主要是通过Matches来进行一组标签的匹配，先关注这些就可以了，后续需要再去关注其核心实现

type Selector interface {// Matches returns true if this selector matches the given set of labels.Matches(Labels) bool// String returns a human readable string that represents this selector.String() string// Add adds requirements to the SelectorAdd(r ...Requirement) Selector
}

2.1.2 资源筛选

Selector数组的实现其实也很简单，就是遍历所有相关联的资源，然后用当前的pod上的Label标签去搜索，如果发现有资源包含当前pod的标签，就把对应资源的所有Selector都获取出来，加入到selectors数组中

func getSelectors(pod *v1.Pod, sl algorithm.ServiceLister, cl algorithm.ControllerLister, rsl algorithm.ReplicaSetLister, ssl algorithm.StatefulSetLister) []labels.Selector {var selectors []labels.Selectorif services, err := sl.GetPodServices(pod); err == nil {for _, service := range services {selectors = append(selectors, labels.SelectorFromSet(service.Spec.Selector))}}if rcs, err := cl.GetPodControllers(pod); err == nil {for _, rc := range rcs {selectors = append(selectors, labels.SelectorFromSet(rc.Spec.Selector))}}if rss, err := rsl.GetPodReplicaSets(pod); err == nil {for _, rs := range rss {if selector, err := metav1.LabelSelectorAsSelector(rs.Spec.Selector); err == nil {selectors = append(selectors, selector)}}}if sss, err := ssl.GetPodStatefulSets(pod); err == nil {for _, ss := range sss {if selector, err := metav1.LabelSelectorAsSelector(ss.Spec.Selector); err == nil {selectors = append(selectors, selector)}}}return selectors
}

2.1 算法注册与初始化

2.1.1 算法注册

在构建算法的时候，首先会从参数中获取各种资源的Lister, 其实就是筛选对象的一个接口，可以从该接口中获取集群中对应类型的所有资源

    factory.RegisterPriorityConfigFactory(priorities.SelectorSpreadPriority,factory.PriorityConfigFactory{MapReduceFunction: func(args factory.PluginFactoryArgs) (priorities.PriorityMapFunction, priorities.PriorityReduceFunction) {return priorities.NewSelectorSpreadPriority(args.ServiceLister, args.ControllerLister, args.ReplicaSetLister, args.StatefulSetLister)},Weight: 1,},)

2.1.2 算法初始化

算法初始化则是构建一个SelectorSpread对象，我们可以看到其map和reduce的关键实现分别对应内部的两个方法

func NewSelectorSpreadPriority(serviceLister algorithm.ServiceLister,controllerLister algorithm.ControllerLister,replicaSetLister algorithm.ReplicaSetLister,statefulSetLister algorithm.StatefulSetLister) (PriorityMapFunction, PriorityReduceFunction) {selectorSpread := &SelectorSpread{serviceLister:     serviceLister,controllerLister:  controllerLister,replicaSetLister:  replicaSetLister,statefulSetLister: statefulSetLister,}return selectorSpread.CalculateSpreadPriorityMap, selectorSpread.CalculateSpreadPriorityReduce
}

2.2 CalculateSpreadPriorityMap

2.2.1 构建选择器

在进行Map核心统计阶段之前会先根据当前的pod获取其上的选择器Selector数组，即当前pod有那些选择器相关联，这个是在创建meta的时候完成

    var selectors []labels.Selectornode := nodeInfo.Node()if node == nil {return schedulerapi.HostPriority{}, fmt.Errorf("node not found")}priorityMeta, ok := meta.(*priorityMetadata)if ok {// 在priorityMeta构建的时候已经完成selectors = priorityMeta.podSelectors} else {// 获取当前pod的所有的selector 包括service  rs rcselectors = getSelectors(pod, s.serviceLister, s.controllerLister, s.replicaSetLister, s.statefulSetLister)}if len(selectors) == 0 {return schedulerapi.HostPriority{Host:  node.Name,Score: int(0),}, nil}

2.2.2 统计匹配计数

统计计数其实就是根据上面的selector数组逐个遍历当前node上面的所有pod如果发现全都匹配则计数一次，最后返回当前节点上匹配的pod的数量(这里的匹配是指的所有都匹配即跟当前的pod的所有label匹配都一样)

func countMatchingPods(namespace string, selectors []labels.Selector, nodeInfo *schedulernodeinfo.NodeInfo) int {//  计算当前node上面匹配的node的数量if nodeInfo.Pods() == nil || len(nodeInfo.Pods()) == 0 || len(selectors) == 0 {return 0}count := 0for _, pod := range nodeInfo.Pods() {// 这里会跳过不同namespace和被删除的podif namespace == pod.Namespace && pod.DeletionTimestamp == nil {matches := true// 遍历所有的选择器，如果不匹配，则会立马跳出for _, selector := range selectors {if !selector.Matches(labels.Set(pod.Labels)) { matches = falsebreak}}if matches {count   // 记录当前节点上匹配的pod的数量}}}return count
}

2.2.3 返回统计结果

最后返回对应node的名字和node上的匹配的pod的数量

    count := countMatchingPods(pod.Namespace, selectors, nodeInfo)return schedulerapi.HostPriority{Host:  node.Name,Score: count,}, nil

2.4 CalculateAntiAffinityPriorityReduce

2.4.1 计数器

计数器主要包含三个：单个node上最大的pod数量、单个zone里面最大pod的数量、每个zone中pod的数量

    countsByZone := make(map[string]int, 10)maxCountByZone := int(0)maxCountByNodeName := int(0)

2.4.2 单节点最大统计与zone区域聚合

    for i := range result {if result[i].Score > maxCountByNodeName {maxCountByNodeName = result[i].Score // 寻找单节点上的最大pod数量}zoneID := utilnode.GetZoneKey(nodeNameToInfo[result[i].Host].Node())if zoneID == "" {continue}// 进行zone所有node匹配pod的聚合countsByZone[zoneID]  = result[i].Score}

2.4.3 zone最大值统计

    for zoneID := range countsByZone {if countsByZone[zoneID] > maxCountByZone {maxCountByZone = countsByZone[zoneID]}}

2.4.4 核心计算打分算法

核心打分算法流程包含两个级别：node级别和zone级别，其算法为：node: 10 * ((单节点最大匹配数量)-当前node的匹配数量)/最大节点匹配数量) = fscodezone: 10 * ((单zone最大匹配数量)-当前zone的匹配数量)/最大zone匹配数量) = zoneScore合并: fScore (1.0 - zoneWeighting)) (zoneWeighting zoneScore (zoneWeighting=2/3)即优先进行zone级别分布，其次再是node

比如分别有3个node其匹配pod数量分别为:node1:3, node2:5, node3:10 则打分结果为:node1: 10 * ((10-3)/10) = 7node2: 10 * ((10-5)/10) = 5node3: (10* ((10-5)/10) = 0可以看到其上匹配的pod数量越多最终的优先级则越小假设分别有3个zone(跟node编号相同), 则zone得分为：zone1=7, zone2=5, zone3=0最终计分(zoneWeighting=2/3): node1=7, node2=5, node3=0

    maxCountByNodeNameFloat64 := float64(maxCountByNodeName)maxCountByZoneFloat64 := float64(maxCountByZone)MaxPriorityFloat64 := float64(schedulerapi.MaxPriority)for i := range result {// initializing to the default/max node score of maxPriorityfScore := MaxPriorityFloat64if maxCountByNodeName > 0 {fScore = MaxPriorityFloat64 * (float64(maxCountByNodeName-result[i].Score) / maxCountByNodeNameFloat64)}// If there is zone information present, incorporate itif haveZones {zoneID := utilnode.GetZoneKey(nodeNameToInfo[result[i].Host].Node())if zoneID != "" {zoneScore := MaxPriorityFloat64if maxCountByZone > 0 {zoneScore = MaxPriorityFloat64 * (float64(maxCountByZone-countsByZone[zoneID]) / maxCountByZoneFloat64)}fScore = (fScore * (1.0 - zoneWeighting))   (zoneWeighting * zoneScore)}}result[i].Score = int(fScore)if klog.V(10) {klog.Infof("%v -> %v: SelectorSpreadPriority, Score: (%d)", pod.Name, result[i].Host, int(fScore),)}}

今天就到这里吧，其实可以看出在分布的时候，是会优先尝试zone分布，然后在进行节点分布，我比较好奇zoneWeighting=2/3这个值是怎么来的，从注释上看，老外也没有证明，可能就是为了倾斜zone吧，大家周末愉快

微信号：baxiaoshi2020

关注公告号阅读更多源码分析文章

更多文章关注 www.sreguide.com

本文由博客一文多发平台 OpenWrite 发布