基于主机健康度评估模型和K8s的应用调度方法与流程

本发明涉及一种基于k8s的应用调度方法，尤其涉及基于主机健康度评估模型和k8s的应用调度方法。

背景技术：

1、kubernetes调度是指将pod容器放置到合适的节点上，以便对应节点上的kubelet能够常见这些pod；kube-scheduler是kubernetes集群的默认调度器，是集群控制面的一部分，将选择一个最佳节点来运行新创建的且尚未被调度的pod。

2、kubernetes默认资源调度仅支持基于cpu、内存等基础资源指标进行调度，而不支持基于应用系统所关注的个性化资源指标进行调度，例如文件句柄数、磁盘io负载、网卡负载、应用程序进程状态等资源；并且应用系统关注的个性化资源指标数据通常存储于监控系统中，而监控体系与调度体系之间缺乏有效的连通，可能导致应用实例被调度到监控指标异常的服务器上运行，从而影响应用系统的稳定性，所以kubernetes默认资源调度技术体系难以满足应用系统个性化的调度需求。

技术实现思路

1、为了解决上述技术所存在的不足之处，本发明提供了基于主机健康度评估模型和k8s的应用调度方法。

2、为了解决以上技术问题，本发明采用的技术方案是：基于主机健康度评估模型和k8s的应用调度方法，包括以下步骤：

3、步骤s1：构建主机健康评估模型，定义node_healthy指标；主机健康评估模型，包括所需外部物理资源分析模块、主机与操作系统资源分析模块；主机健康评估模型的工作维度包括：服务器运行状态维度和应用可运行所需资源维度；

4、步骤s2：构建设备插件healthydeviceplugin；

5、步骤s3：基于设备插件healthydeviceplugin，将node_healthy指标注册至节点信息清单；

6、步骤s4：固定周期采集计算并获取各节点的node_healthy指标数值，并同步更新至节点信息清单；

7、步骤s5：主机健康度评估模型在应用可运行所需资源维度下，并在k8s即kubernetes技术领域内，定义node_filter_annotation指标，以明确节点是否能被调度；

8、步骤s6：主机健康度评估模型在应用可运行所需资源维度下，并在k8s即kubernetes技术领域内，定义node_score指标，以明确节点状态的优劣；

9、步骤s7：在kubernetes默认调度器的基础上，基于node_filter_annotation指标和node_score指标，构建自定义策略调度healthyscheduler，以用于过滤节点和节点状态打分；

10、步骤s8：依据节点的node_healthy指标，healthyscheduler决策出优先级最高的可被调度节点；将应用实例调度决策结果同步至优先级最高节点的kubelet组件；

11、步骤s9：根据kubelet组件监听的信息，创建应用实例。

12、进一步地，步骤s1中定义node_healthy指标，包括以下步骤：

13、s11：主机健康评估模型在服务器运行状态维度下，在k8s即kubernetes技术领域内，预设资源指标对健康度评分的影响因子及分段区间，计算资源指标对健康度的影响分值；

14、s12：基于资源指标对健康度的影响分值定义节点健康度node_healthy指标；node_healthy指标计算公式为：

15、

16、其中，node_healthy为节点健康度指标，node_healthy∈(0，100)；θ为某项资源指标，θ∈{cpuidletime、freemem、load5、dcount、zombiecount、filedescriptor......}；n为node_healthy指标所需考虑的对其产生影响的资源指标项总数量，n∈|{cpuidletime、freemem、load5、dcount、zombiecount、filedescriptor......}|；δhθ为θ资源指标对健康度的影响分值。

17、进一步地，s11中在kubernetes技术领域内，依据物理服务器运行监控、linux操作系统运行状态、kubernetes组件运行监控的信息进行评估，预设资源指标对健康度评分的影响因子，资源指标对健康度评分的影响因子包括cpu、内存、文件句柄数、磁盘io负载、网卡负载、应用程序进程状态。

18、进一步地，s11中计算资源指标对健康度的影响分值，公式为：

19、δhθ∈{cpuidletime、freemem、load5、dcount、zombiecount、filedescriptor......}＝

20、αi(θ，β(θ))fi(θ，β(θ))；

21、其中，δhθ为θ资源指标对建康度的影响分值；θ为某项资源指标，θ∈

22、{cpuidletime、freemem、load5、dcount、zombiecount、filedescriptor…}；β(θ)为采集的θ资源指标数值；fi(θ，β(θ))为当θ资源指标采集到的数值为β(θ)，且β(θ)分布在θ资源指标第i个分段区间时，该资源指标对健康度的影响分值，fi(θ，β(θ))∈(0，100)；αi(θ，β(θ))为当θ资源指标采集到的数值为β(θ)，且β(θ)分布在θ资源指标第i个分段区间时，该资源指标对健康度的影响因子。

23、进一步地，步骤s2中基于node_healthy指标中的运行与监控信息采集方法、评估模型函数、定时工具和信息同步方法构建设备插件healthydeviceplugin。

24、进一步地，步骤s4中通过创建cron定时任务，设置固定周期，按照固定周期采集和计算node_healthy指标数值；node_healthy指标数值通过healthydeviceplugin设备插件同步更新至节点信息清单。

25、进一步地，步骤s5中在kubernetes技术领域内，基于调度框架filter扩展点调度算法扩展的节点过滤规则，根据主机状态信息的node_healthy指标，定义node_filter-annotation指标；node_filter_annotation指标的计算公式为：

26、

27、其中，node_filter_annotationμ为应用μ在调度过程中的filter阶段，节点状态是否能被应用部署的状态指标；为应用μ在应用可运行的前提下对健康度资源的需求度。

28、进一步地，步骤s6中在kubernetes技术领域内，基于调度框架score扩展点调度算法扩展的节点打分规则，根据主机状态信息的node_healthy指标，定义node_score指标，以明确节点状态的优劣；filter阶段状态被标注为schedulable的节点会进入之后的score阶段；node_score指标的计算公式为：

29、

30、其中，node_scoreμ为扩展的算法在调度应用μ的过程中对节点状态优劣的打分；为当应用μ对健康度资源的需求值为且分布在应用μ的第i个分段区间时，该应用对节点状态优劣的打分；weightμ为扩展的调度算法在调度应用μ的过程中，在节点最终得分中所占的权重。

31、进一步地，步骤s8中healthyscheduler基于node_fi lter_annotation指标筛选过滤可被调度节点，并基于筛选后的节点node_score指标排序，决策出优先级最高的可被调度节点。

32、进一步地，步骤s9中kubelet组件监听到有同步到本节点待创建应用实例pod信息后，按照业务应用yaml资源清单的配置创建应用实例pod。

33、本发明公开了基于主机健康度评估模型和k8s的应用调度方法，通过建立主机健康度评估模型，实现了对主机状态信息node_healthy指标的定时采集及更新；在不侵入kubernetes源代码的前提下，基于node_healthy指标扩展了节点过滤及打分原则，有效避免了应用实例被调度到node_healthy指标状态异常节点上的情况，保障了业务应用的稳定运行。