Seminar Karmada Scheduling, Placement und Workload-Rebalancing

Das Seminar vertieft die Planungslogik von Karmada von der Kandidatenauswahl über Filterung und Bewertung bis zur Replikatverteilung und kontrollierten Neuplatzierung. Affinity, Spread, Taints, Kapazität, Schätzwerte, Rebalancing und Diagnose werden in anspruchsvollen Szenarien kombiniert.

Inhaltsübersicht

• Zielsetzung
• Teilnehmerkreis
• Voraussetzungen
• Lernumgebung
• Scheduler-Workflow und Datenquellen
• ClusterAffinity und Selektoren
• Taints, Tolerations und Ausschlussmodelle
• SpreadConstraints und Fehlerdomänen
• Kapazität und Resource Model
• ReplicaSchedulingStrategy
• Workload-Rebalancing
• Failover und Scheduling-Zusammenspiel
• Diagnose komplexer Scheduling-Fehler

Zielsetzung

Die Seminarinhalte verbinden technische Einordnung, nachvollziehbare Konfiguration und kontrollierte Betriebsprüfung.

• den Karmada-Scheduling-Workflow bis zur Bindungsentscheidung analysieren
• harte Filter und weiche Bewertungen korrekt modellieren
• Replikate nach Verfügbarkeit, Kapazität und Gewichtung verteilen
• Neuplanung und Rebalancing ohne unnötige Disruption steuern
• Scheduling-Fehler mit Events, Bindungen und Schätzmodellen diagnostizieren

Teilnehmerkreis

Erfahrene Kubernetes- und Karmada-Administratoren, Plattform-Engineers, Site Reliability Engineers und technische Architekten.

Voraussetzungen

Sichere Kubernetes-Scheduling-Grundlagen, Labels, Affinity, Taints, Ressourcenrequests und Karmada Propagation Policies. Grundlegende Karmada-Binding-Objekte müssen bekannt sein.

Lernumgebung

Die Übungen werden in einer isolierten Multi-Cluster-Laborumgebung mit einer Karmada Control Plane und mehreren Kubernetes-Mitgliedsclustern durchgeführt. Alle Arbeitsschritte werden über deklarative Manifeste, kubectl, karmadactl und die jeweils erforderlichen Diagnosewerkzeuge nachvollzogen. Änderungen werden vor der Anwendung geprüft und nach der Anwendung anhand von Status, Events und Zielressourcen validiert.

1. Scheduler-Workflow und Datenquellen

Planungsentscheidungen werden entlang von Snapshot, Kandidatenmenge, Filterung, Bewertung und Bindung nachvollzogen.

Inhalte

• Scheduler-Auslöser
• Cluster Cache und Snapshot
• Filter- und Score-Phasen
• ResourceBinding
• Scheduling Result
• Reconcile und erneute Planung

Praxisablauf

1. Ausgangszustand, Zugriffsrechte und technische Voraussetzungen für „Scheduler-Workflow und Datenquellen“ prüfen.
2. Vorhandene Objekte und Konfigurationen sichern und die vorgesehenen Änderungen als nachvollziehbare Manifeste vorbereiten.
3. Eine Platzierungsentscheidung Schritt für Schritt aus Logs, Events und Binding-Status rekonstruieren.
4. Status, Events und erzeugte Objekte in der Karmada Control Plane sowie in den betroffenen Mitgliedsclustern vergleichen.
5. Eine kontrollierte Abweichung oder einen Fehlerfall auslösen, Korrektur beziehungsweise Rollback durchführen und das Ergebnis dokumentieren.

2. ClusterAffinity und Selektoren

Harte und bevorzugte Bedingungen werden bewusst getrennt.

Inhalte

• Required und Preferred
• LabelSelector
• FieldSelector
• ClusterNames
• Negation und Mengenoperatoren
• Änderungen von Clusterlabels

Praxisablauf

1. Ausgangszustand, Zugriffsrechte und technische Voraussetzungen für „ClusterAffinity und Selektoren“ prüfen.
2. Vorhandene Objekte und Konfigurationen sichern und die vorgesehenen Änderungen als nachvollziehbare Manifeste vorbereiten.
3. Eine Regel mit zwingenden Compliance-Kriterien und bevorzugter Region konfigurieren.
4. Status, Events und erzeugte Objekte in der Karmada Control Plane sowie in den betroffenen Mitgliedsclustern vergleichen.
5. Eine kontrollierte Abweichung oder einen Fehlerfall auslösen, Korrektur beziehungsweise Rollback durchführen und das Ergebnis dokumentieren.

3. Taints, Tolerations und Ausschlussmodelle

Cluster werden für besondere Workloads reserviert oder temporär aus der Planung genommen.

Inhalte

• NoSchedule und PreferNoSchedule
• Tolerations
• Wartungstaints
• dedizierte Cluster
• zeitliche Änderungen
• bestehende Bindungen

Praxisablauf

1. Ausgangszustand, Zugriffsrechte und technische Voraussetzungen für „Taints, Tolerations und Ausschlussmodelle“ prüfen.
2. Vorhandene Objekte und Konfigurationen sichern und die vorgesehenen Änderungen als nachvollziehbare Manifeste vorbereiten.
3. Einen Cluster reservieren, einen zweiten in Wartung setzen und die Auswirkungen auf neue sowie bestehende Workloads prüfen.
4. Status, Events und erzeugte Objekte in der Karmada Control Plane sowie in den betroffenen Mitgliedsclustern vergleichen.
5. Eine kontrollierte Abweichung oder einen Fehlerfall auslösen, Korrektur beziehungsweise Rollback durchführen und das Ergebnis dokumentieren.

4. SpreadConstraints und Fehlerdomänen

Verteilung über Regionen, Zonen und Provider reduziert gemeinsame Ausfallrisiken.

Inhalte

• Spread by Field und Label
• MinGroups
• MaxGroups
• DoNotSchedule und ScheduleAnyway
• ungleiche Clustergruppen
• Verfügbarkeitsziele

Praxisablauf

1. Ausgangszustand, Zugriffsrechte und technische Voraussetzungen für „SpreadConstraints und Fehlerdomänen“ prüfen.
2. Vorhandene Objekte und Konfigurationen sichern und die vorgesehenen Änderungen als nachvollziehbare Manifeste vorbereiten.
3. Eine Anwendung über mindestens zwei Regionen und drei Zonen mit kontrollierter Restverteilung platzieren.
4. Status, Events und erzeugte Objekte in der Karmada Control Plane sowie in den betroffenen Mitgliedsclustern vergleichen.
5. Eine kontrollierte Abweichung oder einen Fehlerfall auslösen, Korrektur beziehungsweise Rollback durchführen und das Ergebnis dokumentieren.

5. Kapazität und Resource Model

Ressourcenrequests und verfügbare Kapazität beeinflussen die Eignung von Clustern.

Inhalte

• Allocatable und verfügbare Ressourcen
• ResourceQuota
• ClusterResourceModel
• Schätzwerte
• Fragmentierung
• Sicherheitsreserven

Praxisablauf

1. Ausgangszustand, Zugriffsrechte und technische Voraussetzungen für „Kapazität und Resource Model“ prüfen.
2. Vorhandene Objekte und Konfigurationen sichern und die vorgesehenen Änderungen als nachvollziehbare Manifeste vorbereiten.
3. Kapazitätsgrenzen simulieren und die Auswahl geeigneter Cluster verifizieren.
4. Status, Events und erzeugte Objekte in der Karmada Control Plane sowie in den betroffenen Mitgliedsclustern vergleichen.
5. Eine kontrollierte Abweichung oder einen Fehlerfall auslösen, Korrektur beziehungsweise Rollback durchführen und das Ergebnis dokumentieren.

6. ReplicaSchedulingStrategy

Replikate werden dupliziert oder als Gesamtmenge auf mehrere Zielcluster verteilt.

Inhalte

• Duplicated und Divided
• StaticWeight und DynamicWeight
• MinReplicas und MaxReplicas
• Gewichtungsänderung
• Rundung und Restreplikate
• Statusaggregation

Praxisablauf

1. Ausgangszustand, Zugriffsrechte und technische Voraussetzungen für „ReplicaSchedulingStrategy“ prüfen.
2. Vorhandene Objekte und Konfigurationen sichern und die vorgesehenen Änderungen als nachvollziehbare Manifeste vorbereiten.
3. Drei Verteilungsstrategien konfigurieren und ihre Ergebnisse vergleichend auswerten.
4. Status, Events und erzeugte Objekte in der Karmada Control Plane sowie in den betroffenen Mitgliedsclustern vergleichen.
5. Eine kontrollierte Abweichung oder einen Fehlerfall auslösen, Korrektur beziehungsweise Rollback durchführen und das Ergebnis dokumentieren.

7. Workload-Rebalancing

Neue Cluster, Kapazitätsänderungen oder geänderte Regeln dürfen nicht automatisch zu schädlichen Massenverschiebungen führen.

Inhalte

• Reconcile gegenüber Rebalance
• Descheduler-Muster
• Graceful Eviction
• Disruption Budget
• Change-Fenster
• Stabilisierung und Hysterese

Praxisablauf

1. Ausgangszustand, Zugriffsrechte und technische Voraussetzungen für „Workload-Rebalancing“ prüfen.
2. Vorhandene Objekte und Konfigurationen sichern und die vorgesehenen Änderungen als nachvollziehbare Manifeste vorbereiten.
3. Eine neue Kapazitätszone hinzufügen und eine begrenzte, kontrollierte Neuverteilung durchführen.
4. Status, Events und erzeugte Objekte in der Karmada Control Plane sowie in den betroffenen Mitgliedsclustern vergleichen.
5. Eine kontrollierte Abweichung oder einen Fehlerfall auslösen, Korrektur beziehungsweise Rollback durchführen und das Ergebnis dokumentieren.

8. Failover und Scheduling-Zusammenspiel

Ausfallreaktionen nutzen dieselben Platzierungsregeln, müssen aber andere Zeit- und Risikogrenzen beachten.

Inhalte

• unschedulable nach Clusterverlust
• Fallback-Cluster
• Failure Domains
• Kapazitätsreserve
• Application- und ClusterFailover
• Failback

Praxisablauf

1. Ausgangszustand, Zugriffsrechte und technische Voraussetzungen für „Failover und Scheduling-Zusammenspiel“ prüfen.
2. Vorhandene Objekte und Konfigurationen sichern und die vorgesehenen Änderungen als nachvollziehbare Manifeste vorbereiten.
3. Einen Regionalausfall simulieren und prüfen, ob die verbleibenden Regeln sowie Reserven einen Wiederanlauf erlauben.
4. Status, Events und erzeugte Objekte in der Karmada Control Plane sowie in den betroffenen Mitgliedsclustern vergleichen.
5. Eine kontrollierte Abweichung oder einen Fehlerfall auslösen, Korrektur beziehungsweise Rollback durchführen und das Ergebnis dokumentieren.

9. Diagnose komplexer Scheduling-Fehler

Mehrere gleichzeitig wirksame Regeln werden mit einer reproduzierbaren Ausschlussmethode analysiert.

Inhalte

• keine Kandidaten
• widersprüchliche Affinity
• fehlende Toleration
• Spread-Verletzung
• Kapazitätsmangel
• veralteter Clusterstatus

Praxisablauf

1. Ausgangszustand, Zugriffsrechte und technische Voraussetzungen für „Diagnose komplexer Scheduling-Fehler“ prüfen.
2. Vorhandene Objekte und Konfigurationen sichern und die vorgesehenen Änderungen als nachvollziehbare Manifeste vorbereiten.
3. Mehrere komplexe Fehlerszenarien eingrenzen und eine Scheduling-Diagnosematrix erstellen.
4. Status, Events und erzeugte Objekte in der Karmada Control Plane sowie in den betroffenen Mitgliedsclustern vergleichen.
5. Eine kontrollierte Abweichung oder einen Fehlerfall auslösen, Korrektur beziehungsweise Rollback durchführen und das Ergebnis dokumentieren.