温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

kubernetes中怎么利用map/reduce模式实现优选计算

发布时间:2021-08-10 13:43:37 来源:亿速云 阅读:119 作者:Leah 栏目:云计算

本篇文章给大家分享的是有关kubernetes中怎么利用map/reduce模式实现优选计算,小编觉得挺实用的,因此分享给大家学习,希望大家阅读完这篇文章后可以有所收获,话不多说,跟着小编一起来看看吧。


1. 设计基础

     

1.1 两阶段: 单点与聚合

在进行优选的时候,除了最后一次计算,在进行针对单个算法的计算的时候,会分为两个阶段:单点和聚合

在单点阶段,会根据当前算法针对单个node计算在聚合阶段,则会根据当前单点阶段计算完成后,来进行聚合

     

1.2 并行: 节点与算法

单点和聚合两阶段在计算的时候,都是并行的,但是对象则不同,其中单点阶段并行是针对单个node的计算,而聚合阶段则是针对算法级别的计算,通过这种设计分离计算,从而避免多goroutine之间数据竞争,无锁加速优选的计算

     

1.3 map与reduce

而map与reduce则是针对一个上面并行的两种具体实现,其中map中负责单node打分,而reduce则是针对map阶段的打分进行聚合后,根据汇总的结果进行二次打分计算

     

1.4 weight

map/reduce阶段都是通过算法计算,如果我们要进行自定义的调整,针对单个算法,我们可以调整其在预选流程中的权重,从而进行定制自己的预选流程 

     

1.5 随机分布

当进行优先级判断的时候,肯定会出现多个node优先级相同的情况,在优选节点的时候,会进行随机计算,从而决定是否用当前优先级相同的node替换之前的最合适的node

2. 源码分析 

优选的核心流程主要是在PrioritizeNodes中,这里只介绍其关键的核心数据结构设计

     

2.1 无锁计算结果保存

无锁计算结果的保存主要是通过下面的二维数组实现, 如果要存储一个算法针对某个node的结果,其实只需要通过两个索引即可:算法索引和节点索引,同理如果我把针对单个node的索引分配给一个goroutine,则其去其他的goroutine则就可以并行计算kubernetes中怎么利用map/reduce模式实现优选计算

// 在计算的时候,会传入nodes []*v1.Node的数组,存储所有的节点,节点索引主要是指的该部分
results := make([]schedulerapi.HostPriorityList, len(priorityConfigs), len(priorityConfigs))
 
     

2.2 基于节点索引的Map计算

kubernetes中怎么利用map/reduce模式实现优选计算之前在预选阶段介绍过ParallelizeUntil函数的实现,其根据传入的数量来生成计算索引,放入chan中,后续多个goroutine从chan中取出数据直接进行计算即可

workqueue.ParallelizeUntil(context.TODO(), 16, len(nodes), func(index int) {
       // 根据节点和配置的算法进行计算
       nodeInfo := nodeNameToInfo[nodes[index].Name]
           // 获取算法的索引
       for i := range priorityConfigs {
           if priorityConfigs[i].Function != nil {
               continue
           }

           var err error
               
               // 通过节点索引,来进行针对单个node的计算结果的保存
           results[i][index], err = priorityConfigs[i].Map(pod, meta, nodeInfo)
           if err != nil {
               appendError(err)
               results[i][index].Host = nodes[index].Name
           }
       }
   })
 
     

2.3 基于算法索引的Reduce计算

kubernetes中怎么利用map/reduce模式实现优选计算基于算法的并行,则是为每个算法的计算都启动一个goroutine,每个goroutine通过算法索引来进行该算法的所有map阶段的结果的读取,并进行计算,后续结果仍然存储在对应的位置

// 计算策略的分值
   for i := range priorityConfigs {
       if priorityConfigs[i].Reduce == nil {
           continue
       }
       wg.Add(1)
       go func(index int) {
           defer wg.Done()
           if err := priorityConfigs[index].Reduce(pod, meta, nodeNameToInfo, results[index]); err != nil {
               appendError(err)
           }
           if klog.V(10) {
               for _, hostPriority := range results[index] {
                   klog.Infof("%v -> %v: %v, Score: (%d)", util.GetPodFullName(pod), hostPriority.Host, priorityConfigs[index].Name, hostPriority.Score)
               }
           }
       }(i)
   }
   // Wait for all computations to be finished.
   wg.Wait()
 
     

2.4 优先级打分结果统计

根据之前的map/reduce阶段,接下来就是将针对所有node的所有算法计算结果进行累加即可

// Summarize all scores.
   result := make(schedulerapi.HostPriorityList, 0, len(nodes))

   for i := range nodes {
       result = append(result, schedulerapi.HostPriority{Host: nodes[i].Name, Score: 0})
       // 便利所有的算法配置
       for j := range priorityConfigs {
           result[i].Score += results[j][i].Score * priorityConfigs[j].Weight
       }

       for j := range scoresMap {
           result[i].Score += scoresMap[j][i].Score
       }
   }
 
     

2.5 根据优先级随机筛选host

这里的随机筛选是指的当多个host优先级相同的时候,会有一定的概率用当前的node替换之前的优先级相等的node(到目前为止的优先级最高的node), 其主要通过cntOfMaxScore和rand.Intn(cntOfMaxScore)来进行实现

func (g *genericScheduler) selectHost(priorityList schedulerapi.HostPriorityList) (string, error) {
   if len(priorityList) == 0 {
       return "", fmt.Errorf("empty priorityList")
   }
   maxScore := priorityList[0].Score
   selected := priorityList[0].Host
   cntOfMaxScore := 1
   for _, hp := range priorityList[1:] {
       if hp.Score > maxScore {
           maxScore = hp.Score
           selected = hp.Host
           cntOfMaxScore = 1
       } else if hp.Score == maxScore {
           cntOfMaxScore++
           if rand.Intn(cntOfMaxScore) == 0 {
               // Replace the candidate with probability of 1/cntOfMaxScore
               selected = hp.Host
           }
       }
   }
   return selected, nil
}

以上就是kubernetes中怎么利用map/reduce模式实现优选计算,小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注亿速云行业资讯频道。

向AI问一下细节

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

AI