点击查看目录
Kubernetes Scheduler 是控制面中的核心组件之一，负责决定每个 Pod 运行在哪个节点上。换句话说，所有使用 Kubernetes 的用户，其 Pod 的命运都掌握在调度器手中。
kube-scheduler-simulator 是一个 Kubernetes 调度器的“模拟器”，最初是我（Kensei Nakada）在 Google Summer of Code 2021 中启动的项目，后续得到了众多贡献者的支持。这个工具的目标是帮助用户深入观察调度器的行为和决策逻辑。
无论你是使用诸如 Pod 亲和性 等调度约束的普通用户，还是开发自定义调度插件的调度器专家，这款模拟器都将成为你理解和测试调度策略的重要助手。
为什么我们需要一个调度器模拟器？
Kubernetes Scheduler 本质上是一个插件驱动的“黑盒”，每个插件从不同的角度参与调度决策，理解它的行为并不容易。
即使你在测试集群中看到 Pod 正常调度，也不能保证它是按你预期的逻辑调度的。这种“表面正常，实则偏差”的问题，往往会在生产环境中带来意想不到的调度后果。
此外，调度器的测试也非常具有挑战性。真实集群中的调度场景复杂多样，无法通过有限的测试用例全面覆盖。即使是 Kubernetes 官方的 upstream 调度器，也经常是在发布后才被用户发现问题。
虽然开发环境或沙箱集群是常用的测试手段，但这类环境通常规模较小、工作负载有限，与实际生产集群的行为存在巨大差异。因此，仅靠传统方法，很难预知调度器在真实环境中的表现。
kube-scheduler-simulator 诞生正是为了填补这一空白：
- 用户可以验证调度约束、调度器配置、自定义插件的行为；
- 可以在模拟环境中测试调度效果，而不影响实际的工作负载；
- 还能观察调度过程中的每一个决策细节，真正“把调度器变成白盒”。
模拟器具有什么能力？
kube-scheduler-simulator 的核心能力是：揭示调度器内部的决策过程。Kubernetes Scheduler 是基于 调度框架（Scheduling Framework） 实现的，整个调度流程分为多个扩展点，如 Filter、Score、Bind 等，每个阶段会调用对应插件进行判断和打分。
模拟器提供了图形化界面，用户可以在其中创建 Pod、Node、Deployment 等 Kubernetes 资源，并清晰地看到调度器每个插件的执行结果和得分情况。
在这个模拟器中，我们运行的是一个 可调试版本的调度器，它会将各插件在不同阶段的执行结果写入 Pod 的注解中，前端界面再将这些信息进行可视化展示。
例如，你可以查看调度器在 Filter 阶段如何判断某个节点是否可用，在 Score 阶段各插件打了多少分，最终选择了哪个节点作为目标节点。这些信息都能在 Pod 的注解中查阅：
kind: Pod
apiVersion: v1
metadata:
# The JSONs within these annotations are manually formatted for clarity in the blog post.
annotations:
kube-scheduler-simulator.sigs.k8s.io/bind-result: '{"DefaultBinder":"success"}'
kube-scheduler-simulator.sigs.k8s.io/filter-result: >-
{
"node-jjfg5":{
"NodeName":"passed",
"NodeResourcesFit":"passed",
"NodeUnschedulable":"passed",
"TaintToleration":"passed"
},
"node-mtb5x":{
"NodeName":"passed",
"NodeResourcesFit":"passed",
"NodeUnschedulable":"passed",
"TaintToleration":"passed"
}
}
kube-scheduler-simulator.sigs.k8s.io/finalscore-result: >-
{
"node-jjfg5":{
"ImageLocality":"0",
"NodeAffinity":"0",
"NodeResourcesBalancedAllocation":"52",
"NodeResourcesFit":"47",
"TaintToleration":"300",
"VolumeBinding":"0"
},
"node-mtb5x":{
"ImageLocality":"0",
"NodeAffinity":"0",
"NodeResourcesBalancedAllocation":"76",
"NodeResourcesFit":"73",
"TaintToleration":"300",
"VolumeBinding":"0"
}
}
kube-scheduler-simulator.sigs.k8s.io/permit-result: '{}'
kube-scheduler-simulator.sigs.k8s.io/permit-result-timeout: '{}'
kube-scheduler-simulator.sigs.k8s.io/postfilter-result: '{}'
kube-scheduler-simulator.sigs.k8s.io/prebind-result: '{"VolumeBinding":"success"}'
kube-scheduler-simulator.sigs.k8s.io/prefilter-result: '{}'
kube-scheduler-simulator.sigs.k8s.io/prefilter-result-status: >-
{
"AzureDiskLimits":"",
"EBSLimits":"",
"GCEPDLimits":"",
"InterPodAffinity":"",
"NodeAffinity":"",
"NodePorts":"",
"NodeResourcesFit":"success",
"NodeVolumeLimits":"",
"PodTopologySpread":"",
"VolumeBinding":"",
"VolumeRestrictions":"",
"VolumeZone":""
}
kube-scheduler-simulator.sigs.k8s.io/prescore-result: >-
{
"InterPodAffinity":"",
"NodeAffinity":"success",
"NodeResourcesBalancedAllocation":"success",
"NodeResourcesFit":"success",
"PodTopologySpread":"",
"TaintToleration":"success"
}
kube-scheduler-simulator.sigs.k8s.io/reserve-result: '{"VolumeBinding":"success"}'
kube-scheduler-simulator.sigs.k8s.io/result-history: >-
[
{
"kube-scheduler-simulator.sigs.k8s.io/bind-result":"{\"DefaultBinder\":\"success\"}",
"kube-scheduler-simulator.sigs.k8s.io/filter-result":"{\"node-jjfg5\":{\"NodeName\":\"passed\",\"NodeResourcesFit\":\"passed\",\"NodeUnschedulable\":\"passed\",\"TaintToleration\":\"passed\"},\"node-mtb5x\":{\"NodeName\":\"passed\",\"NodeResourcesFit\":\"passed\",\"NodeUnschedulable\":\"passed\",\"TaintToleration\":\"passed\"}}",
"kube-scheduler-simulator.sigs.k8s.io/finalscore-result":"{\"node-jjfg5\":{\"ImageLocality\":\"0\",\"NodeAffinity\":\"0\",\"NodeResourcesBalancedAllocation\":\"52\",\"NodeResourcesFit\":\"47\",\"TaintToleration\":\"300\",\"VolumeBinding\":\"0\"},\"node-mtb5x\":{\"ImageLocality\":\"0\",\"NodeAffinity\":\"0\",\"NodeResourcesBalancedAllocation\":\"76\",\"NodeResourcesFit\":\"73\",\"TaintToleration\":\"300\",\"VolumeBinding\":\"0\"}}",
"kube-scheduler-simulator.sigs.k8s.io/permit-result":"{}",
"kube-scheduler-simulator.sigs.k8s.io/permit-result-timeout":"{}",
"kube-scheduler-simulator.sigs.k8s.io/postfilter-result":"{}",
"kube-scheduler-simulator.sigs.k8s.io/prebind-result":"{\"VolumeBinding\":\"success\"}",
"kube-scheduler-simulator.sigs.k8s.io/prefilter-result":"{}",
"kube-scheduler-simulator.sigs.k8s.io/prefilter-result-status":"{\"AzureDiskLimits\":\"\",\"EBSLimits\":\"\",\"GCEPDLimits\":\"\",\"InterPodAffinity\":\"\",\"NodeAffinity\":\"\",\"NodePorts\":\"\",\"NodeResourcesFit\":\"success\",\"NodeVolumeLimits\":\"\",\"PodTopologySpread\":\"\",\"VolumeBinding\":\"\",\"VolumeRestrictions\":\"\",\"VolumeZone\":\"\"}",
"kube-scheduler-simulator.sigs.k8s.io/prescore-result":"{\"InterPodAffinity\":\"\",\"NodeAffinity\":\"success\",\"NodeResourcesBalancedAllocation\":\"success\",\"NodeResourcesFit\":\"success\",\"PodTopologySpread\":\"\",\"TaintToleration\":\"success\"}",
"kube-scheduler-simulator.sigs.k8s.io/reserve-result":"{\"VolumeBinding\":\"success\"}",
"kube-scheduler-simulator.sigs.k8s.io/score-result":"{\"node-jjfg5\":{\"ImageLocality\":\"0\",\"NodeAffinity\":\"0\",\"NodeResourcesBalancedAllocation\":\"52\",\"NodeResourcesFit\":\"47\",\"TaintToleration\":\"0\",\"VolumeBinding\":\"0\"},\"node-mtb5x\":{\"ImageLocality\":\"0\",\"NodeAffinity\":\"0\",\"NodeResourcesBalancedAllocation\":\"76\",\"NodeResourcesFit\":\"73\",\"TaintToleration\":\"0\",\"VolumeBinding\":\"0\"}}",
"kube-scheduler-simulator.sigs.k8s.io/selected-node":"node-mtb5x"
}
]
kube-scheduler-simulator.sigs.k8s.io/score-result: >-
{
"node-jjfg5":{
"ImageLocality":"0",
"NodeAffinity":"0",
"NodeResourcesBalancedAllocation":"52",
"NodeResourcesFit":"47",
"TaintToleration":"0",
"VolumeBinding":"0"
},
"node-mtb5x":{
"ImageLocality":"0",
"NodeAffinity":"0",
"NodeResourcesBalancedAllocation":"76",
"NodeResourcesFit":"73",
"TaintToleration":"0",
"VolumeBinding":"0"
}
}
kube-scheduler-simulator.sigs.k8s.io/selected-node: node-mtb5x
不仅如此，用户还可以集成自己开发的 调度插件 或 调度扩展器（Extender），并在模拟器中观察其行为，调试效果显著提升。
该可调试调度器还可以脱离模拟器独立运行，用于集成测试、自定义调度器的开发或真实集群中的调试分析。
模拟器 = 更好的开发环境？
如前所述，真实调度场景复杂多样，单靠开发集群无法覆盖全部可能性。模拟器提供了一个更强大的方案：
通过使用 集群资源导入功能，用户可以将生产集群的资源同步到模拟器中，在不影响实际业务的前提下测试新版本调度器。
你可以在模拟器中验证 Pod 的调度行为是否符合预期，再将调度器部署到生产集群，极大降低了调度相关的变更风险。
使用场景总结
- 集群用户：验证调度约束（如 PodAffinity、TopologySpread）是否按预期工作；
- 集群管理员：评估调度器配置变更对调度结果的影响；
- 调度器插件开发者：在模拟器中测试自定义插件、使用同步功能进行更真实的验证。
如何上手？
这个项目无需 Kubernetes 集群，只需要本地安装 Docker 即可：
git clone [email protected]:kubernetes-sigs/kube-scheduler-simulator.git
cd kube-scheduler-simulator
make docker_up
默认情况下，Web 界面将运行在 http://localhost:3000，即可开始你的调度实验！
👉 项目地址：https://github.com/kubernetes-sigs/kube-scheduler-simulator
如何参与贡献？
该项目由 Kubernetes SIG Scheduling 维护。欢迎你提出 Issues、提交 PR，也欢迎加入社区参与讨论。
Slack 频道：#sig-scheduling
鸣谢
这个模拟器的发展离不开众多志愿者工程师的坚持和贡献，感谢所有为之付出心力的 贡献者们！