作者：吴昆
批处理作业（Batch Job）常应用于数据处理、仿真计算、科学计算和人工智能等领域，主要用于执行一次数据处理或模型训练任务。由于这类任务往往需要消耗大量计算资源，因此必须根据任务的优先级和提交者的可用资源情况进行合理排队，才能最大化集群资源的利用效率。
Scheduler 在任务调度领域水土不服
当前 Kubernetes 的调度器提供了完善的 Pod 通用调度功能，但是在面对大量任务排队时，依然暴露出了局限性：
- 缺少自动化的排队机制
默认情况下，批处理任务会直接创建作业 Pod，当集群可用资源不足时，大量 Pending Pod 会严重拖慢 Kubernetes 调度器的处理速度，影响在线业务扩容和调度。因此，迫切需要能够自动根据集群资源控制作业启停的自动化排队机制。
- 缺少多样化的排队策略
为提升任务排队效率，需要根据集群资源和任务规模，采取阻塞队列、优先级队列、回填调度等不同的排队策略。然而，Kubernetes 调度器的默认调度策略主要根据优先级和 Pod 创建顺序进行排队，难以应对多样化的任务排队需求。
- 缺少多队列能力
为隔离不同用户或租户的任务，避免资源被单一用户的大量任务占满，导致其它用户“饿死”，任务排队系统需要支持多队列管理，将不同用户提交的任务分配到不同队列中排队。目前，Kubernetes 调度器仅支持单一队列，无法有效避免此类问题。
- 大量任务类型难以统一
在机器学习、高性能计算、大数据计算和离线工作流等不同应用场景下，用户会提交不同类型的任务，每类任务对资源和优先级的计算方法都有所不同，将这些计算逻辑都集成到调度器中，必然大幅增加维护复杂性和运维成本。
因此，在处理复杂的任务调度场景时，云服务提供商通常不将原生 Kubernetes 调度器作为首选方案。
Queue 在 Kubernetes 中的定位与职责
在 Kubernetes 集群中，Queue 与 Scheduler 共同协作以确保任务的高效调度。为了避免“脑裂”等典型的分布式系统问题，必须清晰划分它们的职责。目前，Kubernetes 中的 Queue 可以分为两类：
第一类 Queue 与 Kubernetes 的 Scheduler 属于不同分层。Queue 负责任务的排序和按顺序出队，专注于任务的生命周期管理和实现更公平的用户间出队策略；Scheduler 负责任务 Pod 的合理编排，找到最优的放置策略，专注于节点亲和性、拓扑感知等方面。这类 Queue 不直接感知底层的物理信息，任务出队后可能会因为节点亲和性、资源碎片化等因素无法调度，导致队头阻塞。因此，这类队列通常需要引入“任务在无法调度时重新入队”的机制。本文将介绍的 Kube Queue 和开源社区中的 Kueue 都是这类 Queue 的代表。
第二类 Queue 与 Scheduler 相互耦合，任务只有在确保能够调度的情况下才会出队。这种设计避免了第一类 Queue 的队头阻塞问题，但是依然存在难以完全兼容调度器全部调度语法的问题。而且，使用这类 Queue 意味着需要替换默认调度器，对集群而言是较大的变更。这类 Queue 的典型代表有 Volcano 和 YuniKorn。
Kube Queue 概述
Kube Queue 是阿里云容器服务 ACK 的云原生 AI 套件中的一个关键组件，旨在解决以上 Kubernetes 调度器在任务调度场景中存在的问题。Kube Queue 通过与云原生 AI 套件的 Arena 组件以及 ACK 集群的弹性 Quota 特性相结合，能够高效支持多种 AI 任务自动排队和多租户 Quota 管理。
Kube Queue 的架构如下图所示，由以下主要部分构成：
1. Kube Queue Controller：负责任务排队的核心控制器，如下图左侧所示。
2. Operator Extension：为不同任务类型提供定制化支持的扩展组件，如下图右侧所示。
Kube Queue 的工作机制
任务排队系统围绕两个核心抽象——Queue 和 QueueUnit：
Queue：代表一个队列实体，是队列进行排队的容器，它包含队列的策略、Quota、排队参数等信息。目前 Kube Queue 能够自动感知不同种类的资源配额，如 Resource Quota、Elastic Quota 和 ElasticQuotaTree。Kube Queue Controller 会根据这些 Quota 的配置自动创建对应的 Queue 对象。用户仅需要配置上层的 Quota，无需额外配置底层队列。
QueueUnit：代表一个任务实体，它会忽略原任务中与排队策略无关的参数信息，从而减少 Kube Queue Controller 需要监听的对象类型以及与 Api Server 建立的连接数。并且，由于 QueueUnit 屏蔽了实际 Job 的类型，任何需要接入排队系统的任务，仅需实现 Extension 的排队接口即可，有效实现了任务类型的可扩展。
工作流程如下：
任务提交和入队：当一个可被 Kube Queue 识别的任务被提交到 Api Server，对应的 Job Operator 和 Operator Extension 会收到任务创建事件。它们会根据任务提交时是否为挂起状态，决定是否接管任务排队。若任务提交时处于挂起状态，Extension 会评估任务所需资源和确定优先级等关键排队参数，并创建 QueueUnit（这是在 Kube Queue 排队的统一对象，其初始状态为 Enqueued）。
任务排队和等待调度：Kube Queue Controller 接收到 QueueUnit 的创建后，会根据内部队列归属策略确定 QueueUnit 所属队列，并在队列内根据优先级与创建时间进行排序。Kube Queue Controller 通过一个调度循环处理所有队列，每轮循环会从每个队列中抽取出队头的任务尝试调度，以此确保不同队列中的任务数量和优先级不会互相干扰。
任务出队和执行调度：任务出队后，QueueUnit 状态更新为 Dequeued，Extension 接收到此状态后会移除该任务的挂起状态。Operator 监听到任务解除挂起后，会开始创建任务 Pod，此后任务进入正常的调度流程。若任务在一个可配置的超时时段内未完成调度，Extension 会将对应的 QueueUnit 重置为 Enqueued 状态，代表任务启动超时，需要重新排队，这样做是为了防止队列出现队头阻塞。若任务成功执行，QueueUnit 的状态则会被更新为 Running。
Kube Queue 的排队策略
排队策略是排队系统不可缺少的部分。目前，Kube Queue 提供了三种灵活的排队策略以满足企业客户的多样化需求，且每个队列都可配置独立的排队策略。
轮转策略（默认策略）
ack-kube-queue 默认采用与 kube-scheduler 相同的任务轮转机制处理任务，即所有任务在队列中依次请求资源，请求失败则进入 Unschedulable 队列退避，等待下次调度。该策略确保每个任务均有机会调度，最大效率利用 Quota，但对于出队的任务可能无法严格保证优先级。推荐在希望保证集群资源利用率的情况下使用该策略。
阻塞策略
当集群中存在大量资源需求量小的任务时，由于小任务会占用大量队列轮转时间，资源需求量大的任务将难以获得资源执行，存在长时间 Pending 的风险。为了避免此类情况，ack-kube-queue 提供阻塞队列功能，开启后，队列将只调度队列最前端的任务，使得大任务能够有机会执行。推荐在希望保证任务优先级的情况下使用该策略。
严格优先级策略
为了保证高优先级任务能够在集群获得空闲资源时被优先尝试调度，即便它们仍处于退避阶段，ack-kube-queue 提供严格优先级调度功能。开启后，队列将在运行中的任务结束后，从最早提交的高优先级任务开始尝试执行，使其优先获得集群空闲资源，避免资源被低优先级任务占用。该策略是轮转策略和阻塞策略的折中策略。
快速上手 Kube Queue
在本节中，我们将通过一个实际案例演示如何使用 Kube Queue 执行一个基本的任务排队操作。
首先，需要安装 kube-queue 组件，在阿里云容器服务 ACK 产品的云原生 AI 套件页面中即可一键安装。可参考：如何安装及使用任务队列 ack-kube-queue[1]
安装了 Kube Queue 之后，在集群的 kube-queue 命名空间下会存在 Kube Queue Controller 和多个针对不同 Job 类型提供扩展支持的 Controller。每个 Controller 会负责 Kube Queue 与一种类型任务的对接。
默认情况下，kube-queue-controller 中会通过 oversellrate 参数设置超卖比为 2，此时队列会能够出队配置资源两倍资源量的任务，可以在 Deployment 的编辑页面中将超卖比设置为 1。
若需实现两个 Job 之间的排队，首先需要提交一个申明队列的 ElasticQuotaTree。该 ElasticQuotaTree 申明了一个最多可以使用 1 核 CPU 和 1Gi 内存资源的队列，并将 default 命名空间挂载在该队列下。
apiVersion: scheduling.sigs.k8s.io/v1beta1 kind: ElasticQuotaTree metadata: name: elasticquotatree namespace: kube-system # 只有kube-system下才会生效 spec: root: name: root # Root节点的Max等于Min max: cpu: 1 memory: 1Gi min: cpu: 1 memory: 1Gi children: - name: child-1 max: cpu: 1 memory: 1Gi namespaces: # 配置对应的Namespace - default
之后，我们提交两个 Kubernetes Job，提交时需要将 Job 设置为 Suspend 状态，即将 Job 的 .spec.suspend 字段设置为 true。
apiVersion: batch/v1 kind: Job metadata: generateName: pi- spec: suspend: true completions: 1 parallelism: 1 template: spec: containers: - name: pi image: perl:5.34.0 command: ["sleep", "1m"] resources: requests: cpu: 1 limits: cpu: 1 restartPolicy: Never
提交之后，查看任务状态，可以看到两个任务中仅有一个任务开始执行，另一个任务进入等待状态。
在前一个任务执行完成后，后续任务自动开始执行，完成任务执行的自动控制。
What's Next
在本篇文章中，我们探讨了云原生时代下，任务队列系统的重要性以及必要性，并详细介绍了阿里云容器服务 ACK 的 Kube Queue 如何在当前的 Kubernetes 生态中，明确自身的角色定位与价值贡献。在后续的文章中，我们将进一步讨论，如何利用容器服务 ACK 的 Kube Queue 以及高效的调度机制，快速构建一个能够满足企业需求、基于 ElasticQuotaTree 的任务管理系统。
欢迎扫码添加阿里云 ACK 云原生 AI 套件微信小助手邀您进入云原生 AI 套件微信交流群，或扫描右侧钉钉群码/搜索钉钉群号入群。（钉钉群号：33214567）
相关链接：
[1] 如何安装及使用任务队列 ack-kube-queue
点击此处，了解 ACK 云原生 AI 套件产品详情。
