调度算法

在离线业务混部

在离线业务混部是将多种应用在一个集群内部署，通过预测分析应用特性，实现业务对集群资源的充分利用；

从集群维度来看，混部是将多种应用在一个集群内部署，通过预测分析应用特性，实现业务对集群资源的充分利用；从节点维度来看，混部是将多个容器部署在同一个节点上，这些容器内的应用既包括在线类型，也包括离线类型。根据应用对资源质量需求的差异，在线应用可以归纳为延时敏感型LS（Latency Sensitive），通常对请求压力（QPS）或访问延迟（RT）等指标有明确的要求，对资源质量较为敏感；离线应用可以归纳为资源消耗型BE（Best Effort），通常是一些计算密集型的任务类应用，有较好的容错重试能力，对资源质量的要求相对较为宽松。

配置建议：

只有在HCE 2.0的OS节点支持

抢占调度

根据优先级规则为同一队列中高优先级任务执行抢占调度。

开启抢占调度后，在集群资源不足的场景，高优先级作业将会驱逐低优先级作业，获取资源运行

抢占能力与pod延迟创建能力不可同时开启

资源碎片最小化调度

将Pod调度到资源使用较高的节点（尽量不往空白节点分配），以减少资源碎片。

arguments参数：

binpack.weight：binpack插件本身在所有插件打分中的权重。

binpack.cpu：CPU资源在所有资源中的权重，默认是1。

binpack.memory：内存资源在所有资源中的权重，默认是1。

binpack.resources：Pod请求的其他自定义资源类型，例如nvidia.com/gpu。可添加多个并用英文逗号隔开。

binpack.resources.<your_resource>：自定义资源在所有资源中的权重，可添加多个类型的资源，其中<your_resource>为binpack.resources参数中定义的资源类型。例如binpack.resources.nvidia.com/gpu。

配置建议：

建议使用默认配置，如果业务有特殊的述求，可以根据业务实际场景调整各权重值。

1. 希望重点提高集群CPU资源利用率，减少CPU资源碎片，可以将binpack.cpu权重值提高为10
2. 希望提高集群GPU资源利用率，减少GPU碎片，可以通过binpack.resources添加自定义资源（GPU），并设定权重值为10

提高binpack插件的打分权重值后，该插件对于节点选择的影响力提高，nodeorder等插件对于节点的打分影响力将会被削弱

负载感知调度

Volcano调度器提供节点CPU、Memory的负载感知调度能力，感知集群内节点CPU、Memory的负载情况，将Pod优先调度到负载较低的节点，实现节点负载均衡，避免出现因单个节点负载过高而导致的应用程序或节点故障。

负载感知调度支持的配置参数如下：

配置建议：

为达到最优的负载感知调度效果，可以选择关闭装箱（binpack）策略。装箱策略（binpack）根据Pod的Request资源信息，将Pod优先调度到资源消耗较多的节点，在一定程度上会影响负载感知调度的效果。多种策略的结合使用案例可参考资源利用率优化调度配置案例。

节点优选策略

优选节点的常用算法，通过模拟分配从各个维度为节点打分，找到最适合当前作业的节点。

打分参数：

nodeaffinity.weight：节点亲和性优先调度，默认值是1。

podaffinity.weight：Pod亲和性优先调度，默认值是1。

leastrequested.weight：资源分配最少的节点优先，默认值是1。

balancedresource.weight：节点上面的不同资源分配平衡的优先，默认值是1。

mostrequested.weight：资源分配最多的节点优先，默认值是0。

tainttoleration.weight：污点容忍高的优先调度，默认值是1。

imagelocality.weight：节点上面有Pod需要镜像的优先调度，默认值是1。

volumebinding.weight：Local PV延迟绑定调度，默认值是1。

podtopologyspread.weight：Pod拓扑调度，默认值是2。

配置建议：

建议使用默认配置，如果业务有特殊的述求，可以根据业务实际场景调整各权重值。

增大策略对应的权重值，可以使该策略在节点打分时发挥更大的影响力。

NodeOrder和Binpack对某个节点的给出的基础分值，并根据对应的权重值进行倍数放大，调整插件中某个策略的权重值后，该策略对于节点打分的整体影响力增加，其他插件对节点评分的影响力将会同步被削弱。

公平调度

DRF调度算法（Dominant Resource Fairness）可以根据作业使用的主导资源份额进行调度，资源份额较小的作业将具有更高优先级。

DRF调度算法的全称是Dominant Resource Fairness，是基于容器组Domaint Resource的调度算法。volcano-scheduler观察每个Job请求的主导资源，并将其作为对集群资源使用的一种度量，根据Job的主导资源，计算Job的share值，在调度的过程中，具有较低share值的Job将具有更高的调度优先级。这样能够满足更多的作业，不会因为一个资源份额较大业务，导致大批资源份额小的业务无法调度。DRF调度算法能够确保在多种类型资源共存的环境下,尽可能满足分配的公平原则。

配置建议：

DRF调度算法优先考虑集群中业务的吞吐量，适用单次AI训练、单次大数据计算以及查询等批处理小业务场景。

组调度

将一组Pod看做一个整体进行资源分配。观察Job下的Pod已调度数量是否满足了最小运行数量，当Job的最小运行数量得到满足时，为Job下的所有Pod执行调度动作，否则，不执行。

Gang调度策略是volcano-scheduler的核心调度算法之一，它满足了调度过程中的“All or nothing”的调度需求，避免Pod的任意调度导致集群资源的浪费。具体算法是，观察Job下的Pod已调度数量是否满足了最小运行数量，当Job的最小运行数量得到满足时，为Job下的所有Pod执行调度动作，否则，不执行。

配置建议：

基于容器组概念的Gang调度算法十分适合需要多进程协作的场景。AI场景往往包含复杂的流程，Data Ingestion、Data Analysts、Data Splitting、Trainer、Serving、Logging等，需要一组容器进行协同工作，就很适合基于容器组的Gang调度策略。MPI计算框架下的多线程并行计算通信场景，由于需要主从进程协同工作，也非常适合使用Gang调度策略。容器组下的容器高度相关也可能存在资源争抢，整体调度分配，能够有效解决死锁。

在集群资源不足的场景下，gang的调度策略对于集群资源的利用率的提升是非常明显的。

虚拟GPU资源调度

支持GPU虚拟化资源调度。

支持GPU单卡算力、显存分割与隔离的调度能力

配置建议：

使用GPU的场景默认开启，不使用GPU资源可以选择关闭

昇腾NPU预选调度

支持昇腾NPU HCCS亲和预选调度

一台AI服务器上共有8块NPU 1980芯片，4P * 2方式。每4块NPU 1980芯片之间通过HCCS互联，4块之间通过PCIe swith互联。

HCCS互联的4块NPU 1980芯片较PCIe swith互联有更大的带宽，可以针对HCCS做亲和性调度发挥HCCS的带宽优势。

配置建议：

使用NPU的集群默认开启，不使用NPU资源可以关闭

昇腾NPU优选调度

支持昇腾NPU HCCS亲和优选调度

优先占满一台节点的NPU 1980芯片，减少资源碎片

配置建议：

使用NPU的集群默认开启，不使用NPU资源可以关闭

专家模式

如果上述Volcano的典型配置无法满足您的业务场景，可以使用专家模式定制专属于您的调度策略

actions: 'allocate, backfill, preempt'
  tiers:
    - plugins:
        - name: 'priority'
        - name: 'gang'
        - name: 'conformance'
        - name: 'lifecycle'
          arguments:
            lifecycle.MaxGrade: 10
            lifecycle.MaxScore: 200.0
            lifecycle.SaturatedTresh: 1.0
            lifecycle.WindowSize: 10
    - plugins:
        - name: 'drf'
        - name: 'predicates'
        - name: 'nodeorder'
    - plugins:
        - name: 'cce-gpu-topology-predicate'
        - name: 'cce-gpu-topology-priority'
        - name: 'cce-gpu'
    - plugins:
        - name: 'nodelocalvolume'
        - name: 'nodeemptydirvolume'
        - name: 'nodeCSIscheduling'
        - name: 'networkresource'

volcano-scheduler是负责Pod调度的组件，它由一系列action和plugin组成。action定义了调度各环节中需要执行的动作；plugin根据不同场景提供了action 中算法的具体实现细节。

您可以根据官方文档中对每个action和plugin的说明，定义专属于您的调度策略。

详情可参见：https://support.huaweicloud.com/usermanual-cce/cce_10_0193.html#section1

配置建议：

使用默认配置

该项配置有一定的使用门槛，需要对调度有深入了解的客户，才可以根据官方文档进行定制化修改调度策略。