# Karmada v1.18 版本发布！新增混合云溢出式调度能力

Karmada 是开放的多云多集群容器编排引擎，旨在帮助用户在多云环境下部署和运维业务应用。凭借兼容 Kubernetes 原生 API 的能力，Karmada 可以平滑迁移单集群工作负载，并且仍可保持与 Kubernetes 周边生态工具链协同。

[Karmada v1.18](https://github.com/karmada-io/karmada/releases/tag/v1.18.0) 版本现已发布，本版本包含下列新增特性：

* 支持混合云场景下的溢出式集群亲和调度
* 引入调度超分保护机制

这些更新进一步增强了 Karmada 在混合云和大规模调度场景中的可用性与灵活性。我们鼓励您升级到 v1.18.0，体验这些新能力带来的价值。

# 新特性概览

## 支持混合云场景下的溢出式集群亲和调度

在混合云环境中，企业通常会将本地数据中心作为主要资源池，把公有云作为峰值流量到来时的弹性补充资源。此前，Karmada 的 `ClusterAffinities` 已经支持声明多个候选集群组，但这些集群组在一次调度过程中是互斥的：调度器最终只会选择其中一个集群组，无法在首选资源池容量不足时，将剩余副本继续扩展到补充资源池。

Karmada v1.18 引入了 **Overflow Cluster Affinities** 能力，在 `ClusterAffinityTerm` 中新增 `overflowAffinities` 字段，用于声明按优先级排列的补充集群组。调度器会优先填满主集群组；当主集群组资源耗尽后，再按声明顺序逐级向补充集群组溢出副本，从而实现“优先使用 IDC，容量不足时再溢出到云”的混合云调度模式。

这项能力主要带来以下价值：

* **渐进式溢出**：用户可以在同一个 `ClusterAffinityTerm` 中声明多个补充集群组，调度器会按照顺序逐级扩展调度范围。
* **反向收缩**：在缩容场景下，副本会优先从补充集群组回收，从而尽量保留主资源池中的稳定负载。
* **成本优化**：让基线工作负载稳定运行在成本更优的本地集群上，只在确有需要时才使用公有云资源承接突发流量。

这一能力特别适用于如下场景：

* **弹性 GPU 调度**：本地 IDC GPU 集群承载日常推理流量，云上 GPU 集群仅用于承接峰值负载。
* **成本控制**：将常态业务留在本地基础设施，借助公有云弹性处理流量波峰。
* **容量规划**：用清晰的优先级关系定义资源池使用顺序，减少人工干预。

效果图如下：

![overflow-affinities-scheduling](./resources/overflow-affinities-scheduling.png)

下面是一个精简示例，优先将工作负载调度到 IDC GPU 集群，不足时再溢出到云上 GPU 集群：

```yaml
apiVersion: policy.karmada.io/v1alpha1
kind: PropagationPolicy
metadata:
  name: gpu-inference-overflow
spec:
  resourceSelectors:
    - apiVersion: apps/v1
      kind: Deployment
  placement:
    clusterAffinities:
      - affinityName: idc-gpu
        clusterNames:
          - idc-gpu-cluster1
        overflowAffinities:
          - affinityName: cloud-gpu
            clusterNames:
              - cloud-gpu-cluster1
              - cloud-gpu-cluster2
    replicaScheduling:
      replicaSchedulingType: Divided
      replicaDivisionPreference: Weighted
      weightPreference:
        dynamicWeight: AvailableReplicas
```

更多有关此功能的资料请参考：[官方特性文档](https://karmada.io/docs/userguide/scheduling/propagation-policy#how-overflowaffinities-works) 和 [特性提案](https://github.com/karmada-io/karmada/blob/master/docs/proposals/scheduling/multi-scheduling-group/overflow-affinities/README.md)。

## 引入调度超分保护机制

在大规模多集群环境中，调度器虽然按顺序处理调度请求，但在决定某个集群是否还有可用容量时，需要依赖 `karmada-scheduler-estimator` 提供的集群容量估算结果。问题在于：调度器刚刚完成一次副本分配后，新的工作负载真正下发到成员集群、创建 Pod 并绑定到节点之间，存在天然的时间窗口。

如果在这个窗口内又到来新的调度请求，`scheduler-estimator` 看到的仍然可能是“旧的容量快照”，从而导致多个连续调度决策重复使用同一份尚未更新的空闲资源，造成资源超卖。最终结果就是：调度阶段看起来成功，但工作负载落地后可能因为资源不足长期 Pending。

为了解决这一问题，Karmada v1.18 引入了 **Scheduling Overcommit Protection（调度超分保护）**。该特性在调度器和估算器之间引入“assume and deduct（先假定、再扣减）”机制：

* 调度器在完成一次调度决策后，会先假定这部分资源已经被占用
* 估算器在后续容量计算时，会把这部分“假定占用”的资源一起考虑进去
* 从而避免后续调度在真实状态尚未更新前重复消耗同一批资源

这一特性尤其适用于高吞吐量调度场景，可以显著降低由于状态延迟带来的资源超卖问题，让副本分配结果更贴近成员集群的真实承载能力。

当前该特性是 Alpha 特性，默认关闭，并且需要同时在 `karmada-scheduler` 和 `karmada-scheduler-estimator` 上启用：

```shell
--feature-gates=SchedulingOvercommitProtection=true
```

需要注意的是，该特性只对 `ReplicaSchedulingType: Divided` 且采用容量感知分配策略的场景生效，例如 `Aggregated` 或 `DynamicWeight`。对于 `Duplicated` 模式以及完全静态权重分配的场景，不会产生影响。

更多有关此功能的资料请参考：[调度超分保护](https://karmada.io/zh/docs/userguide/scheduling/scheduling-overcommit-protection/)。

# 致谢贡献者

Karmada v1.18 版本包含了来自 31 位贡献者的 144 次代码提交，在此对各位贡献者表示由衷的感谢：

| ^-^              | ^-^             | ^-^                 |
|:-----------------|:----------------|:--------------------|
| @abhicodes11     | @Ady0333        | @dahuo98            |
| @Denyme24        | @faucct         | @FAUST-BENCHOU      |
| @gjbravi         | @hl8086         | @jabellard          |
| @Krishiv-Mahajan | @LivingCcj      | @manmathbh          |
| @mszacillo       | @nXtCyberNet    | @Park-Jiyeonn       |
| @qiuming520      | @RainbowMango   | @seanlaii           |
| @SujoyDutta      | @SunsetB612     | @Tej-Katika         |
| @tessapham       | @vanshiz        | @vgt-rangehrn       |
| @vie-serendipity | @Vinayak9769    | @Viscous106         |
| @warjiang        | @whitewindmills | @XiShanYongYe-Chang |
| @zhzhuang-zju    |                 |                     |

![贡献者](./resources/contributors.png)

# 参考资料

[1] Karmada v1.18 发布页: https://github.com/karmada-io/karmada/releases/tag/v1.18.0

[2] Karmada v1.18 发行说明: https://github.com/karmada-io/karmada/blob/master/docs/CHANGELOG/CHANGELOG-1.18.md

[3] 溢出式集群亲和调度特性文档: https://karmada.io/zh/docs/userguide/scheduling/propagation-policy/#overflowaffinities-%E5%B7%A5%E4%BD%9C%E5%8E%9F%E7%90%86

[4] 溢出式集群亲和调度提案: https://github.com/karmada-io/karmada/blob/master/docs/proposals/scheduling/multi-scheduling-group/overflow-affinities/README.md

[5] 调度超分保护特性文档: https://karmada.io/zh/docs/userguide/scheduling/scheduling-overcommit-protection

[6] 调度超分保护提案: https://github.com/karmada-io/karmada/blob/master/docs/proposals/scheduling/estimator-reservation/README.md