起因#
在上一篇《从进程视角重新理解 Docker》中，我总结了 Docker 最核心的价值：它通过 namespace 和 cgroup 给进程构造了独立的视图和资源限制，并把这套运行环境固化成了可以直接分发的 artifact。
Docker 漂亮地解决了 “how to package and run a workload on one machine” 的问题。
但当我几年前开始负责公司的机器学习平台时，面对的是几十上百台机器、数以千计的训练和推理任务。这时候发现，仅仅依靠 Docker 已经完全不够用了。
如果系统里有 100 台机器，一个程序挂了谁来发现并重启？某台机器突然宕机，上面的 20 个容器该迁移到哪里？如何始终保持某个核心服务刚好有 3 个副本在跑？不同机器的 CPU 和 GPU 剩余配额各不相同，新来的任务该塞给谁？
如果此时还是通过 ssh machine-17 然后 docker run 来部署应用，那不过是把手工管理进程，变成了手工管理一个分布式系统。
规模扩大之后，问题的性质发生了改变。我们需要一种全新的系统抽象来管理这堆动态的容器。这就自然引出了 K8s。
Desired State：在动态系统中，“指令”为什么不管用#
如果你要维护一个分布式系统，最直观的传统思路是命令式（Imperative）的。
说白了就是描述“怎么做（how to do）”：
- 在节点 A 启动进程
- 如果挂了，执行重启脚本
- 升级时，先把旧节点剔除，再加入新节点
这种模式在静态、小规模的环境下很有效，但很脆弱。如果节点 A 网络断了 5 分钟又恢复了，脚本执行到一半卡住了怎么办？如果原本启动成功的进程被 OOM Killer 杀掉了怎么办？
K8s 给出的解法是声明式编程（Declarative Programming），它要求用户描述的是“目标状态（Desired State）”：我需要 replicas = 3，需要 image = v2，需要 cpu = 4。至于怎么达到这个状态，系统自己想办法。
为什么在一个动态、会不断发生失败的分布式系统里，“维护目标状态”比“执行一系列操作”是一个更强的 abstraction？
因为在分布式世界里，Failure 是常态，而不是异常。节点会宕机，网络会抖动，容器会随时暴毙。如果我们把系统的稳定性建立在“确保每一个动作都完美执行”或者“确保某一个具体实例永远存在”上，系统注定会崩溃。
而目标状态的抽象把系统从“每个动作都不能出错”的思路里解放出来：无论中间挂了多少个实例、网络抖了多少次，只要 Controller 还在跑，实际状态就会被慢慢拉回声明的目标。
Reconciliation：一套分布式的控制循环#
那么，系统如何保证现实最终向 Desired State 收敛？
K8s 的设计者引入了机器人和工业控制领域中非常经典的控制循环（Control Loop）机制，在 K8s 里通常被称为 Reconciliation（调谐）。
如果用一段极简的伪代码来表示，整个 K8s 的核心几乎都在跑着无数个这样的循环：
1while True:
2 desired = read_spec()
3 actual = observe_world()
4
5 if actual != desired:
6 reconcile(actual, desired)假设我们设定 desired replicas = 3，而由于某台机器宕机，导致 actual replicas = 2。Controller 观察到差异，就会触发新建一个副本的逻辑。反之如果因为网络分区恢复，突然变成了 4 个，它就会删掉一个。
K8s 与其说是一个容器编排系统，不如从架构思想上把它理解成一套 distributed reconciliation system。
整个集群大量的 Controller（比如 ReplicaSet Controller、Node Controller），本质上都在反复执行：observe -> compare -> reconcile。
这也是为什么 K8s 能把 Failure 视为正常状态。机器挂掉导致 workload 消失，这只不过是 actual state 与 desired state 发生了 divergence 而已。Controller 发现之后，自然会去触发 reconcile 逻辑将目标状态恢复。
从管理机器，到管理资源#
K8s 带来的另一个转变，是从 Machine-centric 走向 Resource-centric。
传统部署思路往往是与具体物理机绑定的：“核心数据库跑在 server-1 上的 135 端口”，“特征提取任务跑在 gpu-machine-5 上”。这需要运维人员在脑海里（或者 Excel 表格里）维护每台机器的剩余容量。
K8s 希望开发者忘掉机器。在 K8s 的世界里，开发者只需要在 YAML 中声明 workload 的 Resource Requirement：
1resources:
2 requests:
3 cpu: "8"
4 memory: "32Gi"这背后隐含的模型是：大量的物理机被抽象成了统一的 Cluster Resource Pool。
既然我们不再指定具体运行在哪台机器上，那么谁来决定这件事？答案是 Scheduler。
不需要深入了解 K8s Scheduler 具体用了什么打分框架和插件，从 high-level 模型上看，它解决的本质问题是：这个 workload 应该放在哪里（Placement problem）？
Scheduler 过滤出满足条件的节点，并进行打分，最后把 workload 绑定到某个具体的 Node 上。在这个过程中，Placement 被从具体的 workload 业务逻辑中抽象了出来。 管理员不用再人肉选机器，集群资源利用率也有了提高的空间。
逻辑与物理的解耦：Pod 与 Service#
了解了上面这些，我们就能很自然地理解 K8s 中一些独特概念的设计初衷。
为什么需要 Pod？#
很多人被问到 Pod 时会背诵“Pod 是 K8s 最小部署单元”。但这并没有回答为什么 K8s 不直接调度 Docker 容器。
因为一个逻辑上的 workload 很多时候并不只有一个进程。比如主服务容器旁边，往往需要挂载一个负责收集日志的 sidecar 容器，或者一个做环境初始化的 init 容器。它们需要被一起调度，需要共享网络命名空间和 volume。
容器是 runtime abstraction，而 Pod 是 orchestration abstraction。 K8s 需要一个高于单个容器的调度和生命周期单位，这就是 Pod 存在的意义。
为什么需要 Service 和 Label？#
既然 Pod 是 K8s 的调度单位，而我们在前面说过，Failure 是预期的，节点宕机会触发 reconciliation，导致旧 Pod 被销毁，新 Pod 在另一台机器上被创建。
这意味着 Pod 的 IP 地址是随时会变化的（ephemeral）。如果客户端硬编码了某个 Pod 的 IP，系统一旦发生故障迁移就会瘫痪。
为了解决这个问题，K8s 引入了 Label/Selector 和 Service。
1# Pod 的逻辑身份
2metadata:
3 labels:
4 app: inference
5 model: alphaService 和其他内部控制器，不再依赖诸如 pod-1837 这样的具体实例，而是只认准 selector: app=inference 这一逻辑身份（Logical Identity）。
只要新创建的 Pod 依然带有这个标签，流量就会自动路由过去。依赖逻辑身份，而不是依赖某个具体的物理实例，这是 K8s 中大量组件松耦合（loose coupling）能够成立的基础。
Control plane 与 Data plane 的边界#
在深入理解了 K8s 大量使用控制循环之后，很多人（包括当年的我）会产生一个疑问：
既然 Controller 是在死循环里不断对比状态，这种操作通常是不追求极致实时的。那么 K8s 是不是不适合做对延迟极度敏感的在线业务（latency-sensitive workload）？
这里需要区分两个概念：Control plane latency 和 Data plane latency。
K8s 的 Scheduler、Controller Manager 和 API Server 属于控制面。它们确实不在已经启动并正常运行的 workload 的核心请求链路上。控制面的动作（比如节点宕机后新建一个 Pod）慢个几秒钟，通常是可以接受的。
但业务请求走的是数据面（Data plane）。真正需要谨慎对待的，是那些被放进了数据面请求必经之路（关键路径）的基础设施抽象，比如 Service 实现（kube-proxy、iptables/IPVS）、CNI 网络插件，或者是 Service Mesh 数据面代理。
K8s 完全可以承担一套可靠的 control plane，同时把在线 workload 的 data plane 保持得尽量轻薄。只要理清这两者的边界，就不会因为“控制循环慢”而全盘否定它在核心在线业务里的价值。
为什么当年做 ML Platform 必须理解 K8s#
回到开头的问题：为什么对一个 ML Infra / ML Platform 工程师来说，理解 K8s 是很自然的需求？
因为机器学习平台的底层，每天都在面对这些问题：海量的 training jobs 和 serving jobs、异构资源（CPU、各种型号的 GPU、RDMA、NVLink）、动态的资源申请与释放、多用户资源隔离以及排队策略。
这本质上是一个复杂的规模化与调度问题： 海量 Workload + 异构 Resource + 动态 Placement + 持续 Failure。
K8s 提供的这套基础架构抽象：将业务抽象为资源需求，将集群抽象为资源池，通过 Scheduler 解决 Placement，依靠 Reconciliation 维持目标状态和故障自愈。机器学习平台基本都在这层抽象上继续往上搭。
具体的 YAML 字段过几年可能就忘了，但面向目标状态的容错设计和逻辑需求与物理资源解耦这两条，放到其他大规模分布式系统里也一样成立。