弹性云原生:tensile-kube - 跨集群资源调度的利器!
项目简介
tensile-kube 是一个基于 virtual-kubelet 构建的开源工具,旨在让 Kubernetes 集群之间的协同工作更加智能和高效。它允许上层集群与下层集群之间进行资源自动发现,并优化跨集群的资源调度,同时支持 PV/PVC 和服务管理,确保应用的稳定运行。
项目技术分析
tensile-kube 包含以下关键组件:
-
虚拟节点(virtual-node):这是一个基于 virtual-kubelet 实现的 Kubernetes 提供者。上层集群创建的Pod会被同步到下层集群,并处理依赖的ConfigMap或Secret。
-
多集群调度器(multi-cluster scheduler):使用 Kubernetes 的调度框架构建,实时监控所有下层集群的容量,当可用节点数大于等于1时,进行Pod调度。为满足不同的需求,还提供了一个额外的实现——去碎片化调度器(descheduler)。
-
去碎片化调度器(descheduler):类似 K8s 的 descheduler,但针对特定场景进行了优化,可尝试重新调度无法在低层集群中调度的Pod。
-
webhook:利用 Kubernetes 的突变webhook机制,转换可能影响Pod调度的字段,如
nodeSelector、nodeAffinity和tolerations,仅对有标签virtual-pod:true的Pod生效。
应用场景

tensile-kube 在腾讯游戏的部署实践中大放异彩。在一个由 flannel 连接的多集群环境中,所有的节点CIDR都基于同一个etcd分配,Pod可以跨集群直接通过IP通信。这种情况下,tensile-kube 能有效帮助解决资源碎片问题,提高集群资源利用率。
项目特点
- 跨集群资源自动发现:实时了解每个集群的资源状况,提升调度效率。
- 异步通知Pod修改:降低频繁列表查询带来的开销。
- 全功能日志和执行支持:与
kubectl logs和kubectl exec命令兼容。 - 全局调度避免资源碎片:利用多集群调度器避免因资源碎片导致的不可调度Pod。
- 动态去碎片策略:descheduler 可重新调度无法在较低层级集群中调度的Pod。
- PV/PVC 支持:特别适用于本地PV的
WaitForFirstConsumer策略。 - 服务同步:保证跨集群的服务通讯正常。
快速部署
要构建并部署tensile-kube,你可以按照以下步骤操作:
- 克隆仓库:
git clone https://github.com/virtual-kubelet/tensile-kube.git - 编译项目:
make - 部署虚拟节点:根据提供的参数设置,运行虚拟节点二进制文件
- 部署webhook和descheduler:将配置文件中的镜像替换为你的镜像,并在K8s集群中部署
贡献者包括来自腾讯的Weidong Cai、Ye Yin,以及其他开发者。
tensile-kube 是一个多才多艺的工具,无论你是大型集群管理员还是追求高效资源调度的开发人员,它都能帮你实现更智能的跨集群资源管理。立即加入,开启你的弹性云原生之旅吧!
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00