Volcano调度器队列Pod Group计数指标异常问题分析
2025-06-12 08:48:33作者:郜逊炳
在分布式任务调度系统Volcano中,调度器会通过Prometheus指标监控各个队列中Pod Group的运行状态。近期发现当队列中最后一个运行中的任务被删除后,相关监控指标queue_pod_group_running_count
未能正确归零的问题。
问题现象
当队列中存在运行中的Volcano Job时,queue_pod_group_running_count
指标能正确显示为1。但当该Job被删除后,指标值仍保持为1而不会更新为0。类似情况也出现在queue_pod_group_pending_count
等关联指标上。
技术背景
Volcano调度器的proportion插件负责队列资源的比例分配和指标收集。当前实现中,指标更新逻辑位于任务分配阶段,仅当队列中有待处理任务时才会触发指标刷新。这种设计导致当队列变为空状态时,系统缺少触发指标更新的时机。
根因分析
通过代码审查发现,指标更新逻辑位于proportion插件的任务分配环节。当队列中最后一个任务被删除后:
- 该队列会从调度器的
queueOpts
映射表中移除 - 后续的指标更新循环不再包含该队列
- 既有的指标值因此被保留而不会重置
解决方案建议
方案一:会话关闭时全量更新
将指标更新逻辑移至OnSessionClose
钩子函数,此时可以:
- 遍历系统中所有已注册队列
- 显式设置无任务队列的指标值为0
- 确保指标状态的最终一致性
方案二:引入队列状态监听
建立队列生命周期监听机制:
- 当队列被创建/删除时更新指标
- 使用最终一致性保证指标准确
- 需要扩展队列管理接口
实现考量
在具体实现时需要注意:
- 指标更新需要保证原子性
- 高频更新可能影响调度性能
- 需要处理短暂的任务状态不一致
- 考虑添加指标过期机制
总结
该问题反映了监控指标与核心调度逻辑的耦合问题。在分布式系统中,确保监控数据的准确性需要特别考虑边界条件。建议采用方案一的实现方式,既能解决问题又不会引入过多复杂性。后续可考虑将指标收集抽象为独立模块,提高系统可维护性。
对于使用Volcano的生产环境,建议在升级前验证该指标的准确性,必要时可通过外部监控系统进行数据校验。
登录后查看全文
热门项目推荐
相关项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0287Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
161
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
198
279

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
535
62

Ascend Extension for PyTorch
Python
50
81

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
950
556

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1 K
397

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
385
19

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191