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
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13BFLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00
GOT-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).Dockerfile013
Spark-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。Python00- 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
24
6
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
237
2.36 K
仓颉编程语言运行时与标准库。
Cangjie
122
96
暂无简介
Dart
539
118
仓颉编译器源码及 cjdb 调试工具。
C++
115
83
React Native鸿蒙化仓库
JavaScript
216
291
Ascend Extension for PyTorch
Python
77
109
🎉 (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
997
588
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++
589
114
LLVM 项目是一个模块化、可复用的编译器及工具链技术的集合。此fork用于添加仓颉编译器的功能,并支持仓颉编译器项目。
C++
32
26