跳到主要内容

数据截至 (上游 commit 9194847b2cf8)

调度器：请求怎么找到一台机器

这一章讲 Beam 控制面的心脏：一个 ContainerRequest（「请给我跑一个这样的容器」）是怎么被匹配到一台具体 worker 的，匹配不上又怎么办。代码主要在 pkg/scheduler/。

1. 它要解决的小问题​

抽象层会源源不断地说「我要再开 3 个容器」。但容器不能凭空出现——得有一台有足够 CPU/内存/对的 GPU 型号、且没被占满的机器来跑它。调度器就是那个「把请求和机器撮合」的中间人；撮合不上时，它还得去开新机器。

2. 思路 / 直觉：一条 Redis backlog + 一个批处理循环​

Beam 没有用「请求直达 worker」的同步模型，而是经 Redis 解耦：

  • 抽象层调 Scheduler.Run(request)，请求被推进 Redis 的 backlog（一个队列）。
  • 调度器另有一个独立循环 StartProcessingRequests，不停从 backlog 批量弹出请求来处理。

这样做的好处：生产（要容器）和消费（撮合）速度解耦，且调度状态天然可以多副本共享 backlog。

Scheduler.Run(req)                StartProcessingRequests()（独立 goroutine）
   │                                  │ 每 50ms
   │ 设置并发配额                      ▼
   │ 检查重复容器              PopN(512) 一批请求
   ▼                                  │
 addRequestToBacklog ──RPush──►  Redis backlog ──LPop──► 逐个 processRequest

关键常量（scheduler.go:25-31）：批大小 requestProcessingBatchSize=512、轮询间隔 requestProcessingInterval=50ms。

3. 入口：Scheduler.Run 做了什么​

Run 不直接调度，它只做「入队前的准备」(scheduler.go:212 func (s *Scheduler) Run)：

  1. 查重：若该 ContainerId 已是 pending/running，返回 ContainerAlreadyScheduledError，避免重复起。
  2. 附检查点：若开了自动检查点且有可用检查点，把 request.Checkpoint 填上（为后面 CRIU 恢复铺路）。
  3. 并发配额：getConcurrencyLimit 取 workspace 的并发上限并 SetContainerStateWithConcurrencyLimit 落库。
  4. 入 backlog：addRequestToBacklog。

注意一个细节：addRequestToBacklog (scheduler.go:990) 里第一次（RetryCount==0）是立即入队、不延迟；之后每次重试都走指数退避 calculateBackoffDelay（1s 起、5s 封顶，scheduler.go:1100），并在超过 maxScheduleRetryCount=120 次或 maxScheduleRetryDuration=10min 后放弃。

4. 核心：三级调度顺序​

请求被弹出后交给 schedulingAttempt.run()（reserve.go:29）。这里把调度顺序写得非常明确：

run():
  ① scheduleOnAvailableWorker()   就绪容量优先：有空闲 worker 直接派
        └ 成功 → 返回
  ② reservePendingWorkerCapacity() 其次：预留一台「正在启动中」的 worker 的容量
        └ 成功 → 重新入队等它起来
  ③ tryPrivatePoolFallback()       私有池兜底
  ④ provisionWorker()              最后：调云厂商 API 开一台新机器

源码注释原话（reserve.go:35-36）：「use ready capacity first, wait on pending capacity second, and only provision when neither path can fit」。这条「能用现成的就别开新机」的优先级，是省钱省时间的核心。

4.1 第一级：选一个空闲 worker（过滤 + 打分）​

selectWorkerFromWorkersByStatus（scheduler.go:869）是撮合的核心，分两步。

第一步：一串过滤器，逐层筛掉不合格的 worker。 这是并列的几道关卡，用表更清楚：

过滤器函数筛掉谁
池选择器filterWorkersByPoolSelector请求指定了私有池 → 只留该池的 worker；没指定 → 排除「要求选择器」的 worker
私有 agent 存活filterLivePrivateAgentWorkers私有池里排除掉「机器已离线」的 worker
资源filterWorkersByResourcesCPU/内存不够、GPU 型号不匹配、被 cordon 的
标志filterWorkersByFlags非抢占请求排除掉可抢占 worker
状态filterWorkersByStatus只留指定生命周期状态（如 Available）

资源过滤里有个巧妙的内存超额预留：capacityMemoryForScheduling（scheduler.go:809）把请求内存乘 1.25 (memory*125+99)/100——给容器留 25% 余量，避免刚好卡死触发 OOM。

第二步：给活下来的 worker 打分，取最高分。

# 示意，非源码：评分逻辑对应 scoreWorkerForRequest
def score(worker, request):
    s = worker.priority                  # 池优先级是基础分
    if worker.status == "available":
        s += 10                          # 现成可用的 +10（scoreAvailableWorker）
    if request.requires_gpu():
        s -= gpu_priority_modifier(...)  # GPU 型号在请求偏好列表里越靠后，扣得越多
    return s
# 重点看：分相同时，再比「空闲容量」——GPU 数权重极高（×1_000_000）

真实实现 scoreWorkerForRequest（scheduler.go:949）+ 平局打破 workerFreeCapacityScore（scheduler.go:975）。后者把空闲 GPU 数乘以 100 万，意思是优先把活塞到 GPU 最空的机器，让 GPU 利用率更均衡。

4.2 第二级：预留「待启动」worker 的容量​

如果没有现成空闲 worker，但已经有一台机器正在启动中（status=Pending），调度器不会傻等也不会立刻又开一台，而是在那台未来的机器上先预扣容量——provisioningTracker.reserveCapacity（reserve.go:350）。

这块用一个 provisioningTracker 维护两张映射：reservations（worker → 预留）和 requestReservations（请求 → 预留）。预留成功后请求重新入队，等那台机器起来就能直接命中第一级。预留有 TTL 兜底（pendingWorkerReservationTTL=30s）防止泄漏。

4.3 第三级：调云 API 开新机​

都不行才 provisionWorker（reserve.go:129）：

  1. getControllers 找到能满足请求的 worker 池控制器（按 GPU 型号筛池）。
  2. workerProvisioningController 应用退避（避免对失败的池猛开机，provisioning_backoff.go）。
  3. addReservation 先在调度器内存里建一个「占位 worker」预扣容量，再起一个 goroutine workerProvisioningAttempt.run() 真正调 controller.AddWorker(cpu, mem, gpu)。
  4. 请求重新入队等新机器。

controller.AddWorker 的实现因池而异：本地 K8s（pool_local.go）、外部云厂商（pool_external.go，对接 pkg/providers/ 里的 Hetzner/Vast/Shadeform 等）、私有 agent 池（pool_agent.go）。

5. 派发：怎么把请求交给 worker​

选到 worker 后 scheduleRequest（scheduler.go:677）：更新容器分配的 GPU、附上镜像/构建仓库凭证（attachImageCredentials/attachBuildRegistryCredentials，都带缓存），然后 pushWorkerRequest → ScheduleContainerRequest。

派发落到 Redis（pkg/repository/worker_redis.go:1462）：

  • 先拿该 worker 的分布式锁，校验它仍 Available；
  • updateWorkerCapacityLocked(RemoveCapacity) 原子扣减该 worker 的空闲资源；
  • RPush 把请求 JSON 推进 SchedulerWorkerRequests(workerId) 队列；
  • 推送失败会回滚容量（把扣掉的加回去），保证容量账目一致。

worker 那头就是 LPop 这个队列拿活（GetNextContainerRequest，worker_redis.go:1693）。调度器和 worker 完全靠这条 Redis 队列通信，不直接 RPC。

6. 巧妙之处​

  • 三级调度的显式排序（reserve.go）：把「就绪 > 待启预留 > 开新机」写成线性的几个 if return，可读性极高，也直接编码了成本优先级。
  • 内存 1.25× 超额预留（capacityMemoryForScheduling）：用一行整数运算给每个容器留 OOM 余量，朴素但有效。
  • 派发容量扣减带回滚（ScheduleContainerRequest）：Redis 没有跨 key 事务，作者用「先扣减、push 失败再补回」的补偿模式保证账目不漂。
  • provisioning 预留 + TTL：避免「N 个请求同时到、各自开一台机」的惊群，又用 TTL 防止预留泄漏。

7. 边界与局限​

  • 调度状态、worker 状态、backlog 全在 Redis；Redis 抖动会直接放大成调度失败重试。
  • 评分是贪心选最高分，不是全局最优装箱；高并发下可能产生碎片。
  • 重试上限是固定的 120 次 / 10 分钟（maxScheduleRetryCount/maxScheduleRetryDuration），超了请求直接判失败。

8. 横向对比​

和同 shelf 的「单机 agent 运行时」（如直接 subprocess 跑工具的项目）相比，Beam 是集群级调度：它要解决的是「跨几十台带 GPU 的机器弹性分配」，所以才有 backlog、评分、provisioning 这套重机制。轻量 agent 框架通常没有这一层，直接在本机起进程。Beam 的 Sandbox 抽象（见 04-abstractions.md）才是它和「agent 沙箱」类项目正面重叠的部分。

9. 代码地图​

主题文件符号
调度入口pkg/scheduler/scheduler.goScheduler.Run
批处理循环pkg/scheduler/scheduler.goStartProcessingRequests
三级调度顺序pkg/scheduler/reserve.goschedulingAttempt.run、runWaitingOrProvisioning
worker 过滤pkg/scheduler/scheduler.gofilterWorkersByResources、filterWorkersByPoolSelector
worker 打分pkg/scheduler/scheduler.goscoreWorkerForRequest、workerFreeCapacityScore
内存超额预留pkg/scheduler/scheduler.gocapacityMemoryForScheduling
待启容量预留pkg/scheduler/reserve.goprovisioningTracker.reserveCapacity
开新机pkg/scheduler/reserve.goworkerProvisioningAttempt.run
退避pkg/scheduler/scheduler.goaddRequestToBacklog、calculateBackoffDelay
派发落 Redispkg/repository/worker_redis.goScheduleContainerRequest、GetNextContainerRequest