合理配置资源请求与限制、利用亲和性策略、启用HPA与VPA、结合污点容忍及自定义调度器，可显著提升微服务在Kubernetes下的性能与稳定性。
微服务架构下，容器编排与调度直接影响系统性能、资源利用率和稳定性。以 Kubernetes 为例，通过合理的资源配置、调度策略和弹性伸缩机制，可以显著提升服务运行效率。
合理设置资源请求与限制
为每个微服务容器明确配置 CPU 和内存的 request 与 limit，是优化调度的基础。Kubernetes 调度器依据 request 值决定将 Pod 分配到哪个节点，而 limit 防止容器过度占用资源。
建议：- 根据服务实际负载压测结果设定合理的 request 值，避免“资源虚报”导致节点资源碎片化
- 设置略高于平均峰值的 limit，防止突发流量引发级联故障
- 对非关键批处理任务可使用 BestEffort 或 Burstable QoS 类型释放资源压力
利用亲和性与反亲和性优化部署拓扑
通过 nodeAffinity、podAntiAffinity 等策略，控制微服务实例在集群中的分布方式，提升高可用性和访问效率。
示例场景：- 将数据库主从实例通过 podAntiAffinity 强制分散到不同可用区节点，防止单点宕机影响整体服务
- 将高频通信的微服务（如网关与认证服务）通过 podAffinity 尽量调度至同一物理节点，降低网络延迟
- 结合污点（Taint）与容忍（Toleration），将特定服务限定运行在专用机型上（如 GPU 节点）
启用 HPA 实现自动水平伸缩
Kubernetes 的 Horizontal Pod Autoscaler 可根据 CPU 使用率、自定义指标（如 QPS）动态调整副本数。
- 为关键服务配置基于 Prometheus 自定义指标的 HPA，例如按每秒请求数触发扩容
- 设置合理的扩缩容阈值和冷却窗口，避免频繁抖动
- 结合 VPA（Vertical Pod Autoscaler）尝试自动调整单个 Pod 的资源 limits，进一步提升资源利用率
优化调度器行为以适配业务特征
默认调度器适用于通用场景，但可通过自定义调度器或调度插件优化特定工作负载。
- 对于延迟敏感型服务，启用调度框架的“抢占”机制，确保高优先级 Pod 能及时启动
- 使用 Coscheduling 插件保证一组关联 Pod 同时调度，避免分布式训练任务因部分实例未就绪而阻塞
- 在大规模集群中开启调度器性能调优参数，如 concurrentScheduling、percentageOfNodesToScore
基本上就这些。通过精细化资源配置、智能调度策略和动态伸缩机制，能有效提升微服务系统的稳定性和资源效率。关键是根据实际业务负载不断调优策略，形成闭环反馈。不复杂但容易忽略。
