Volcano

CNCF 的云原生批量计算调度器，为 Kubernetes 补上 gang 调度与队列管理，AI 训练集群常用。

它是干什么的

Kubernetes 自带的调度器是给长期运行的服务设计的——一个 Pod 一个 Pod 地安排，谁先来谁先上。这套逻辑放到 AI 训练、大数据批处理这类场景就不太够用了。一个训练任务往往由几十上百个 Pod 组成，要么全部启动，要么一个都别启动，否则占着 GPU 空等就是纯浪费。Volcano 就是来解决这类问题的：它是 CNCF 旗下的云原生批量计算调度器，在 Kubernetes 之上补上了 gang 调度、队列管理和更细粒度的资源分配能力。

谁该用它

如果你在 Kubernetes 上跑分布式训练（PyTorch、TensorFlow、MPI 作业都算），或者跑 Spark、Flink、Ray 这类批处理框架，并且已经开始为「任务之间抢 GPU」「小任务被大任务饿死」「作业部分启动后互相死等」这些事头疼，那 Volcano 基本就是为你准备的。反过来，如果你只是部署几个常驻的 Web 服务，原生调度器完全够用，不必引入额外组件。

几个真正有用的能力

Gang 调度是 Volcano 的核心。它保证一组 Pod 要么同时被调度成功，要么全部不调度。这直接消灭了「三个 worker 起来了，第四个卡在资源不足，三个已经占着卡干等」的僵局。对训练任务来说，这个语义是刚需。

队列管理把集群资源划成若干队列，给每个队列设权重、配额上限和回收策略。多个团队共享一个集群时，你可以保证每个团队有保底资源，同时允许空闲资源被其他队列借用，忙起来再还回去。这比 Kubernetes 原生的 ResourceQuota 灵活得多，后者只做硬性限制，不做弹性共享。

多样化的调度策略包括 binpack（尽量把 Pod 挤到少数节点上，腾出整机给大任务）、优先级抢占、以及针对 GPU 等异构资源的共享与分配。binpack 在 GPU 集群里特别实用，能把碎片节点清空出来。

作业管理层面，Volcano 提供了 Job、Queue、PodGroup 等 CRD，支持作业的生命周期管理、失败重试和依赖关系，比裸用 Deployment 跑批处理省心。

上手成本

Volcano 以 Helm chart 或 YAML 方式部署，装完替换掉默认调度器即可，已有的工作负载不用大改。学习曲线主要在于理解 Queue 和 PodGroup 的配置——概念不多，但配额和抢占策略的组合需要按自己集群的实际情况调。社区活跃度不错，CNCF 孵化项目，国内几家大厂的生产集群都在用，文档和示例也比较全。

官网 volcano.sh 上有快速开始、架构说明和完整的 API 参考，想验证效果的话，搭个测试集群跑一遍 gang 调度的例子，半小时就能看出它跟你现有流程合不合。

常见问题

Volcano 是什么？

CNCF 的云原生批量计算调度器，为 Kubernetes 补上 gang 调度与队列管理，AI 训练集群常用。

Volcano 的官方网站是什么？

Volcano 的官方网站是 https://volcano.sh/，可直接在浏览器中打开使用。