故障转移响应速度：提升集群状态快速收敛的途径

提升故障转移响应速度需在控制平面、网络层、节点行为和调度逻辑四层面协同优化：缩短API Server事件感知延迟、加快节点健康判定、优化网络故障传播恢复、提升调度与Pod重建效率。

提升故障转移响应速度，核心是缩短集群从异常发生到服务恢复的整个收敛周期。这不单靠某个组件调优，而需在控制平面、网络层、节点行为和调度逻辑四个层面协同优化。

缩短控制平面事件感知延迟

API Server 和控制器对状态变化的感知越快，后续动作就越及时。关键在于减少轮询开销和加速事件分发：

• 将 Informer 的 resync 周期设为 0（禁用全量同步），依赖 watch 机制实时接收变更，避免定时重刷带来的延迟
• 调高客户端 QPS 限值（如从默认 5 提至 20），允许控制器更频繁地向 API Server 发起请求
• 确保 etcd 使用高性能 SSD 存储，并启用 host 模式部署，降低键值读写延迟

加快节点健康状态判定

Kubelet 和 kube-scheduler 对节点失联的反应速度，直接影响 Pod 驱逐与重调度时机：

• 减小 kubelet 的 node-status-update-frequency（如设为 5s），让节点心跳上报更密集
• 调低 node-monitor-grace-period（如设为 20s）和 pod-eviction-timeout（如设为 30s），使主控端更快标记节点 NotReady 并触发驱逐
• 避免使用过长的探针超时（liveness/readiness probe timeoutSeconds > 10s），防止误判或等待过久

优化网络层故障传播与恢复

网络中断后，路由、服务发现、连接跟踪等模块需快速同步新状态：

• 启用 BGP 优雅重启（--bgp-graceful-restart），Kube-router 重启时保留邻接关系与路由前缀，避免邻居撤回再学习的秒级震荡
• 设置合理的 conntrack 超时：net.netfilter.nf_conntrack_tcp_timeout_established=300，避免长连接因状态表老化被意外中断
• 若使用 IPVS，确认 ip_vs_sh 或 ip_vs_rr 模式下后端健康检查间隔 ≤ 5s，实现秒级剔除故障 Pod

提升调度与重建效率

Pod 被驱逐后能否快速找到新节点并启动，取决于调度器性能与节点就绪度：

• 将 percentageOfNodesToScore 设为 50–70（而非默认动态值），在大规模集群中平衡打分精度与速度，避免遍历全部节点
• 预热镜像：在节点上提前拉取常用基础镜像（如 nginx:alpine、busybox），跳过拉取阶段，让 Pod 启动时间从分钟级降至秒级
• 配置 serializeImagePulls: false 和 imagePullParallelism: 5，允许多镜像并发拉取