6.2.1.1 Scheduler 心跳间隔优化

文档摘要

6.2.1.1 Scheduler 心跳间隔优化 6.2.1.1 Scheduler 心跳间隔优化：一次因延迟引发的集群雪崩，以及我们如何用救回 97% 的任务吞吐凌晨两点十七分，告警钉钉群炸开第三条红色高亮消息：【K8s Cluster-Prod】 ReadyProbe 失败 ×12，连续 4 分钟未上报心跳； Pod 数突破 14,823；突降至 11.3%；跃升至 8.4s —— 超出 SLA 阈值 16.8 倍。这不是压力测试。这是真实生产环境——一个承载着日均 230 万 AI 推理任务、峰值并发超 4.7 万 Pod 的金融级调度集群。而问题的起点，竟藏在一行被所有人忽略的配置里：没错——就是。它不是心跳间隔，但它是心跳“重试节奏”的节拍器；