【infra之路】模块三:Kubernetes (上) — 概念、集群搭建、Pod 与 Deployment

AI Infra 学习路线 · 阶段一 · 模块三(上半部分)
目标:理解声明式 → 搭本地集群 → 掌握 Pod/Deployment/自愈/扩缩容
环境:Windows + WSL2 (Ubuntu 24.04) + Docker Desktop + minikube v1.38.1 + NVIDIA RTX 5060 Ti (8G)
下半部分(GPU 接入 + PyTorch 训练 = 阶段一毕业项目)见后续笔记

0. 核心心智模型:声明式 (最重要)

• 命令式 (Docker 时代):你下一条条指令——“跑这个容器”“停那个”“删掉它”。机器只管执行,出状况(容器崩了)它不管。
• 声明式 (Kubernetes):你描述「想要的最终状态」——“我要 3 个这样的容器一直运行着”。K8s 自己负责让现实变成那样,并持续维持:容器挂了自动拉起,机器宕了把任务挪走。

类比:命令式 = 手动开关每盏灯;声明式 = 设定"这房间要一直保持明亮",系统自己换坏掉的灯泡。

一句话:你描述想要什么,K8s 负责实现并持续维持。后面每个对象都是在帮你"描述想要什么"。

为什么 AI Infra 必须用它:成百上千个容器(训练任务、推理服务)跑在几十上百台机器上,手动 docker run 不可能。你只需声明"这个推理服务要 10 个副本、每个 1 张 GPU",K8s 负责调度到哪台机器、哪张卡、挂了怎么重启。它是「集群的操作系统」。

1. 核心概念

集群组件(K8s 的"大脑",排查问题会反复见到):

• apiserver:所有操作的唯一入口,kubectl 命令都发给它。
• kubelet:节点上负责真正把容器跑起来的代理。
• control-plane:控制平面,负责调度决策。真实集群里和工作节点分开;minikube 单节点身兼两职。

2. 安装 minikube + kubectl

# kubectl (阿里云源,把版本号写进去)curl-LOhttps://kubernetes.oss-cn-hangzhou.aliyuncs.com/kubernetes-release/release/v1.32.0/bin/linux/amd64/kubectlsudoinstall-oroot-groot-m0755 kubectl /usr/local/bin/kubectl kubectl version--client# minikube (阿里云源,带明确版本号,不要用 latest 路径)curl-LOhttps://kubernetes.oss-cn-hangzhou.aliyuncs.com/minikube/releases/v1.38.1/minikube-linux-amd64# 下完先验证文件!!!ls-lhminikube-linux-amd64# 应是 ~100MB,不是几百字节fileminikube-linux-amd64# 应是 ELF 64-bit executable,不是 XML/HTMLsudoinstallminikube-linux-amd64 /usr/local/bin/minikube minikube version

好习惯:下载任何二进制后,先ls -lh看大小、file看类型,确认无误再装。

3. 启动集群(Docker 驱动)

# 选了 Docker 驱动:最省心,复用现有 Docker Desktop,GPU 也走得通# 确保 Docker Desktop 正在运行(minikube 用 Docker 驱动靠它)minikube start--driver=docker --base-image="gcr.io/k8s-minikube/kicbase:v0.0.50"

成功标志:Done! kubectl is now configured to use "minikube" cluster

验证集群:

kubectl get nodes# 节点 minikube,STATUS=Readykubectl cluster-info# control plane 信息minikube status# host/kubelet/apiserver 都 Running

4. 第一个 Pod(声明式实操)

first-pod.yaml(YAML 对缩进敏感:用空格,每级 2 个,不要 Tab):

apiVersion:v1kind:Podmetadata:name:my-first-podspec:containers:-name:nginximage:nginx:latestimagePullPolicy:IfNotPresent# 本地有就用本地,不强制远程拉ports:-containerPort:80

kubectl apply-ffirst-pod.yaml# 提交声明kubectl get pods# 看状态kubectl get pods-w# 实时盯状态变化,Ctrl+C 退出kubectl describe pod my-first-pod# 详情,重点看底部 Events(排查第一去处)kubectl logs my-first-pod# 容器日志kubectlexec-itmy-first-pod --bash# 钻进容器(类比 docker exec)

关键实验:裸 Pod 删了不会自愈

kubectl delete pod my-first-pod kubectl get pods# No resources found —— 没人管它,删了就没了

裸 Pod(直接 kind: Pod)没有管理者。要自愈,需要更高层对象 = Deployment。

5. Deployment(自愈 + 扩缩容)

first-deployment.yaml:

apiVersion:apps/v1kind:Deploymentmetadata:name:nginx-deploymentspec:replicas:3# 关键:声明要 3 个副本一直在selector:matchLabels:app:nginx# 管理哪些 Pod(靠标签匹配)template:# 每个 Pod 的模板metadata:labels:app:nginx# 给 Pod 打标签(和上面 selector 对应)spec:containers:-name:nginximage:nginx:latestimagePullPolicy:IfNotPresentports:-containerPort:80

kubectl apply-ffirst-deployment.yaml kubectl get pods# 3 个 Pod: nginx-deployment-xxxx-yyyykubectl get deployment# READY 3/3kubectl get pods-owide# 含每个 Pod 的 IP、所在节点

关键实验:Deployment 管的 Pod 删了会自愈

kubectl delete pod<某个pod名>kubectl get pods# 总数仍是 3!被删的消失,立刻冒出一个 AGE=几秒 的新 Pod 补位

对比裸 Pod:同样删 Pod,裸 Pod 直接没了,Deployment 立刻补回。差别 = 有没有管理者持续维持声明的状态。

声明式扩缩容(改声明,不用删了重建):

kubectl scale deployment nginx-deployment--replicas=5# 声明要 5 个 → 立刻变 5kubectl scale deployment nginx-deployment--replicas=2# 声明要 2 个 → 多的被回收

清理:

kubectl delete deployment nginx-deployment# 删 deployment,它管的 pod 一起清理

6. 踩坑记录(国内环境 minikube 必遇)

坑 1:阿里云 latest 路径下到错误页

curl .../minikube/releases/latest/...只下到 412 字节,file显示是 XML。

• 原因:latest 路径在阿里云源不可靠,返回了错误提示页。
• 解决:用带明确版本号的路径.../releases/v1.38.1/...。下完务必ls -lh+file验证。

坑 2:minikube start 拉 kicbase 极慢 (40 B/s)

日志:cannot pull kicbase image from any docker registry, and is trying to download ... from github release page via HTTP,速度 40 B/s。

• 原因:kicbase(1.28G 基础镜像)从镜像仓库拉失败,回退到 GitHub HTTP 下载,GitHub 在国内极慢。
• 解决:换网 + 下面的手动拉镜像办法。

坑 3:kicbase 镜像 sha256 指纹对不上 (not found)

日志:failed to resolve reference ... @sha256:eb4fec...: not found。

• 原因:minikube 1.38.1 写死要找指纹 eb4fec…,但阿里云那份 kicbase 实际指纹是 39500e5a…,按指纹精确匹配失败。
• 解决(手动拉 + 绕过指纹):

  minikube deletedockerpull registry.cn-hangzhou.aliyuncs.com/google_containers/kicbase:v0.0.50# 按标签拉,不带@sha256dockertag registry.cn-hangzhou.aliyuncs.com/google_containers/kicbase:v0.0.50 gcr.io/k8s-minikube/kicbase:v0.0.50 minikube start--driver=docker --base-image="gcr.io/k8s-minikube/kicbase:v0.0.50"# 用本地镜像,跳过指纹

坑 4:Pod 卡在 ImagePullBackOff / ErrImagePull

kubectl describe pod的 Events:Failed to pull image "nginx:latest" ... registry-1.docker.io ... EOF。

• 原因:minikube 集群是独立环境,有自己的镜像存储,不走宿主机 Docker 配的加速源,默认直连 Docker Hub 拉失败。
• 关键概念:ImagePullBackOff= 拉不到镜像后 K8s 退避等待(越等越久再试);ErrImagePull= 拉取失败。这是 K8s 最高频错误之一。
• 解决(本地拉 + load 进集群):

  dockerpull nginx:latest# 用本地 Docker(已配加速源)拉minikube image load nginx:latest# 把镜像塞进 minikube 集群(桥梁!)minikube imagels|grepnginx# 确认集群里有了# YAML 里加 imagePullPolicy: IfNotPresent,告诉 K8s 用本地的别去远程拉

• 备选:用阿里云的 Docker Hub 镜像副本,路径形如registry.cn-hangzhou.aliyuncs.com/library/nginx:1.21(library 命名空间 = Docker Hub 官方镜像)。

7. 关键认知沉淀

1. 命令式 vs 声明式是 K8s 的世界观,比记任何 yaml 字段都重要。
2. minikube 集群 ≠ 宿主机 Docker:两个独立的镜像环境,minikube image load是桥梁。以后自己构建的训练/推理镜像也要这样塞进集群。
3. 自愈的本质:你声明期望状态,K8s 持续让现实 = 声明。扩缩容、崩溃重启、故障转移都是这一个原理的放大。
4. 排 Pod 问题第一步:kubectl describe pod <name>看 Events。

已掌握能力清单

• 理解命令式 vs 声明式
• 安装 kubectl + minikube,国内环境绕过 kicbase 下载/指纹坑
• 启动并验证本地集群
• 写 Pod YAML,apply/get/describe/logs/exec
• 理解并复现 ImagePullBackOff,用 image load + imagePullPolicy 解决
• 写 Deployment YAML,理解 replicas/selector/template/labels
• 亲手验证自愈(删 Pod 自动补回)
• 声明式扩缩容 kubectl scale