Volcano v1.11 重磅发布！开启 AI 与大数据的云原生调度新纪元
作为云原生批量计算领域的事实标准，Volcano 已经在 AI、Big Data 及高性能计算 (HPC) 等多种场景中获得广泛应用，吸引了来自 30 多个国家的 800 多名贡献者，累计代码提交数万次。Volcano 已在国内外 60+企业进行了生产落地，经受住了实际生产环境的考验，赢得了用户的广泛赞誉，为业界提供了云原生批量计算的卓越实践标准与解决方案。
随着用户使用场景的日益复杂，以及对资源利用率极致追求，特别是在 AI 大模型场景下，对训练与推理任务的性能、GPU 资源利用率、可用性提出了更高的要求，促使 Volcano 不断拓展其应用场景，深入解决用户的核心诉求。Volcano 目前的版本历程里共发布了 28 个 release，针对批量计算的场景做了一系列功能增强和优化，帮助用户更好的将业务迁移到云原生平台，解决了诸多痛点问题，赢得了用户的广泛的喜爱与好评，用户与社区之间也形成了良好的互动，approver 和 reviewer 数量累计发展了 30+，达成了双赢互利的局面。
值此 2025 新年之际，Volcano 新版本将会是一个新的里程碑，社区将在 2025 年引入一系列重大特性，继续深耕 CNAI(Cloud Native AI 云原生 AI)和大数据等领域，主要特性包括：
AI 场景:
网络拓扑感知调度: 降低训练任务间的网络传输开销，优化大模型训练场景下的性能。
NPU 卡调度和虚拟化能力: 提升 NPU 资源利用率。
GPU 卡动态切分能力: 提供 MIG 与 MPS 动态切分能力，提升 GPU 资源利用率。
Volcano Global 多集群 AI 作业调度: 支持跨集群的 AI 任务部署与拆分。
断点续训与故障恢复能力优化: 支持更细粒度的作业重启策略。
支持 DRA：支持动态资源分配，灵活高效的管理异构资源。
大数据场景:
弹性层级队列能力: 帮助用户将大数据业务丝滑迁移到云原生平台。
微服务场景：
在离线混部与动态资源超卖: 提升资源利用率，同时保障在线业务 QoS。
负载感知调度与重调度: 提供资源碎片整理和负载均衡能力。
Volcano v1.11 的正式发布[1]，标志着云原生批量计算迈入全新阶段！本次更新聚焦 AI 与大数据的核心需求，推出网络拓扑感知调度、多集群 AI 作业调度等重磅特性，显著提升 AI 训练与推理任务的性能。同时，在离线混部与动态资源超卖及负载感知重调度功能进一步优化资源利用率，确保在线业务的高可用性。此外，弹性层级队列为大数据场景提供了更灵活的调度策略。Volcano v1.11 不仅是技术的飞跃，更是云原生批量计算领域的全新标杆！
重磅特性解析
本次发布的 v1.11 版本针对 AI、大数据和资源利用率提升场景提供一系列重磅特性更新，主要包含：
▍网络拓扑感知调度：优化 AI 大模型训练性能
在 AI 大模型训练场景中，模型并行（Model Parallelism）将模型分割到多个节点上，训练过程中这些节点需要频繁进行大量数据交互。此时，节点间的网络传输性能往往成为训练的瓶颈，显著影响训练效率。数据中心的网络类型多样，如 InfiniBand (IB)、RoCE、NVSwitch 等，且网络拓扑复杂，通常包含多层交换机。两个节点间跨的交换机越少，通信延迟越低，吞吐量越高。因此，用户希望将工作负载调度到具有最高吞吐量和最低延迟的最佳性能域，尽可能减少跨交换机的通信，以加速数据交换，提升训练效率。
为此，Volcano 提出了网络拓扑感知调度（Network Topology Aware Scheduling）策略，通过统一的网络拓扑 API 和智能调度策略，解决大规模数据中心 AI 训练任务的网络通信性能问题。
统一的网络拓扑 API：精准表达网络结构
为了屏蔽数据中心网络类型的差异，Volcano 定义了新的 CRD HyperNode 来表示网络拓扑，提供了标准化的 API 接口。与传统的通过节点标签（label）表示网络拓扑的方式相比，HyperNode 具有以下优势：
语义统一：HyperNode 提供了标准化的网络拓扑描述方式，避免了标签方式的语义不一致问题。
层级结构：HyperNode 支持树状层级结构，能够更精确地表达实际的网络拓扑。
易于管理：集群管理员可以手动创建 HyperNode，或通过网络拓扑自动发现工具维护 HyperNode。
一个 HyperNode 表示一个网络拓扑性能域，通常映射到一个交换机。多个 HyperNode 通过层级连接，形成树状结构。例如，下图展示了由多个 HyperNode 构成的网络拓扑：
叶子 HyperNode（s0、s1、s2、s3）：子节点为集群中的真实节点。
非叶子 HyperNode（s4、s5、s6）：子节点为其他 HyperNode。
在这种结构中，节点间的通信效率取决于它们之间的 HyperNode 层级跨度。例如：
node0 和 node1 同属于 s0，通信效率最高。
node1 和 node2 需要跨两层 HyperNode（s0→s4→s1），通信效率较低。
node0 和 node4 需要跨三层 HyperNode（s0→s4→s6），通信效率最差。
HyperNode 配置示例
以下是一个叶子 HyperNode 和非叶子 HyperNode 的配置示例：
叶子 HyperNode 示例：
非叶子 HyperNode 示例：
基于网络拓扑的感知调度策略
Volcano Job 和 PodGroup 可以通过 networkTopology 字段设置作业的拓扑约束，支持以下配置：
mode：支持 hard 和 soft 两种模式。
hard：硬约束，作业内的任务必须部署在同一个 HyperNode 内。
soft：软约束，尽可能将作业部署在同一个 HyperNode 下。
highestTierAllowed：与 hard 模式配合使用，表示作业允许跨到哪层 HyperNode 部署。
例如，以下配置表示作业只能部署在 2 层及以下的 HyperNode 内（如 s4 或 s5），否则作业将处于 Pending 状态：
通过这种调度策略，用户可以精确控制作业的网络拓扑约束，确保作业在满足条件的最佳性能域运行，从而显著提升训练效率。
未来展望
Volcano 将持续优化网络拓扑感知调度功能，未来计划：
支持从节点标签自动转换为 HyperNode CR，帮助用户迁移到 Volcano。
集成底层网络拓扑自动发现工具，简化 HyperNode 的管理。
提供命令行工具，方便用户查看和管理 HyperNode 层级结构。
关于 Network Topology Awre Scheduling 的详细设计与使用指导，请参考
设计文档：Network Topology Aware Scheduling[2]。
使用文档：Network Topology Aware Scheduling | Volcano[3]。
由衷感谢社区开发者: @ecosysbin, @weapons97, @Xu-Wentao,@penggu, @JesseStutler, @Monokaix 对该特性的贡献！
▍弹性层级队列：灵活的多租户资源管理策略
在多租户场景中，资源分配的公平性、隔离性以及任务优先级控制是核心需求。不同部门或团队通常需要共享集群资源，同时又要确保各自的任务能够按需获得资源，避免资源争用或浪费。为此，Volcano v1.11 引入了弹性层级队列功能，大幅增强了队列的资源管理能力。通过层级队列，用户可以实现更细粒度的资源配额管理、跨层级资源共享与回收，以及灵活的抢占策略，从而构建高效、公平的统一调度平台。同时对于使用 YARN 的用户，可以使用 Volcano 无缝将大数据业务迁移到 Kubernetes 集群之上。
弹性层级队列的核心能力
Volcano 的弹性层级队列具备以下关键特性，满足多租户场景下的复杂需求：
支持配置队列层级关系：用户可以按需创建多级队列，形成树状结构。每个队列可以设置独立的资源配额和优先级，确保资源的合理分配。
跨层级资源共享与回收：子队列资源空闲时，可以将资源共享给兄弟队列，当子队列提交任务时，可以从兄弟队列回收资源。
细粒度的资源配额管理，每个队列可以设置以下资源参数：
capability：队列的资源容量上限。
deserved：队列应得的资源量。如果队列已分配的资源超过 deserved 值，超出的部分可以被回收。
guarantee：队列的资源预留量，这部分资源不会被其他队列共享，确保队列的最低资源保障。
灵活的抢占策略：支持基于优先级的资源抢占，确保高优先级任务能够及时获得所需资源。
层级队列示意图
以下是一个简单的层级队列结构示例：
根队列：作为所有队列的父队列，负责全局资源的分配与管理。
部门队列：隶属于根队列，代表不同部门或团队的资源池。
子队列：隶属于部门队列，代表具体的项目或任务，用户可以将作业提交到叶子队列。
适用场景
多部门资源共享：在大型企业中，不同部门共享同一个集群，通过层级队列实现资源的公平分配与隔离。
大数据任务调度：从 YARN 迁移到 Kubernetes 的用户，可以利用 Volcano 的层级队列功能，无缝迁移大数据业务。
AI 训练与推理：在 AI 场景中，不同训练任务或推理服务可以通过层级队列实现资源的动态分配与回收。
关于弹性层级队列详细设计与使用指导，请参考:
设计文档: hierarchical-queue-on-capacity-plugin[4]。
使用文档: Hierarchica Queue | Volcano[5]。
由衷感谢社区开发者: @Rui-Gan 对该特性的贡献！
▍多集群 AI 作业调度：跨集群的统一管理与高效调度
随着企业业务的快速增长，单个 Kubernetes 集群通常无法满足大规模 AI 训练和推理任务的需求。用户通常需要管理多个 Kubernetes 集群，以实现统一的工作负载分发、部署和管理。目前，已经有许多用户在多个集群中使用 Volcano，并使用 Karmada[6] 进行管理。为了更好地支持多集群环境中的 AI 任务，支持全局队列管理、任务优先级和公平调度等功能，Volcano 社区孵化了 Volcano Global[7]子项目。该项目将 Volcano 在单个集群中的强大调度能力扩展到多集群场景，为多集群 AI 任务提供统一的调度平台，支持跨集群任务分发、资源管理和优先级控制。
Volcano Global 在 Karmada 的基础上提供了以下增强功能，以满足多集群 AI 任务调度的复杂需求：
核心能力
Volcano Global 在 Karmada 的基础上，提供了以下增强功能，满足多集群 AI 作业调度的复杂需求：
支持 Volcano Job 的跨集群调度：用户可以在多集群环境中部署和调度 Volcano Job，充分利用多个集群的资源，提升任务执行效率。
队列优先级调度：支持跨集群的队列优先级管理，确保高优先级队列的任务能够优先获得资源。
作业优先级调度与排队：在多集群环境中，支持作业级别的优先级调度和排队机制，确保关键任务能够及时执行。
多租户公平调度：提供跨集群的多租户公平调度能力，确保不同租户之间的资源分配公平合理，避免资源争用。
关于 Volcano Global 的详细部署和使用指导，请参考: Multi-Cluster AI Job Scheduling | Volcano[8]。
由衷感谢社区开发者: @Vacant2333, @MondayCha, @lowang-bh, @Monokaix 对该特性的贡献！
▍在离线混部与动态资源超卖：最大化资源利用率，保障业务稳定性
背景：资源利用率的挑战
随着云原生技术的快速发展，Kubernetes 已成为云原生时代的“操作系统”，越来越多的业务迁移到 Kubernetes 平台。然而，尽管云原生技术带来了灵活性和可扩展性，数据中心的资源利用率仍然较低。在线业务（如微服务）通常具有明显的波峰波谷特征，在波谷时段，大量资源处于闲置状态，而在波峰时段，资源又可能不足。为了提升资源利用率并保障高优先级业务的 SLO（Service Level Objective），Volcano 推出了云原生混部解决方案，通过在离线混部与动态资源超卖，最大化集群资源利用率，同时确保在线业务的稳定性。
云原生混部的核心思想是将在线业务（如实时服务）和离线业务（如批处理任务）部署在同一个集群中。当在线业务处于波谷时，离线业务可以利用闲置资源；当在线业务达到波峰时，通过优先级控制压制离线业务，确保在线业务的资源需求。这种动态资源分配机制不仅提升了资源利用率，还保障了在线业务的服务质量。
业界实践：Volcano 的独特优势
业界已有许多公司和用户对在离线混部技术进行了探索与实践，但仍存在一些不足，比如不能做到和 Kubernetes 完全解耦，超卖资源计算方式粗糙，在离线作业使用方式不一致、用户体验不友好等问题。
基于这些问题，Volcano 对在离线混部技术进行了深度优化，具备以下独特优势：
天然支持离线作业调度：Volcano Scheduler 原生支持离线作业的调度与管理，无需额外适配。
无侵入式设计：对 Kubernetes 无侵入式修改，用户无需调整现有集群架构即可使用。
动态资源超卖：实时计算节点的可超卖资源，确保资源利用与业务 QoS 的平衡。
OS 层面的隔离与保障：通过内核级别的资源隔离机制，确保在线业务的优先级和稳定性。
Volcano 云原生混部解决方案：端到端的资源优化
Volcano 的云原生混部解决方案从应用层到内核提供了端到端的资源隔离与共享机制，主要包括以下核心组件：
Volcano Scheduler：负责在离线作业的统一调度，提供队列、组、作业优先级、公平调度、资源预留等多种抽象，满足微服务、大数据、AI 等多种业务场景的调度需求。
Volcano SLO Agent：每个节点上部署的 SLO Agent 实时监控节点的资源使用情况，动态计算可超卖的资源，并将这些资源分配给离线作业。同时，SLO Agent 会检测节点的 CPU/内存压力，在必要时驱逐离线作业，保障在线业务的优先级。
Enhanced OS：为了进一步强化资源隔离，Volcano 在内核层面实现了精细化的 QoS 保障。通过 cgroup 接口，为在线和离线业务设置不同的资源限制，确保在线业务在高负载时仍能获得足够的资源。
核心能力：资源利用与业务保障的双赢
Volcano 云原生混部解决方案具备以下关键能力，帮助用户实现资源利用与业务稳定性的双赢：
统一调度：支持多种工作负载的统一调度，包括微服务、批处理作业和 AI 任务。
基于 QoS 的资源模型：为在线和离线业务提供基于服务质量（QoS）的资源管理，确保高优先级业务的稳定性。
动态资源超卖：根据节点的实时 CPU/内存利用率，动态计算可超卖的资源，最大化资源利用率。
CPU Burst：允许容器临时超出 CPU 限制，避免在关键时刻被限流，提升业务响应速度。
网络带宽隔离：支持整机网络出口带宽限制，保障在线业务的网络使用需求。
关于 Volcano 云原生混部的详细设计和使用文档，请参考: Cloud Native Colocation | Volcano[9]。
由衷感谢社区开发者: @william-wang 对该特性的贡献！
▍负载感知重调度：智能均衡集群资源，告别资源热点
在 Kubernetes 集群中，随着工作负载的动态变化，节点资源利用率不均衡的问题时常发生，导致部分节点过热，影响整体集群的稳定性与效率。为了解决这一问题，Volcano v1.11 引入了负载感知重调度功能，基于节点的真实负载动态调整 Pod 分布，确保集群资源的均衡利用，避免资源热点，提升集群的整体性能与可靠性。负载感知重调度通过子项目 https://github.com/volcano-sh/descheduler 孵化。
核心能力：
真实负载感知调度：通过监控节点的 CPU、内存等真实负载指标，动态调整 Pod 分布，避免仅依赖 Pod Request 的粗糙调度。
定时与动态触发：支持按 CronTab 定时任务或固定时间间隔触发重调度，灵活适应不同场景需求。
适用场景：
节点资源不均衡：当集群中部分节点资源利用率过高，而其他节点资源闲置时，负载感知重调度可自动平衡节点负载。
热点节点治理：当节点因高负载出现性能瓶颈或故障风险时，重调度可及时迁移 Pod，保障业务稳定性。
技术亮点：
基于真实负载的重调度：相比传统的基于 Pod Request 的调度策略，Volcano 的负载感知重调度更加精准，能够真实反映节点的资源使用情况。
无缝集成 Kubernetes 生态：与 Kubernetes 原生调度器兼容，无需额外配置即可实现负载感知重调度。
灵活的策略配置：用户可根据业务需求，自定义重调度的时间间隔或触发条件，确保调度的灵活性与可控性。
关于负载感知重调度的使用说明，请参考: Load-aware Descheduling | Volcano[10]
由衷感谢社区开发者: @Monokaix 对该特性的贡献！
▍细粒度的作业故障恢复策略：高效应对任务中断，提升训练效率
在 AI、大数据和高性能计算（HPC）场景中，作业的稳定性和故障恢复能力至关重要。传统的作业故障恢复策略通常会在某个 Pod 失败时重启整个 Job，这不仅浪费资源，还可能导致训练任务从头开始，严重影响效率。随着 AI 场景中断点续训和 Checkpoint 技术的普及，单个 Pod 的失败不再需要重启整个 Job。为此，Volcano v1.11 引入了细粒度的作业故障恢复策略，支持更灵活的故障处理机制，帮助用户高效应对任务中断，显著提升训练效率。
核心能力：
支持 Pod 粒度的重启策略
用户可以根据需求，设置仅重启失败的 Pod 或所属的 Task，避免不必要的 Job 重启，减少资源浪费。
重启单个 Pod：当某个 Pod 失败时，仅重启该 Pod，不影响其他正常运行的任务。
重启整个 Task：当某个 Pod 失败时，重启该 Pod 所属的 Task（一组 Pod），适用于需要保持任务组一致性的场景。
支持为 Action 设置超时时间
Pod 失败可能是由临时性故障（如网络抖动或硬件问题）引起的，Volcano 允许用户为故障恢复动作设置超时时间。如果在超时时间内 Pod 恢复正常，则不再执行重启操作，避免过度干预。
示例配置：若 Pod 失败后重启，10 分钟内仍未恢复，则重启整个 Job。
新增 PodPending 事件处理
当 Pod 因资源不足或拓扑约束长期处于 Pending 状态时，用户可以为 Pending 事件设置超时时间。若超时后 Pod 仍未运行，则可以选择终止整个 Job，避免资源浪费。
示例配置：若 Pod 处于 Pending 状态超过 10 分钟，则终止 Job。
适用场景：
AI 大模型训练：在分布式训练中，单个 Pod 的失败不会影响整体训练进度，通过细粒度的故障恢复策略，可以快速恢复任务，避免从头开始训练。
大数据处理：在批处理任务中，部分任务的失败可以通过重启单个 Pod 或 Task 解决，无需重启整个作业，提升处理效率。
高性能计算：在 HPC 场景中，任务的稳定性和高效恢复至关重要，细粒度的故障恢复策略可以最大限度地减少任务中断时间。
技术亮点：
灵活的策略配置：用户可以根据业务需求，自定义故障恢复策略，支持 Pod、Task 和 Job 级别的重启操作。
超时机制：通过设置超时时间，避免因临时性故障导致的过度重启行为，提升作业的稳定性。
无缝兼容断点续训：与 AI 场景中的断点续训和 Checkpoint 技术完美结合，确保训练任务的高效恢复。
关于 Volcano Job 的详细设计和说明文档，请参考: How to use job policy[11]。
由衷感谢社区开发者: @bibibox 对该特性的贡献！
▍Volcano Dashboard：资源管理的可视化利器
Volcano dashboard 是 Volcano 官方提供的资源展示仪表盘，用户在部署 Volcano 后，再部署 Volcano dashboard，就可以通过图形界面展示集群中 Volcano 相关的资源，方便用户查询和操作，项目地址: https://github.com/volcano-sh/dashboard。
目前支持的功能有：
支持查看集群总览，包括 Job 数量、状态、完成率，Queue 数量，Queue 的资源利用率等。
支持查看 Job 列表和详情，支持模糊搜索匹配，支持按照 Namespace、Queue、Status 等条件过滤，支持 Job 排序展示。
支持查看 Queue 列表和详情，支持模糊搜索匹配，支持按照 Status 等条件过滤，支持 Queue 排序展示。
支持查看 Pod 的列表和详情，支持模糊搜索匹配，支持按照 Namespace、Status 等条件过滤，支持 Pod 排序展示。
由衷感谢社区开发者: @WY-Dev0, @Monokaix 对该特性的贡献！
▍Volcano 支持 Kubernetes v1.31
Volcano 版本紧跟 Kubernetes 社区版本节奏，对 Kubernetes 的每个大版本都进行支持，目前最新支持的版本为 v1.31，并运行了完整的 UT、E2E 用例，保证功能和可靠性。如果您想参与 Volcano 适配 Kubernetes 新版本的开发工作，
请参考：adapt-k8s-todo[12]进行社区贡献。
由衷感谢社区开发者: @vie-serendipity, @dongjiang1989 对该特性的贡献！
▍Volcano Job 支持 Preemption Policy
PriorityClass 可以表示 Pod 的优先级，包含一个优先级数值和抢占策略，在调度和抢占的过程中，PriorityClass 会被用来作为调度和抢占的依据，高优先级的 Pod 先于低优先级 Pod 调度，并且可以抢占低优先级的 Pod，Volcano 在 Pod 层面完整支持优先级调度和抢占策略，在 Volcano Job 层面支持基于 priorityClass value 的优先级调度和抢占。但在某些场景下，用户希望 Volcano Job 不通过抢占触发资源回收，而是等待集群资源自动释放，从而整体保障业务稳定性，Volcano 在新版本支持了 Job 级别的 PreemptionPolicy，配置了 PreemptionPolicy 为 Never 的 Volcano Job 不会抢占其他 Pod。
Volcano Job 和 Job 内的 task 同时支持配置 PriorityClass，关于两个 PriorityClass 的配合关系以及配置样例请参考: how to configure priorityclass for job[13]。
由衷感谢社区开发者: @JesseStutler 对该特性的贡献！
▍性能优化：大规模场景下的高效调度
在 Volcano 中，Queue 是最基本且最重要的资源之一。Queue 的 status 字段记录了其中状态为 Unknown、Pending、Running、Inqueue、Completed 的 PodGroup。然而，在大规模场景下，当队列中的 PodGroup 频繁发生变化时（例如，队列中循环提交大量运行时间较短的任务），会导致大量 PodGroup 状态从 Running 变为 Completed。这种情况下，Volcano Controller 需要频繁刷新 Queue 的 status 字段，给 APIServer 带来较大压力。此外，Volcano Scheduler 在 Job 调度完成后会更新 Queue 的 status.allocated 字段，这在大规模场景下可能导致 Queue 更新冲突，进一步影响系统性能。
为了彻底解决大规模场景下 Queue 频繁刷新和更新冲突的问题，Volcano v1.11 对 Queue 的管理机制进行了优化，将 Queue 中 PodGroup 的统计数据迁移到指标（Metrics）中，不再进行持久化存储。这一优化显著降低了 APIServer 的压力，同时提升了系统的整体性能和稳定性。
优化后的核心改进
PodGroup 统计数据迁移到指标 Queue 中的 PodGroup 状态数据（如 Unknown、Pending、Running 等）不再存储在 Queue 的 status 字段中，而是通过指标系统进行记录和展示。用户可以通过以下命令查看 Queue 中 PodGroup 的统计数据：
查看指定队列的统计数据：
查看所有队列的统计数据：
减少 APIServer 压力通过将 PodGroup 统计数据迁移到指标中，避免了频繁更新 Queue 的 status 字段，显著降低了 APIServer 的负载，提升系统吞吐。
解决 Queue 更新冲突在大规模场景下，Queue 的更新冲突问题得到了有效缓解，确保了调度器的高效运行。
关于 Queue 中 PodGroup 的状态统计数据迁移到指标的详细设计以及指标名称，请参考: Queue podgroup statistics[14]。
由衷感谢社区开发者: @JesseStutler 对该特性的贡献！
总结：Volcano v1.11，云原生批量计算的新标杆
Volcano v1.11 不仅是技术的飞跃，更是云原生批量计算领域的全新标杆。无论是 AI 大模型训练、大数据调度，还是资源利用率的提升，Volcano v1.11 都提供了强大的功能和灵活的解决方案。我们相信，Volcano v1.11 将帮助用户在云原生批量计算领域走得更远、更稳，开启 AI 与大数据的云原生调度新纪元！
立即体验 Volcano v1.11.0，开启高效计算新时代！
v1.11.0 release: https://github.com/volcano-sh/volcano/releases/tag/v1.11.0
致谢贡献者
Volcano v1.11.0 版本包含了来自 39 位社区贡献者的上百次代码提交，在此对各位贡献者表示由衷的感谢，贡献者 GitHub ID：
参考资料
[1] Volcano v1.11.0 release: https://github.com/volcano-sh/volcano/releases/tag/v1.11.0
[2] Network Topology Aware Scheduling: https://volcano.sh/en/docs/network_topology_aware_scheduling/
[3] Network Topology Aware Scheduling | Volcano: https://volcano.sh/en/docs/network_topology_aware_scheduling/
[4] hierarchical-queue-on-capacity-plugin: https://github.com/volcano-sh/volcano/blob/master/docs/design/hierarchical-queue-on-capacity-plugin.md
[5] Hierarchica Queue | Volcano: https://volcano.sh/zh/docs/hierarchical_queue/
[6] Karmada: https://karmada.io/
[7] Volcano Global: https://github.com/volcano-sh/volcano-globa
[8] Multi-Cluster AI Job Scheduling | Volcano: https://volcano.sh/en/docs/multi_cluster_scheduling/
[9] Cloud Native Colocation | Volcano: https://volcano.sh/en/docs/colocation/
[10] Load-aware Descheduling | Volcano: https://volcano.sh/en/docs/descheduler/
[11] How to use job policy: https://github.com/volcano-sh/volcano/blob/master/docs/user-guide/how_to_use_job_policy.md
[12] adapt-k8s-todo: https://github.com/volcano-sh/volcano/blob/master/docs/design/adapt-k8s-todo.md
[13] how to configure priorityclass for job: https://github.com/volcano-sh/volcano/blob/master/docs/user-guide/how_to_configure_priorityclass_for_job.md
[14] Queue podgroup statistics: https://github.com/volcano-sh/volcano/blob/master/docs/design/podgroup-statistics.md
【更多 Volcano 干货推荐】Volcano 云原生批量计算公开课
Volcano 云原生批量计算公开课 Volcano 云原生批量计算公开课由 CNCF 首个批量计算社区 Volcano 核心贡献者开发，通过理论学习+实践操作，帮助学习者由浅入深了解批量计算原理和生产场景应用，晋升批量计算达人！点击免费学习 Volcano 云原生批量计算公开课
社区介绍：Volcano 是业界首个云原生批量计算引擎，也是 CNCF 首个和唯一的批量计算项目。项目主要用于 AI、大数据、基因、渲染等诸多高性能计算场景，对主流通用计算框架均有很好的支持。目前，Volcano 在人工智能、大数据、基因测序等海量数据计算和分析场景已得到快速应用，已完成对 Spark、Flink、Tensorflow、PyTorch、Argo、MindSpore、Paddlepaddle 、Kubeflow、MPI、Horovod、Mxnet、KubeGene、Ray 等众多主流计算框架的支持，并构建起完善的上下游生态。
Volcano 官网：https://volcano.sh
GitHub: https://github.com/volcano-sh/volcano
还未添加个人签名 2020-02-11 加入
还未添加个人简介
评论