规控算法（规划 + 控制算法）

这是 IT 规控算法最典型的落地场景，对应 "资源调度规划 + 生命周期控制"。

规划层 ：解决 "如何把任务最优分配到集群节点" 的问题
- 核心算法：
  - 调度算法：默认调度器（基于节点亲和性 / 反亲和性） 、Bin Packing（装箱算法，最大化资源利用率） 、Spread Scheduling（分散调度，提升容错性）、强化学习调度器（AI 驱动的动态调度，适配 GPU 集群等异构资源）。
  - 拓扑规划：基于集群网络拓扑、节点硬件特性（CPU 型号、GPU 算力）的任务分配规划，比如把 AI 训练任务优先调度到 GPU 节点。
控制层 ：解决 "如何保证任务按规划稳定运行" 的问题
- 核心算法：
  - 副本控制：Replication Controller 算法，实时监测 Pod 数量，自动扩缩容以匹配期望副本数。
  - 健康检查与自愈：存活探针（liveness probe）、就绪探针（readiness probe）算法，检测到任务异常时自动重启或迁移。
  - 资源限流控制：基于令牌桶 / 漏桶算法的 Pod 资源 QoS 控制，避免单个任务占用过多资源。

针对海量数据处理任务的资源规划与任务流控制。

规划层 ：
- YARN 资源调度：Capacity Scheduler（容量调度，按队列分配资源）、Fair Scheduler（公平调度，动态分配资源），解决多租户任务的资源隔离与优先级分配问题。
- Spark 任务规划：DAG 调度算法，将复杂计算任务拆解为 Stage，规划最优执行顺序；数据本地化规划，优先将任务调度到数据所在节点，减少跨节点数据传输。
控制层 ：
- 任务执行控制：基于 Backpressure（背压）算法，动态调整数据处理速率，避免下游算子过载；Shuffle 过程的流量控制，防止数据倾斜导致的任务失败。
- 容错控制：RDD lineage（血缘）算法，任务失败时基于血缘关系重新计算，无需全量重启。

聚焦数据传输路径规划 + 流量控制。

规划层 ：
- SDN 路径规划：最短路径优先（SPF）算法、等价多路径（ECMP）算法，基于网络拓扑和流量负载，规划最优数据转发路径。
- CDN 节点规划：基于用户地理位置、网络延迟、节点负载的内容分发规划，将静态资源缓存到最优边缘节点，降低用户访问延迟。
控制层 ：
- 流量控制算法：TCP 拥塞控制（如 CUBIC、BBR 算法），动态调整数据发送速率，避免网络拥塞；QoS（服务质量）控制，对高优先级流量（如实时语音）优先转发。
- 负载均衡控制：轮询（Round Robin）、加权轮询、最小连接数算法，将用户请求均匀分发到后端服务器，避免单点过载。

针对 AI 模型推理任务的算力规划与推理控制。

规划层 ：
- 模型推理任务调度：基于模型大小、推理延迟需求，规划 GPU/CPU 节点的任务分配；批处理规划，将多个推理请求合并成批次处理，提升 GPU 利用率。
控制层 ：
- 推理精度控制：动态精度调整算法（如 FP32→FP16→INT8），在保证推理效果的前提下提升速度；推理缓存控制，缓存高频请求的推理结果，减少重复计算。

异构资源调度能力弱 ：针对 GPU/TPU 集群的智能调度算法，多依赖开源方案二次开发，缺乏原创的异构算力感知规划算法，难以充分发挥 GPU 集群的算力潜力。
动态自适应能力不足：面对突发流量、节点故障等动态场景，规控算法的实时调整速度慢，比如 K8s 集群在节点宕机时，任务迁移的调度延迟较高。
软硬件协同优化缺失：算法多基于通用硬件架构开发，未针对国产芯片（如鲲鹏、昇腾）做深度适配，导致资源利用率和执行效率低于国际方案。