Karmada 是开放的多云多集群容器编排引擎，旨在帮助用户在多云环境下部署和运维业务应用。凭借兼容 Kubernetes 原生 API 的能力，Karmada 可以平滑迁移单集群工作负载，并且仍可保持与 Kubernetes 周边生态工具链协同。

• 工作负载亲和与反亲和调度
• Dashboard v0.3.0 发布
• 持续的性能优化

这些特性使 Karmada 在处理大规模、复杂的多集群场景时更加成熟和可靠。我们鼓励您升级到 v1.17.0，体验这些新功能带来的价值。

  新特性概览  

支持工作负载亲和与反亲和调度

在多集群场景下，大量应用对工作负载之间的部署位置存在明确诉求，以实现高可用、低延迟、成本优化与运维隔离等目标。为满足这类精细化部署需求，本版本正式推出工作负载亲和与反亲和调度能力，让你能够精细控制工作负载在多集群间的拓扑关系。

工作负载亲和（Workload Affinity）

将存在关联的工作负载（如微服务与其缓存、分布式训练任务等）调度到同一集群。

• 核心价值：降低跨集群网络延迟，显著提升性能敏感型应用的运行效率。

• 典型场景：服务与依赖组件同集群部署、训练任务组件就近调度。

工作负载反亲和（Workload Anti-Affinity）

将同一逻辑组的工作负载分散到不同集群。

• 核心价值：避免单集群故障导致关键应用整体不可用，强化多集群高可用保障。

• 典型场景：核心服务多集群分散、多副本跨集群容灾。

使用方式

只需在 PropagationPolicy 中添加 workloadAffinity 配置，即可基于资源模板上的标签定义亲和组，实现工作负载的同集群部署或跨集群分散。

让我们举一个工作负载亲和性的例子，假设您有一组训练任务，为了达到最佳的训练效果，您希望这一组训练任务的作业能在同一个集群上运行，您可以这样配置。

启用工作负载亲和与反亲和调度功能后，Karmada 会将具有相同 app.training-group 标签值的训练任务调度到同一个集群。

再来看一个工作负载反亲和性的例子，假设您运行着对停机时间非常敏感的 Flink 数据处理任务，为了保证高可用，您会部署多套相同的 Flink 任务副本。为了避免因单个集群故障导致服务完全中断，您希望同一任务的多个副本分散到不同集群上运行，您可以这样配置。

启用工作负载亲和与反亲和调度功能后，Karmada 会将具有相同 karmada.io/group 标签值的 Flink 任务调度到不同集群，效果图如下：

更多有关此功能的资料请参考：工作负载亲和性^[2]。

Dashboard v0.3.0 发布

Karmada Dashboard 是一款专为 Karmada 用户设计的图形化界面工具，旨在简化多集群管理的操作流程，提升用户体验。通过 Dashboard，用户可以直观地查看集群状态、资源分布以及任务执行情况，同时还能轻松完成配置调整和策略部署。

经过社区开发者的共同努力，Karmada Dashboard v0.3.0 正式发布！本次更新带来智能助手、成员集群管理等能力，多集群运维体验全面升级，更易用、更稳定、更智能！

Karmada Dashboard v0.3.0 主要功能包括：

• 智能化运维：深度集成 MCP (Model Context Protocol) 与 LLM，推出智能聊天助手。支持自然语言交互，实时响应与工具能力扩展，让多集群管理更加智能！
• 成员集群管理能力增强：新增成员集群专用仪表盘，支持实时日志查看和终端交互，实现对子集群的精细化掌控。
• 界面优化：采用更现代化的 UI 组件 Ant Design v6 同时升级至 React 19，界面更加美观；优化数据请求与构建性能，提升交互体验与运行效率。
• 安全性和稳定性增强：引入全面的 E2E 测试框架维护基本功能特性，并自动升级安全依赖，减少安全风险。

下面是 Karmada Dashboard v0.3.0 新版界面展示, 可以在顶部导航栏上切换成员集群，无缝切换到成员集群：

更多有关 Karmada Dashboard 的资料请参考：Karmada Dashboard^[3]

持续的性能优化

在此版本中，性能优化团队继续增强 Karmada 的性能，对控制器进行了如下改进：

控制器优先级队列（ControllerPriorityQueue）特性升级至 Beta 并默认启用

控制器优先级队列特性自 v1.15 版本首次推出后，历经两个版本的持续迭代与严格测试，能力已趋于成熟，本次版本正式将其升级为 Beta 版，并默认开启该特性。
基于此特性，Karmada 控制器能够在重启或切主后立即响应并优先处理用户触发的资源变更，从而显著缩短服务重启和计划性升级过程中的停机时间。

依赖资源分发能力性能优化

通过消减并发更新依赖资源相关的 ResourceBinding 所产生的 API 冲突，依赖资源跟随分发的效率得到了显著的提升。

测试环境包括 30,000 个 Workload 及其 PropagationPolicy，以及 30,000 个 ConfigMap 作为 Workload 依赖的资源。该优化将控制器首次启动的队列处理时间从20 分钟以上大幅缩短至约 5 分钟，显著提升了大规模集群下的系统响应速度。

有关详细的优化内容和测试报告，请参阅 PR: [Performance] optimize the mechanism of create or update dependencies-distribute resourcebinding^[4]。

  致谢贡献者  

Karmada v1.17 版本包含了来自 32 位贡献者的 264 次代码提交，在此对各位贡献者表示由衷的感谢：

扫码回复“Karmada” 进入技术群

Karmada 是CNCF 首个多云多集群容器编排项目(孵化级），旨在帮助用户像使用单个集群一样轻松管理跨云多集群，让基于 Karmada 的多云方案无缝融入云原生技术生态。社区吸引了来自华为、道客、浙江大学、滴滴、腾讯、中国电子云等60多家公司的全球贡献者，广泛分布于22个国家和地区。Karmada 现已在华为云、道客、兴业数金、中国移动、中国联通、携程、360集团、新浪、中通快递等众多企业单位生产应用，为企业提供从单集群到多云架构的平滑演进方案。

Karmada官网：https://karmada.io/

项目地址：https://github.com/karmada-io/karmada

Slack地址：https://slack.cncf.io/（#karmada）