硬件异构导致Pod性能失衡，需通过NUMA内存分布、CPU型号一致性、跨NUMA访问比例等检查确认；Kubernetes默认调度不感知硬件差异，应打标签、设nodeSelector与topologySpreadConstraints，并为Java应用启用NUMA优化参数。
硬件异构（如混用Intel/海光/ARM CPU、不同NUMA拓扑、内存插槽不均、PCIe带宽差异等）会导致Pod在不同Worker节点上实际处理能力显著不同，表面资源指标（CPU%、内存MB）可能正常，但业务响应延迟突增、线程异常膨胀、请求积压——这种卡顿不是资源耗尽，而是底层硬件协同效率崩溃。
确认是否为硬件异构引发的性能失衡
先排除软件配置和负载本身问题，聚焦硬件层差异：
- 执行 cat /sys/devices/system/node/node*/meminfo | grep -E "Node|MemTotal"，检查各节点NUMA内存分布是否严重不均（例如海光平台仅Node 0有内存，其余7个Node MemTotal为0）
- 运行 lscpu | grep -E "(Model|NUMA|Socket|Core)"，比对所有Worker节点的CPU型号、NUMA节点数、Socket数、核心数是否一致
- 用 numastat -p $(pgrep -f 'java.*PodName') 查看高延迟Pod进程的跨NUMA内存访问比例（如Local node 30%，即存在严重远程访问）
- 对比同一批次部署的Pod：在Intel节点上RT稳定，在海光节点上RT随并发陡升且出现线程数翻倍（如169→441），基本可锁定NUMA内存拓扑失配
检查Kubernetes调度是否掩盖了硬件差异
默认调度器只看requests/limits数值，不感知CPU微架构、内存延迟、PCIe通道等真实能力：
- 运行 kubectl describe node
，重点查看Allocatable中cpu/memory是否与物理规格匹配（例如8核CPU却只显示“7500m”，可能因内核隔离或固件限制被扣减） - 检查Pod是否设置了 resources.requests.cpu/memory，若未设置或设得过高（如"2"核），调度器会误判节点“还有空位”，持续往已失衡节点塞Pod
- 查看是否有隐式亲和性：比如通过label自动绑定到某类硬件节点（role=hygon-c86），却未配置反亲和性分散流量
针对性缓解与长期治理
短期止血与长期适配需同步推进：
- 对已知异构节点打专用标签：kubectl label node
hardware.arch=hygon-c86 numa.topology=8-node-1-mem - 在Pod spec中显式声明硬件需求：nodeSelector: {hardware.arch: hygon-c86}，并搭配 topologySpreadConstraints 强制跨NUMA节点分散部署
- 为Java等敏感应用添加JVM启动参数：-XX:+UseNUMA -XX:NUMAInterleaving=1，缓解单节点内存访问瓶颈
- 长期建议启用 descheduler 的 LowNodeUtilization 策略，并自定义指标（如numa_foreign_rate > 25%）触发重调度
