集群搭建需先明确目标并选型，再统一基础环境、夯实网络底座，最后落地自动化、监控、日志与备份等进阶能力，实现稳定、可管、可扩、可靠的生产级集群。
一、明确目标和选型：别急着装系统，先想清楚要干什么
建集群不是为了堆机器，而是为了解决单机搞不定的问题。比如跑大规模科学计算、训练大模型、做高并发 Web 服务，或者搭建私有云平台。目标不同，架构差异很大：
- 计算型集群（如 MPI 任务）：看重 CPU 核心数、内存带宽、节点间低延迟网络（推荐 InfiniBand 或 25G+ RoCE）
- 存储型集群（如 Ceph、GlusterFS）：依赖大容量硬盘、万兆以上网络、节点稳定性
- 容器编排集群（如 Kubernetes）：更关注操作系统一致性、内核版本、Docker/containerd 兼容性、证书管理能力
新手建议从三台同配置物理机或云服务器起步（1 控制节点 + 2 工作节点），系统统一用 CentOS Stream 9、Rocky Linux 9 或 Ubuntu 22.04 LTS，避免混用发行版导致包管理混乱。
二、基础环境统一：让所有节点“说同一种话”
集群稳定的核心是节点一致性。重点做四件事：
- 时间同步：所有节点必须跑 chrony（不是 ntpd），指向同一个内网 NTP 服务器或阿里云/腾讯云公共 NTP；检查命令 chronyc tracking 和 chronyc sources -v
- SSH 免密互通：在控制节点生成密钥对（ssh-keygen -t ed25519），用 ssh-copy-id 推送到所有节点；测试 ssh node2 hostname 能秒回即可
- 主机名与 hosts 解析：每台设唯一静态 hostname（hostnamectl set-hostname node1），并在所有节点的 /etc/hosts 中写死 IP+主机名映射，禁用 DNS 动态解析
- 关闭干扰项：停用 firewalld（或放行必要端口）、禁用 SELinux（setenforce 0 && sed -i 's/SELINUX=enforcing/SELINUX=disabled/' /etc/selinux/config）、关闭 swap（swapoff -a && sed -i '/swap/d' /etc/fstab）
三、集群通信底座：网络不是配通就行，得配稳、配准
很多集群故障其实出在网络层。不要只满足于 ping 通：
- 用 iperf3 -c node2 -P 4 测多流带宽，确认是否达到网卡标称速率（比如千兆网应稳定在 940Mbps+）
- 用 ping -c 10 node2 | awk '{print $7}' | grep -o '[0-9.]*' | sort -n | tail -1 查最大延迟，跨交换机部署时超过 2ms 就要查物理链路
- 若用 VLAN 或 bond，确保所有节点 bond 模式一致（推荐 mode=802.3ad）、LACP 配置匹配交换机侧；用 cat /proc/net/bonding/bond0 确认状态为 “up” 且所有 slave link OK
- Kubernetes 场景下额外要求：所有节点能直通 Pod CIDR 网段（通常通过 CNI 插件打通），不能走 NAT
四、进阶能力落地：从能跑，到好管、能扩、不出事
真正生产可用的集群，得靠这几层能力兜底：
- 配置自动化：用 Ansible 写 role 管理用户、软件源、服务启停；一套 playbook 5 分钟重装 10 台节点，比手动敲命令强十倍
- 监控告警闭环：Prometheus + Node Exporter 采集节点指标，Alertmanager 配微信/钉钉通知；关键看磁盘使用率、CPU load15、网络丢包率、etcd leader 状态
- 日志集中分析：所有节点 journal 日志推到 Loki + Grafana，搜索 “failed” “oom_kill” “connection refused” 快速定位异常
- 滚动升级与备份：Kubernetes 控制平面组件（kube-apiserver 等）必须逐个节点升级；etcd 数据每天快照并 scp 到异地机房；关键配置（如 kubeadm-config.yaml）存 Git
基本上就这些。集群不是搭完就结束，而是持续调优的过程——网络压测、调度策略验证、故障注入演练，才是真正进阶的开始。
