Skip to main content

Command Palette

Search for a command to run...

僭越了,有人在用 Rust 写 Kubernetes

Updated
3 min read

一个新语言问世,最爱做的事情之一,就是重写存量软件了。 云原生喝酒 SIG 重点扶持项目——rk8shttps://github.com/rk8s-dev/rk8s 也可以归在这个范畴里,只不过这个项目重写的东西比较大,是 Kubernetes。

从 2025 年 1 月第一个 Commit 开始,到现在有了 200 多次 Commit,十几万行代码。当然距离 Kubernetes 的几百万行代码还差得远——老马就是喜欢整这种大无畏项目。

另外该项目也是国内第一个脱离 Cargo 转向使用 Buck2 做构建的项目。

那么这些代码都做了什么呢?看 project 目录中,我们可以看到除了网络、存储相关内容之外,三个醒目成员:

  • rkb:容器镜像构建工具

  • rkl:容器运行时

  • rks:说自己是个 RKS 守护进程 CLI

构建

README.md 中推荐的是直接使用 Cargo 进行构建:

$ cd rk8s/project/
$ cargo build -p rkl
$ cargo build -p rks
...

这中间需要一些环境支持,当然也可以用 ./.devcontainer 中的 Dockerfile 生成一个工作镜像完成构建工作。

RKL

看看他的帮助输出:

$  project/target/debug/rkl --help
A simple container runtime

Usage: rkl <workload> <command> [OPTIONS]

Commands:
  pod        Operations related to pods
  container  Manage standalone containers
  compose    Manage multi-container apps using compose
  help       Print this message or the help of the given subcommand(s)

Options:
  -h, --help  Print help

可以看到,它能支持 容器、Pod 和 Compose 三种工作负载的运行。

容器

编写下面的 single.yaml 用于运行容器:

name: single-container-test
# 注意,image 字段的路径
image: ./rk8s/project/test/bundles/busybox
ports:
  - containerPort: 80
    protocol: ""
    hostPort: 0
    hostIP: ""
args:
  - sleep
  - "100"
resources:
  limits:
    cpu: 500m
    memory: 233Mi

运行一下看看:

$ sudo project/target/debug/rkl container run single.yaml
Container: single-container-test runs successfully!
$  sudo project/target/debug/rkl container list
ID                                     PID     STATUS   BUNDLE                                           CREATED                    CREATOR
single-container-test                  156245  Running  /rk8s/project/test/bundles/busybox  2025-09-27T20:28:34+08:00  root
$  sudo project/target/debug/rkl container exec single-container-test /bin/ls
bin    dev    etc    lib    lib64  proc   sys    usr

Pod

RKL 也支持类似 Podman 或者 Kubelet 单机运行 Pod 的能力,例如如下的 pod.yaml

# 同样也要注意 Bundle 和 Image 两个字段的路径
apiVersion: v1
kind: Pod
metadata:
  name: simple-container-task  
  labels:
    app: my-app 
    bundle: ./rk8s/project/test/bundles/pause
spec:
  containers:
    - name: main-container1    
      image: ./rk8s/project/test/bundles/busybox
      args:             
        - "dd"                   
        - "if=/dev/zero"  
        - "of=/dev/null"          
      ports:
        - containerPort: 80
      resources:
        limits:
          cpu: "500m"
          memory: "512Mi"
status:

上面代码中包含了对 Pause 容器的引用,也有 main-container1 这个“业务”容器,运行过程跟单容器类似:

$ sudo project/target/debug/rkl pod run pod.yaml
$  sudo project/target/debug/rkl pod state simple-container-task
Pod: simple-container-task
PodSandbox ID: simple-container-task
{
  "ociVersion": "v1.0.2",
  "id": "simple-container-task",
  "status": "running",
  "pid": 165045,
  "bundle": "/home/dustise/rk8s/project/test/bundles/pause",
  "annotations": {},
  "created": "2025-09-27T12:52:58.258522466Z",
  "creator": 0,
  "useSystemd": false,
  "cleanUpIntelRdtSubdirectory": false
}
Containers:
{
  "ociVersion": "v1.0.2",
  "id": "simple-container-task-main-container1",
  "status": "running",
  "pid": 165061,
  "bundle": "/home/dustise/rk8s/project/test/bundles/busybox",
  "annotations": {},
  "created": "2025-09-27T12:52:58.400974102Z",
  "creator": 0,
  "useSystemd": false,
  "cleanUpIntelRdtSubdirectory": false
}
$  sudo project/target/debug/rkl pod  exec simple-container-task simple-container-task-main-container1 /bin/sh
/bin/sh: can't access tty; job control turned off
/ # ls
bin    dev    etc    lib    lib64  proc   sys    usr

Compose

写这个功能好像劳动力过剩的样子。

RKS

  • RKS 提供了支持调度和状态管理的控制面,类似 K8s 的 Master 三大件。

  • RKL 则提供了容器的运行时支持,类似 Node Worker。

  • 使用兼容 ETCD 的 Xline 提供数据库支持。

  • 组件之间的通信使用的是基于 QUIC 的协议。

首先启动 Xline:

$ git clone https://github.com/xline-kv/Xline.git
$ cd Xline
$ docker pull ghcr.io/xline-kv/xline:latest
$ cp fixtures/{private,public}.pem scripts/
$ ./scripts/quick_start.sh
...
7b41380e4c4e60d5531321789987a35b4e0368b1aa3948efe8e3f2a0671301ed
Prometheus starts on http://172.20.0.6:9090/graph and http://127.0.0.1:9090/graph (if you are using Docker Desktop).

Xline 启动之后,编写如下 config.yaml 用于启动服务:

addr: "127.0.0.1:50051"

xline_config:

  endpoints:

    - "http://172.20.0.3:2379"

    - "http://172.20.0.4:2379"

    - "http://172.20.0.5:2379"

  prefix: "/coreos.com/network"

  subnet_lease_renew_margin: 60

network_config:

  Network: "10.1.0.0/16"

  SubnetMin: "10.1.1.0"

  SubnetMax: "10.1.254.0"

  SubnetLen: 24

启动服务:

$ sudo project/target/debug/rks start --config config.yaml
[rks] listening on 127.0.0.1:50051

在集群上创建一个 Pod:

$ sudo project/target/debug/rkl pod create pod.yaml --cluster 127.0.0.1:50051
RKL connected to RKS at 127.0.0.1:50051
pod simple-container-task created
$ sudo project/target/debug/rkl pod list --cluster 127.0.0.1:50051
RKL connected to RKS at 127.0.0.1:50051
NAME  READY  STATUS  RESTARTS  AGE
simple-container-task

类似前面的本地 Pod,只不过这次是在 RKS 集群中运行了。

后记

项目 README 有些滞后,并没有展示跨节点调度和 Service 通信的能力,期待后续的更新。

另外,RKL 的用法也略微有些迷惑,跟 kubectl 和 podman 都不同,也只能期待文档的进一步细化了。

More from this blog

龙虾恐慌:AIOps 又要改名了?

ChatGPT 开始,把 AI 拉近到普罗大众的面前,让无数人感受到 AI 的亲民魅力。而龙虾,则把大模型驱动的自动化能力,突然间变得水灵灵、活泼泼地走进千家万户。它不只是“风口上的猪”,而是风口本身。热度高到让 Mac mini 一度断货,不知道这在不在库克的预料之内。 每代人都有每代人的鸡蛋,春节期间,我就领了我的鸡蛋。翻出古老的 MacBook Air M1,充值各种大模型。当然了,这个工具

Mar 9, 20261 min read

再见 2025

我猜不少人以为这个号废了吧?并没有,只是今年变化有点大,一直有种抄起键盘,无从说起的感觉,所以一直偷懒到今天,2025 的最后一天。 今年是我的第四个本命年,去年末一期播客里,大内说本命年不是灾年,是变化年,有危也有机。可是讲真啊,只看到危,没看到机。 各种因缘际会,从鹅厂跳槽到前东家,已经接近四年,第一个合同期已经进入尾声。除了前两年还在云原生领域嗷嗷叫,后两年基本都是些鸡零狗碎的东西了,用老东家的术语说是——偏离主航道,可谓是前景暗淡了。 一旦确定要滚蛋,反倒心思轻松起来,每天骑着我的小红车...

Jan 5, 20261 min read

辅助编程?dora 说:我知道你很急可是请你别急

从 OpenGPT 把大模型的火烧旺了之后,这三年来,相信很多组织或摩拳擦掌、或躬身入局,希望借助聪明能干的大模型,或想偿还技术宅,或想降本增效,或想弯道超车。一时间,沉寂许久的 AIxx 又活过来了,LLM Ops、Vibe Coding、中医大模型、GPT 算命等等,全都老树发新芽,焕发了勃勃生机。那么视角拉回从业者最关注的饭碗相关的领域之一——AI 辅助开发,产生了什么触动,应该如何拥抱呢? DORA 的年度报告中给出了很有意思的结论——强者恒强。 执行摘要部分总结了几个有趣的点: 问题...

Oct 6, 20251 min read

[译]dora:ai 辅助软件开发状态报告

执行摘要 在 2025 年,科技领导者面临的核心问题已不再是“是否要采用 AI”,而是“如何实现其价值”。 DORA 的研究基于超过 100 小时的定性访谈和来自全球近 5,000 名技术专业人士的问卷调查。研究揭示了一个关键事实:AI 在软件开发中的主要角色是“放大器”。它会放大高效能组织的优势,也会凸显组织的缺陷。 关键结论:AI 是放大器 AI 投资的最大回报并非来自工具本身,而是来自组织底层系统的战略性建设: 高质量的内部平台 清晰的工作流 团队的协同能力 缺少这些基础,AI ...

Oct 2, 202514 min read

【伪】架构师

342 posts