Présentation
Karmada est un projet open source dédié à l’orchestration d’applications sur plusieurs clusters Kubernetes et clouds. La Cloud Native Computing Foundation (CNCF) a annoncé sa graduation le 9 septembre 2026, après que le projet a franchi le cap de la production avec la version v1.19. Cette version introduit un algorithme de planification optimisé pour les charges d’entraînement d’IA distribuées, répondant ainsi à un besoin croissant de parallélisme à grande échelle.
Architecture multi‑cluster et planification
Karmada repose sur un contrôleur maître qui maintient un état global des clusters participants via des API Kubernetes standard. Chaque cluster expose ses capacités (CPU, GPU, topologie réseau) dans un registre partagé. L’algorithme de scheduler de v1.19 utilise ces métadonnées pour placer les pods en fonction de critères de latence, de disponibilité de ressources GPU et de contraintes de conformité. Le processus de décision s’appuie sur un modèle de coût pondéré où le facteur bandwidth est multiplié par un coefficient de priorité défini par l’utilisateur, ce qui minimise les transferts de données inter‑zone pendant les entraînements de modèles volumineux.
Sécurité, audit et gouvernance
Avant la graduation, Karmada a subi un audit de sécurité réalisé par un tiers certifié. L’audit a identifié 12 vulnérabilités critiques, toutes corrigées dans la branche release‑1.19. Le projet a également formalisé une steering committee composée de représentants de Bloomberg, Alibaba Cloud, Wellhub et de contributeurs indépendants, garantissant une gouvernance transparente et une feuille de route alignée sur les exigences de conformité des entreprises. Le nombre de contributeurs actifs a dépassé 1 214, ce qui renforce la résilience du code face aux bugs et aux attaques potentielles.
Impacts opérationnels et limites
Les premiers retours d’expérience indiquent une réduction moyenne de 30 % du temps de mise en service des workloads distribués, grâce à la capacité de Karmada à éviter les goulets d’étranglement réseau. Cependant, la complexité de la configuration initiale reste élevée : chaque cluster doit exposer un endpoint karmada‑api et synchroniser les CRDs (Custom Resource Definitions) spécifiques. De plus, la scalabilité du scheduler est limitée par le nombre de clusters gérés simultanément ; les tests internes montrent une dégradation de la latence de décision au‑delà de 50 clusters, ce qui impose une architecture hiérarchique ou la partition des domaines d’application pour les très grands déploiements.
