CNCF promoveert Karmada naar graduated status

Karmada krijgt op 8 september de status graduated van de Cloud Native Computing Foundation (CNCF), waarmee het project als production-ready geldt voor orkestratie over Kubernetes-clusters, clouds en regio’s.

Voor een Nederlandse organisatie die AI-training of inference over eigen hardware en publieke clouds wil verdelen, verschuift daarmee de technische basis: Karmada is een volwassen open-source control plane om die clusters vanuit één laag te plaatsen, te bewaken en bij storingen te laten uitwijken. De status zegt iets over de volwassenheid van het project, niet dat elke hybride AI-opstelling vanzelf veilig, goedkoop of eenvoudig wordt.

Wat CNCF met graduation bedoelt

De CNCF beschouwt graduated projecten als stabiel en succesvol in productie gebruikt. Bij Karmada draait die beoordeling dus niet alleen om versie 1.19, maar om de combinatie van technische werking, beveiliging, governance en aantoonbare gebruikers.

De aankondiging noemt vier concrete onderdelen: een externe security-audit, een formele stuurgroep voor transparante governance, de CNCF Code of Conduct en een CII Best Practices Badge. De eerdere audit rapporteerde zes beveiligingsbevindingen, waaronder één high en één medium. Het onderhoudsteam werkte die bevindingen weg en publiceerde adviezen voor gebruikers.

Dat pakket ondersteunt vertrouwen in de basislaag. Het dekt niet automatisch de configuratie van je eigen clusters, de rechten op GPU’s, de netwerkverbinding tussen clouds of de data die je voor training verplaatst.

De operationele aansluiting blijft herkenbaar voor Kubernetes-teams. Karmada exporteert Prometheus-metrics, gebruikt etcd voor de control-plane-status en levert Helm-charts voor installatie. Dat maakt de nieuwe laag beter inpasbaar in bestaande observability- en deploymentprocessen, maar vervangt die processen niet.

De AI-winst zit in planning

Karmada breidt de standaard Kubernetes-API uit met centrale plaatsing, propagatie, failover en autoscaling over meerdere clusters. Applicaties hoeven daarvoor volgens de aankondiging niet te worden aangepast. De v1.19-release verbetert de planning van distributed AI-training die uit meerdere componenten bestaat. Priority-based scheduling schuift naar Beta en staat standaard aan, zodat kritieke workloads voorrang krijgen.

Dat maakt Karmada relevant voor omgevingen waar GPU-capaciteit verspreid staat over een eigen datacenter, een publieke cloud en gespecialiseerde hardware. De roadmap gaat verder met prioriteitsgebaseerde preëmptie, multi-cluster wachtrijen voor AI-training en batchtaken en ondersteuning voor Kubernetes Dynamic Resource Allocation voor GPU’s en andere versnellers. Dat zijn geplande uitbreidingen, geen functies die graduation al oplevert.

Productiegebruik is breed, maar niet plug-and-play

De CNCF noemt meer dan 1.214 bijdragers uit 292 organisaties en ruim 5.600 GitHub-sterren. Als productiegebruikers noemt de stichting onder meer Bloomberg, Wellhub, Alibaba Cloud, Huawei en Trip.com. Zij gebruiken Karmada voor hybride cloudcapaciteit, herstel over meerdere regio’s, verkeersverdeling, AI-training, GPU- en CPU-planning en het uitrollen van configuratie over een clusterfleet.

Die voorbeelden laten zien waar de laag waarde toevoegt: meerdere clusters worden vanuit een centrale besturing als één beheersbaar geheel behandeld. De complexiteit verdwijnt niet. Netwerk, identiteiten, observability, GPU-capaciteit, datastromen en kosten per cloud blijven onderdelen van de platformarchitectuur en de dagelijkse operatie.

De betekenis van deze graduation zit daarom in de laag onder de AI-toepassing. Multi-cluster-orkestratie wordt een stabieler onderdeel van de open-source Kubernetes-stack, precies op het moment dat training en inference verschillende GPU-pools en regio’s combineren. Voor bedrijven die hybride AI onderzoeken, verschuift de technische vraag daardoor van “kan dit?” naar “welke workload draait waar, en hoe houd je die keuze beheersbaar?”