hadoop yarn DRF调度算法

背景

在Mesos和YARN中,都用到了dominant resource fairness算法(DRF),它不同于Hadoop基于slot-based实现的fair scheduler和capacity scheduler,论文阅读:Dominant Resource Fairness: Fair Allocation of Multiple Resource Types
考虑在一个包括多种资源类型(主要考虑CPU和MEM)的系统的公平资源分配问题,其中不同用户对资源有不同的需求。为了解决这个问题,伯克利的几位大牛提出了Dominant Resource Fairness(DRF),一种针对不同资源类型的max-min fairness。并且在Mesos的设计和实现中评估了DRF,显示了它可以比slot-based 公平调度算法得到更好的吞吐量。


介绍

在任何共享的计算机系统中,资源分配都是一个关键的构建模块。已经提出的最通用的分配策略是max-min fairness,这种策略会最大化系统中一个用户收到的最小分配。假设每一个用户都有足够地请求,这种策略会给予每个用户一份均等的资源。广义的Max-min fairness包括权重(weight)的概念,用户可以获得与它的权重成正比的那一份资源。
加权max-min fairness的吸引力源于它的一般性和它能提供性能隔离的能力。加权max-min fairness模型可以支撑许多其他资源分配策略,包括优先级、deadline based allocation等。此外,加权max-min fairness确保隔离,一个用户能确保收到它的那份资源,而不管其它用户的需求。
鉴于这些特征,不同精确度的加权或非加权max-min fairness毫不意外地被大量已经提出的算法实现,如round-robin、proportional resource sharing、weighted fair queueing。这些算法已经被应用于不同的资源,包括链路带宽、CPU、内存、存储。
尽管已经在公平分配上做了大量地工作和实践,但目前为止主要还是集中在单资源类型的场景下。甚至在多资源类型的环境下,用户有异质资源请求,典型的资源分配做法还是使用单类型资源抽象。比如hadoop和Dryad的公平调度器,这两种广泛使用集群计算框架,在资源分配时使用插槽(slot),slot就是对节点资源按照固定大小进行划分而产生的分区。然而事实是集群中不同的作业队CPU、内存和IO资源有着不同的需求。

特性

DRF是一种通用的多资源的max-min fairness分配策略。DRF背后的直观想法是在多环境下一个用户的资源分配应该由用户的dominant share(主导份额的资源)决定, dominant share是在所有已经分配给用户的多种资源中,占据总资源(包括已经分配出去的)最大份额的一种资源。简而言之,DRF试图 最大化所有用户中最小的dominant share
举个例子,假如用户A运行CPU密集的任务而用户B运行内存密集的任务,DRF会试图均衡用户A的CPU资源份额和用户B的内存资源份额。在单个资源的情形下,那么DRF就会退化为max-min fairness。
DRF有四种主要特性,分别是:sharing incentive、strategy-proofness、Pareto efficiency和envy-freeness。
DRF是通过确保系统的资源在用户之间是静态和均衡地进行分配来提供sharing incentive,用户不能获得比其他用户更多的资源。此外,DRF是strategy-proof,用户不能通过谎报其资源需求来获得更多的资源。DRF是Pareto-efficient,在满足其他特性的同时,分配所有可以利用的资源,不用取代现有的资源分配。最后,DRF是envy-free,用户不会更喜欢其他用户的资源分配。

最大最小算法

在解释DRF的计算方式之前,了解一下max-min算法的公平分配策略会更有帮助。例子来源于 http://hi.baidu.com/dd_hz/item/4a0b75e970afcfcebbf37d8d这篇文章

不加权

有一四个用户的集合,资源需求分别是2,2.6,4,5,其资源总能力为10,为其计算最大最小公平分配
解决方法:
我们通过几轮的计算来计算最大最小公平分配.
第一轮,我们暂时将资源划分成4个大小为2.5的.由于这超过了用户1的需求,这使得剩了0.5个均匀的分配给剩下的3个人资源,给予他们每个2.66.这又超过了用户2的需求,所以我们拥有额外的0.066…来分配给剩下的两个用户,给予每个用户2.5+0.66…+0.033…=2.7.因此公平分配是:用户1得到2,用户2得到2.6,用户3和用户4每个都得到2.7.

加权

有一四个用户的集合,资源需求分别是4,2,10,4,权重分别是2.5,4,0.5,1,资源总能力是16,为其计算最大最小公平分配.
解决方法:
第一步是标准化权重,将最小的权重设置为1.这样权重集合更新为5,8,1,2.这样我们就假装需要的资源不是4份而是5+8+1+2=16份.因此将资源划分成16份.在资源分配的每一轮,我们按照权重的比例来划分资源,因此,在第一轮,我们计算c/n为16/16=1.在这一轮,用户分别获得5,8,1,2单元的资源,用户1得到了5个资源,但是只需要4,所以多了1个资源,同样的,用户2多了6个资源.用户3和用户4拖欠了,因为他们的配额低于需求.现在我们有7个单元的资源可以分配给用户3和用户4.他们的权重分别是1和2,最小的权重是1,因此不需要对权重进行标准化.给予用户3额外的7 × 1/3单元资源和用户4额外的7 × 2/3单元.这会导致用户4的配额达到了2 + 7 × 2/3 = 6.666,超过了需求.所以我们将额外的2.666单元给用户3,最终获得1 + 7/3 + 2.666 = 6单元.最终的分配是,4,2,6,4,这就是带权的最大最小公平分配.

DRF计算方式

考虑一个有9个cpu和18GB的系统,有两个用户:用户A的每个任务都请求(1CPU,4GB)资源;用户B的每个任务都请求(3CPU,4GB)资源。如何为这种情况构建一个公平分配策略?

通过列不等式方程可以解得给用户A分配3份资源,用户B分配2份资源是一个很好的选择。DRF的算法伪代码为:

使用DRF的思路,分配的过程如下表所示,注意,每一次选择为哪个资源分配的决定,取决于上次分配之后, 目前dominant share最小的那个用户可以得到下一次的资源分配。

在这个例子中,用户A的CPU占总CPU 1/9,MEM占总MEM的 2/9,而用户B的CPU占1/3,MEM占2/9,所以A的主资源为内存,B的主资源为CPU。基于这点,DRF会最大化A的内存的最小化分配,并会最大化B的CPU的最小分配。

Weighted DRF换算方式

带权重的情况下,每个用户的dominant share不再是那个占用总资源百分比最大的那位资源,而是定义为Si = max{Ui,j /  Wi,j},即那份占总权重最大的资源作为dominant share,代替上述例子中的dominant share进行运算。

YARN DRF实现

最后附上hadoop 2.0里YARN的server-resourcemanager模块里,Fair Scheduler里实现的DRF策略的代码(YARN的Scheduler主要实现的是Capacity和Fair,DRF是Fair里的一种,此外还有FIFO、Fair Share)。
[java]  view plain  copy
 
  在CODE上查看代码片 派生到我的代码片
  1. /** 
  2.  * Makes scheduling decisions by trying to equalize dominant resource usage. 
  3.  * A schedulable's dominant resource usage is the largest ratio of resource 
  4.  * usage to capacity among the resource types it is using. 
  5.  */  
  6. @Private  
  7. @Unstable  
  8. public class DominantResourceFairnessPolicy extends SchedulingPolicy {  
  9.   
  10.   public static final String NAME = "DRF";  
  11.   
  12.   private DominantResourceFairnessComparator comparator =  
  13.       new DominantResourceFairnessComparator();  
  14.   
  15.   @Override  
  16.   public String getName() {  
  17.     return NAME;  
  18.   }  
  19.   
  20.   @Override  
  21.   public byte getApplicableDepth() {  
  22.     return SchedulingPolicy.DEPTH_ANY;  
  23.   }  
  24.   
  25.   @Override  
  26.   public Comparator<Schedulable> getComparator() {  
  27.     return comparator;  
  28.   }  
  29.     
  30.   @Override  
  31.   public void computeShares(Collection<? extends Schedulable> schedulables,  
  32.       Resource totalResources) {  
  33.     for (ResourceType type : ResourceType.values()) {  
  34.       ComputeFairShares.computeShares(schedulables, totalResources, type);  
  35.     }  
  36.   }  
  37.     
  38.   @Override  
  39.   public void initialize(Resource clusterCapacity) {  
  40.     comparator.setClusterCapacity(clusterCapacity);  
  41.   }  
  42.   
  43.   public static class DominantResourceFairnessComparator implements Comparator<Schedulable> {  
  44.     private static final int NUM_RESOURCES = ResourceType.values().length;  
  45.       
  46.     private Resource clusterCapacity;  
  47.   
  48.     public void setClusterCapacity(Resource clusterCapacity) {  
  49.       this.clusterCapacity = clusterCapacity;  
  50.     }  
  51.   
  52.     @Override  
  53.     public int compare(Schedulable s1, Schedulable s2) {  
  54.       ResourceWeights sharesOfCluster1 = new ResourceWeights();  
  55.       ResourceWeights sharesOfCluster2 = new ResourceWeights();  
  56.       ResourceWeights sharesOfMinShare1 = new ResourceWeights();  
  57.       ResourceWeights sharesOfMinShare2 = new ResourceWeights();  
  58.       ResourceType[] resourceOrder1 = new ResourceType[NUM_RESOURCES];  
  59.       ResourceType[] resourceOrder2 = new ResourceType[NUM_RESOURCES];  
  60.         
  61.       // Calculate shares of the cluster for each resource both schedulables.  
  62.       calculateShares(s1.getResourceUsage(),  
  63.           clusterCapacity, sharesOfCluster1, resourceOrder1, s1.getWeights());  
  64.       calculateShares(s1.getResourceUsage(),  
  65.           s1.getMinShare(), sharesOfMinShare1, null, ResourceWeights.NEUTRAL);  
  66.       calculateShares(s2.getResourceUsage(),  
  67.           clusterCapacity, sharesOfCluster2, resourceOrder2, s2.getWeights());  
  68.       calculateShares(s2.getResourceUsage(),  
  69.           s2.getMinShare(), sharesOfMinShare2, null, ResourceWeights.NEUTRAL);  
  70.         
  71.       // A queue is needy for its min share if its dominant resource  
  72.       // (with respect to the cluster capacity) is below its configured min share  
  73.       // for that resource  
  74.       boolean s1Needy = sharesOfMinShare1.getWeight(resourceOrder1[0]) < 1.0f;  
  75.       boolean s2Needy = sharesOfMinShare2.getWeight(resourceOrder2[0]) < 1.0f;  
  76.         
  77.       int res = 0;  
  78.       if (!s2Needy && !s1Needy) {  
  79.         res = compareShares(sharesOfCluster1, sharesOfCluster2,  
  80.             resourceOrder1, resourceOrder2);  
  81.       } else if (s1Needy && !s2Needy) {  
  82.         res = -1;  
  83.       } else if (s2Needy && !s1Needy) {  
  84.         res = 1;  
  85.       } else { // both are needy below min share  
  86.         res = compareShares(sharesOfMinShare1, sharesOfMinShare2,  
  87.             resourceOrder1, resourceOrder2);  
  88.       }  
  89.       if (res == 0) {  
  90.         // Apps are tied in fairness ratio. Break the tie by submit time.  
  91.         res = (int)(s1.getStartTime() - s2.getStartTime());  
  92.       }  
  93.       return res;  
  94.     }  
  95.       
  96.     /** 
  97.      * Calculates and orders a resource's share of a pool in terms of two vectors. 
  98.      * The shares vector contains, for each resource, the fraction of the pool that 
  99.      * it takes up.  The resourceOrder vector contains an ordering of resources 
  100.      * by largest share.  So if resource=<10 MB, 5 CPU>, and pool=<100 MB, 10 CPU>, 
  101.      * shares will be [.1, .5] and resourceOrder will be [CPU, MEMORY]. 
  102.      */  
  103.     void calculateShares(Resource resource, Resource pool,  
  104.         ResourceWeights shares, ResourceType[] resourceOrder, ResourceWeights weights) {  
  105.       shares.setWeight(MEMORY, (float)resource.getMemory() /  
  106.           (pool.getMemory() * weights.getWeight(MEMORY)));  
  107.       shares.setWeight(CPU, (float)resource.getVirtualCores() /  
  108.           (pool.getVirtualCores() * weights.getWeight(CPU)));  
  109.       // sort order vector by resource share  
  110.       if (resourceOrder != null) {  
  111.         if (shares.getWeight(MEMORY) > shares.getWeight(CPU)) {  
  112.           resourceOrder[0] = MEMORY;  
  113.           resourceOrder[1] = CPU;  
  114.         } else  {  
  115.           resourceOrder[0] = CPU;  
  116.           resourceOrder[1] = MEMORY;  
  117.         }  
  118.       }  
  119.     }  
  120.       
  121.     private int compareShares(ResourceWeights shares1, ResourceWeights shares2,  
  122.         ResourceType[] resourceOrder1, ResourceType[] resourceOrder2) {  
  123.       for (int i = 0; i < resourceOrder1.length; i++) {  
  124.         int ret = (int)Math.signum(shares1.getWeight(resourceOrder1[i])  
  125.             - shares2.getWeight(resourceOrder2[i]));  
  126.         if (ret != 0) {  
  127.           return ret;  
  128.         }  
  129.       }  
  130.       return 0;  
  131.     }  
  132.   }  
  133. }  


总结

本文介绍了DRF算法的背景和特性,并对比最大最小算法,介绍了DRF带权和不带权情况下的资源分配方式。DRF的核心就是最大化所有用户中最小的dominant share,而dominant share在带权和不带权的情况下有不同的计算方式,其实计算都很简单,通过YARN实现的代码也能体现。
希望通过本文的介绍,能让读者了解DRF算法的重要性,其与max-min在思路上的继承和优化,并能从YARN和Mesos的实际代码模块中,获得实现思路。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值