阿里大数据云原生化实践，EMR Spark on ACK 产品介绍

一、云原生化挑战及阿里实践

大数据技术发展趋势

云原生化面临挑战

计算与存储分离

如何构建以对象存储为底座的 HCFS 文件系统

• 完全兼容现有的 HDFS
• 性能对标 HDFS，成本降低

shuffle 存算分离

如何解决 ACK 混合异构机型

• 异构机型没有本地盘
• 社区 [Spark-25299] 讨论，支持 Spark 动态资源，成为业界共识

缓存方案

如何有效支持跨机房、跨专线混合云

• 需要在容器内支持缓存系统

ACK 调度

如何解决调度性能瓶颈

• 性能对标 Yarn
• 多级队列管理

其他

• 错峰调度
• Yarnon ACK 节点资源相互感知

阿里实践 - EMR on ACK

整体方案介绍

• 通过数据开发集群/调度平台提交到不同的执行平台
• 错峰调度，根据业务高峰低峰策略调整
• 云原生数据湖架构，ACK 弹性扩缩容能力强
• 通过专线，云上云下混合调度
• ACK 管理异构机型集群，灵活性好

二、Spark 容器化方案

方案介绍

RSS Q&A

1、为什么需要 Remote Shuffle Service？

• RSS 使得 Spark 作业不需要 Executor Pod 挂载云盘。挂载云盘非常不利于扩展性和大规模的生产实践。
• 云盘的大小无法事前确定，大了浪费空间，小了 Shuffle 会失败。RSS 专门为存储计算分离场景设计。
• Executor 将 shuffle 数据写入了 RSS 系统，RSS 系统来负责管理 shuffle 数据，Executor 空闲后即可以回收。[SPARK-25299]
• 可以完美支持动态资源，避免数据倾斜的长尾任务拖住 Executor 资源不能释放。

2、RSS 性能如何，成本如何，扩展性如何？

• RSS 对于 shuffle 有很深的优化，专门为存储与计算分离场景、K8s 弹性场景而设计。
• 针对 Shufflefetch 阶段，可以将 reduce 阶段的随机读变为顺序读，大大提升了作业的稳定性和性能。
• 可以直接利用原有 K8s 集群中的磁盘进行部署，不需要加多余的云盘来进行 shuffle。性价比非常高，部署方式灵活。

Spark Shuffle

• 产生 numMapper * numReducer 个 block
• 顺序写、随机读
• 写时 Spill
• 单副本，丢数据需 stage 重算

EMR Remote Shuffle Service

• 追加写、顺序读
• 无写时 Spill
• 两副本；副本复制到内存后即完成
• 副本之间通过内网备份，无需公网带宽

RSS TeraSort Benchmark

• 备注说明：以10T Terasort 为例，shuffle 量压缩后大约 5.6T。可以看出该量级的作业在 RSS 场景下，由于 shuffle read 变为顺序读，性能会有大幅提升。

Spark on ECI 效果

Summary

原文链接

本文为阿里云原创内容，未经允许不得转载