三分钟速懂大数据技术之Yarn调度器与调度算法

目前，Hadoop作业调度器主要有三种：FIFO、容量（Capacity Scheduler）和公平（Fair Scheduler）。Apache Hadoop3.1.3默认的资源调度器是Capacity Scheduler。CDH框架默认调度器是Fair Scheduler。具体设置详见：yarn-default.xml文件

<property>

<description>The class to use as the resource scheduler.</description>

<name>yarn.resourcemanager.scheduler.class</name>

<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>

</property>

一、先进先出调度器（FIFO）

FIFO调度器（First In First Out）：单队列，根据提交作业的先后顺序，先来先服务。

优点：简单易懂。

缺点：不支持多队列，生产环境很少使用。

二、容量调度器（Capacity Scheduler）

Capacity Scheduler是Yahoo开发的多用户调度器。

1. 容量调度器特点

多队列：每个队列可配置一定的资源量，每个队列采用FIFO调度策略。

容量保证：管理员可为每个队列设置资源最低保证和资源使用上限。

灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。

多租户：支持多用户共享集群和多应用程序同时运行。

为了防止同一个用户的作业独占队列中的资源，该调度器会对同一用户提交的作业所占资源量进行限定。

2. 容量调度器资源分配算法

1）队列资源分配

从root开始，使用深度优先算法，优先选择资源占用率最低的队列分配资源。

2）作业资源分配

默认按照提交作业的优先级和提交时间顺序分配资源。

3）容器资源分配

按照容器的优先级分配资源；

如果优先级相同，按照数据本地性原则：

• 任务和数据在同一节点

• 任务和数据在同一机架

• 任务和数据不在同一节点也不在同一机架

三、公平调度器（Fair Scheduler）

Fair Schedulere是Facebook开发的多用户调度器。

1. 与容量调度器相同点

（1）多队列：支持多队列多作业。

（2）容量保证：管理员可为每个队列设置资源最低保证和资源使用上线。

（3）灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。

（4）多租户：支持多用户共享集群和多应用程序同时运行；为了防止同一个用户的作业独占队列中的资源，该调度器会对同一用户提交的作业所占资源量进行限定。

2. 与容量调度器不同点

（1）核心调度策略不同

容量调度器：优先选择资源利用率低的队列

公平调度器：优先选择对资源的缺额比例大的

（2）每个队列可以单独设置资源分配方式

容量调度器：FIFO、DRF

公平调度器：FIFO、FAIR、DRF

3. 公平调度器设计目标

在时间尺度上，所有作业获得公平的资源。某一时刻一个作业应获资源和实际获取资源的差距叫“缺额”。

调度器会优先为缺额大的作业分配资源

4. 公平调度器队列资源分配方式

1）FIFO策略

公平调度器每个队列资源分配策略如果选择FIFO的话，此时公平调度器相当于上面讲过的容量调度器。

2）Fair策略

Fair 策略（默认）是一种基于最大最小公平算法实现的资源多路复用方式，默认情况下，每个队列内部采用该方式分配资源。这意味着，如果一个队列中有两个应用程序同时运行，则每个应用程序可得到1/2的资源；如果三个应用程序同时运行，则每个应用程序可得到1/3的资源。

具体资源分配流程和容量调度器一致；

（1）选择队列

（2）选择作业

（3）选择容器

以上三步，每一步都是按照公平策略分配资源

实际最小资源份额：mindshare = Min（资源需求量，配置的最小资源）

是否饥饿：isNeedy = 资源使用量 < mindshare（实际最小资源份额）

资源分配比：minShareRatio = 资源使用量 / Max（mindshare, 1）

资源使用权重比：useToWeightRatio = 资源使用量 / 权重

（1）队列资源分配

需求：集群总资源100，有三个队列，对资源的需求分别是：

queueA -> 20， queueB ->50， queueC -> 30

第一次算：100 / 3 = 33.33

       queueA：分33.33 à 多13.33

       queueB：分33.33 à 少16.67

       queueC：分33.33 à 多3.33

第二次算：（13.33 + 3.33）/ 1 = 16.66

       queueA：分20

       queueB：分33.33 + 16.66 = 50

       queueC：分30

公平调度器队列资源分配方式

（2）作业资源分配

（a）不加权（关注点是Job的个数）：

需求：有一条队列总资源12个, 有4个job，对资源的需求分别是:

job1->1,  job2->2 , job3->6,  job4->5

第一次算:  12 / 4 = 3

    job1: 分3 --> 多2个

    job2: 分3 --> 多1个

    job3: 分3 --> 差3个

    job4: 分3 --> 差2个

第二次算: 3 / 2  = 1.5

    job1: 分1

    job2: 分2

    job3: 分3 --> 差3个 --> 分1.5 --> 最终: 4.5

    job4: 分3 --> 差2个 --> 分1.5 --> 最终: 4.5

第n次算: 一直算到没有空闲资源

（b）加权（关注点是Job的权重）：

需求：有一条队列总资源16，有4个job

对资源的需求分别是:

job1->4   job2->2  job3->10  job4->4

每个job的权重为: 

job1->5   job2->8  job3->1   job4->2

第一次算: 16 / (5+8+1+2) =  1

    job1:  分5 --> 多1

    job2:  分8 --> 多6

    job3:  分1 --> 少9

    job4:  分2 --> 少2   

第二次算: 7 / (1+2) = 7/3

    job1: 分4

    job2: 分2

    job3: 分1 --> 分7/3（2.33） -->少6.67

    job4: 分2 --> 分14/3(4.66) -->多2.66

第三次算:2.66/1=2.66

    job1: 分4

    job2: 分2

    job3: 分3.33 --> 分2.66/1 --> 分6

    job4: 分4

第n次算: 一直算到没有空闲资源

3）DRF策略

DRF（Dominant Resource Fairness），我们之前说的资源，都是单一标准，例如只考虑内存（也是Yarn默认的情况）。但是很多时候我们资源有很多种，例如内存，CPU，网络带宽等，这样我们很难衡量两个应用应该分配的资源比例。

那么在YARN中，我们用DRF来决定如何调度：

假设集群一共有100 CPU和10T 内存，而应用A需要（2 CPU, 300GB），应用B需要（6 CPU，100GB）。则两个应用分别需要A（2%CPU, 3%内存）和B（6%CPU, 1%内存）的资源，这就意味着A是内存主导的, B是CPU主导的，针对这种情况，我们可以选择DRF策略对不同应用进行不同资源（CPU和内存）的一个不同比例的限制。

四、总结

通过以上，我们知道Yarn提供了多种调度器和可配置的策略供我们选择，FIFO、容量和公平，今天的大数据技术你Get到了吗？