Yarn 调度器和调度算法

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。

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

（1）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。

（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限
（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、容量调度器资源分配算法

root
|---queueA 20%
|---queueB 50%
|---queueC 30%
        |---ss 50%
        |---cls 50%

（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：
1）任务和数据在同一节点
2）任务和数据在同一机架
3）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、公平调度器特点

（1）与容量调度器相同点

       多队列：支持多队列多作业

       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

       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）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

2、公平调度器——缺额

（1）公平调度器设计目标是：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”
（2）调度器会优先为缺额大的作业分配资源

3、公平调度器队列资源分配方式

4、公平调度器资源分配算法

root
|---queueA 20%
|---queueB 50%
|---queueC 30%
        |---ss 50%
        |---cls 50%

（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 → 多13.33
queueB：分33.33 → 少16.67
queueC：分33.33 → 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

5、公平调度器队列资源分配方式

（1）作业资源分配

        （a）不加权 （是 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1 --> 分2.66/1 --> 分2.66
        job4: 分4
        第n次算: 一直算到没有空闲资源

（2）DRF

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。