文章目录
前言
在《Spark RPC框架详解》这篇文章中，介绍了Spark RPC通信的基本流程。可以看到，Spark中的Driver通过Stage调度生成了物理执行计划，这个物理执行计划包括了所有需要运行的Task，以及，最关键的，这些Task希望运行的节点信息，我们叫做Locality Preference，即本地性偏好。
但是在Yarn的场景下，资源是以Executor(Container)为单位进行调度，整个Container的粒度与Task不一一对应，Container的生命周期与Task不一一对应。在这种场景下，动态资源调度的基本任务就是
- 根据这些Task以及Task的本地性偏好，向Yarn申请Container作为Executor以执行Task；这里最重要的，是在资源申请中表达出对应的Task的位置偏好。
- 在申请完资源以后，根据Task的本地性偏好，将Task调度到申请到的资源上面去。这里最重要的，是尽量满足Task的本地性偏好。
本文将详细讲解这个过程。
对于资源申请算法的基本流程，以及将Task和资源进行匹配的基本流程，本文都用实际例子进行讲解。
基于任务需求进行资源请求的整体过程
向Yarn请求资源是由客户端向ApplicationMaster申请，然后ApplicationMaster向Yarn发起请求的，而不是客户端直接向Yarn申请的。
资源是为了服务于Task的运行，Task的生成显然是Driver端负责的，Driver会根据物理执行计划生成的Task信息发送给ApplicationMaster，ApplicationMaster根据这些Task的相关信息进行资源申请。
ApplicationMaster启动以后，会有一个独立线程不断通过调用YarnAllocator.allocateResources()进行持续的资源更新(查看ApplicationMaster的launchReporterThread()方法)。这里叫资源更新，而不叫资源申请，因为这里的操作包括新的资源的申请，旧的无用的Container的取消，以及Blocklist Node的更新等多种操作。
总而言之，ApplicationMaster作为客户端和Yarn的中间方，其资源申请的方法allocateResource()在逻辑上的功能为：
- 粒度转换: 将Task级别的资源请求，转换为Container(Executor级别的资源请求)。这是一个游戏到粗的粒度的转换。
- 维度转换: Driver发过来的资源请求是资源的最终全局状态，而Yarn 的 API 要求的针对每一个Container进行增量请求。因此，allocateResources()会将Driver发送过来资源请求的最终状态，对比当前系统已经运行、分配未运行、已经发送请求但是还没有分配资源等等已经存在的状态，确定一个发送给Yarn的增量请求状态。这是一个全量到增量的维度的转换。
- 角度转换: Driver发过来的每个Task都带有各自Task的Locality，而发送给Yarn的Container请求又是带有Locality需求的Container需求。这是一个从Task到Container的角度的转换。
ApplicationMaster端的allocateResources()方法的基本流程在代码YarnAllocator.allocateResources()中:
---------------------------------- YarnAllocator ------------------------------------
def allocateResources(): Unit = synchronized {
updateResourceRequests() // 与Yarn进行资源交互
val allocateResponse = amClient.allocate(progressIndicator) // 从Yarn端获取资源结果，包括新分配的、已经结束的等等
val allocatedContainers = allocateResponse.getAllocatedContainers()
handleAllocatedContainers(allocatedContainers.asScala) // 处理新分配的Container
val completedContainers = allocateResponse.getCompletedContainersStatuses() // 处理已经结束的Container
processCompletedContainers(completedContainers.asScala)
}
}
ApplicationMaster端的allocateResources()的基本流程如下图所示:
- 生成资源请求，即将Driver发送过来的全量的、Task粒度的资源请求和Host偏好信息，转换为对Yarn的、以Executor为粒度的资源请求
updateResourceRequests() - 将资源请求发送给Yarn并从Yarn上获取分配结果(基于Yarn的异步调度策略，这次获取的记过并非本次资源请求的分配结果)以进行后续处理：
val allocatedContainers = allocateResponse.getAllocatedContainers() handleAllocatedContainers(allocatedContainers.asScala) val completedContainers = allocateResponse.getCompletedContainersStatuses() processCompletedContainers(completedContainers.asScala)
可以看到，updateResourceRequests()是资源请求的核心方法，它会负责同Yarn进行通信以进行资源请求。
在《超时导致SparkContext构造失败的问题探究》中，我们也介绍过，生成资源请求，其决策过程发生在方法updateResourceRequests()中。我们主要来看updateResourceRequests()方法：
---------------------------------- YarnAllocator ------------------------------------
def updateResourceRequests(): Unit = {
// 获取已经发送给Yarn但是待分配的ContainerRequest，计算待分配容器请求的数量
// 这些ContainerRequest是之前通过调用amClient.addContainerRequest 发送出去的
val pendingAllocate = getPendingAllocate
val numPendingAllocate = pendingAllocate.size
// 还没有发送请求的executor的数量
val missing = targetNumExecutors - numPendingAllocate -
numExecutorsStarting.get - numExecutorsRunning.get
// 还没有发送给Yarn的资源请求
if (missing > 0) {
/**
* 将待处理的container请求分为三组：本地匹配列表、本地不匹配列表和非本地列表。
*/
val (localRequests, staleRequests, anyHostRequests) = splitPendingAllocationsByLocality(
hostToLocalTaskCounts, pendingAllocate)
// staleRequests 的意思是，ApplicationMaster已经请求了这个Container，
// 但是这个ContainerRequest所要求的hosts里面没有一个是在 hostToLocalTaskCounts (即task所倾向于)中的，因此，需要取消这个Container Request，因为已经没有意义了
// cancel "stale" requests for locations that are no longer needed
staleRequests.foreach {
stale =>
amClient.removeContainerRequest(stale)
}
val cancelledContainers = staleRequests.size
// consider the number of new containers and cancelled stale containers available
// 将新的container请求，以及刚刚取消的container，作为available container
val availableContainers = missing + cancelledContainers
// to maximize locality, include requests with no locality preference that can be cancelled
// 在availableContainers的基础上，再算上没有任何locality要求的并且还没有分配成功的container
val potentialContainers = availableContainers + anyHostRequests.size
// LocalityPreferredContainerPlacementStrategy，计算每一个Container 的Node locality和 Rack locality
val containerLocalityPreferences = containerPlacementStrategy.localityOfRequestedContainers(
potentialContainers, numLocalityAwareTasks, hostToLocalTaskCounts,
allocatedHostToContainersMap, localRequests)
val newLocalityRequests = new mutable.ArrayBuffer[ContainerRequest]
// 遍历ContainerLocalityPreferences数组中的每一个ContainerLocalityPreferences
containerLocalityPreferences.foreach {
case ContainerLocalityPreferences(nodes, racks) if nodes != null =>
newLocalityRequests += createContainerRequest(resource, nodes, racks)// 根据获取的locality，重新创建ContainerRequest请求
}
// 除了有locality需求的container以外，还有更多的available container需要被请求，因此对这些container请求也发送出去
if (availableContainers >= newLocalityRequests.size) {
// more containers are available than needed for locality, fill in requests for any host
for (i <- 0 until (availableContainers - newLocalityRequests.size)) {
newLocalityRequests += createContainerRequest(resource, null, null) // 构造ContainerRequest对象
}
} else {
val numToCancel = newLocalityRequests.size - availableContainers
// cancel some requests without locality preferences to schedule more local containers
anyHostRequests.slice(0, numToCancel).foreach {
nonLocal =>
amClient.removeContainerRequest(nonLocal)
}
}
} else if (numPendingAllocate > 0 && missing < 0) {
val numToCancel = math.min(numPendingAllocate, -missing)
val matchingRequests = amClient.getMatchingRequests(RM_REQUEST_PRIORITY, ANY_HOST, resource)
matchingRequests.iterator().next().asScala
.take(numToCancel).foreach(amClient.removeContainerRequest)
}
}
其基本过程为：
-
获取当前Pending的request(已经发送给Yarn但是还没有分配Container的请求)，并将这些Pending的请求按照本地性的需求进行切分。这里的基本意图是，当前收到了来自Driver的全局的资源状态信息，而在Yarn上还有一部分之前的资源请求还没有分配Container，那么，会不会这些Pending Requewt中有些Request已经不需要了(满足不了任何一个task的locality需求)？
val (localRequests, staleRequests, anyHostRequests) = splitPendingAllocationsByLocality( hostToLocalTaskCounts, pendingAllocate)切分的过程，就是查看当前在Yarn这一端pending的所有的Container的locality与我们目前需求的所有(全局)的Task的locality的交集:
-------------------------------------- YarnAllocator ---------------------------------- private def splitPendingAllocationsByLocality( hostToLocalTaskCount: Map[String, Int], // 每一个host到希望分配上去的task的数量 pendingAllocations: Seq[ContainerRequest] // 还没有分配出去的ContainerRequest ): (Seq[ContainerRequest], Seq[ContainerRequest], Seq[ContainerRequest]) = { val localityMatched = ArrayBuffer[ContainerRequest]() val localityUnMatched = ArrayBuffer[ContainerRequest]() val localityFree = ArrayBuffer[ContainerRequest]() val preferredHosts = hostToLocalTaskCount.keySet // 将当前已经发送给Yarn但是还没有分配的Container的请求进行切分 pendingAllocations.foreach { cr => val nodes = cr.getNodes // 这个 ContainerRequest 对节点的要求 if (nodes == null) { localityFree += cr // 这个ContainerRequest对nodes没有要求，那么就是对本地性没有要求的Container请求 } else if (nodes.asScala.toSet.intersect(preferredHosts).nonEmpty) { // 这个Container的本地性要求和task期望分配的hosts集合有交集 localityMatched += cr // 把这个ContainerRequest添加到localityMatched的ContainerRequest集合中去 } else { // 这个Container的本地性要求和task期望分配的hosts集合没有交集 localityUnMatched += cr // 把这个ContainerRequest添加到localityMatched的ContainerRequest集合中去 } } // 切分结果 (localRequests, staleRequests, anyHostRequests) (localityMatched.toSeq, localityUnMatched.toSeq, localityFree.toSeq) } }切分过程的具体流程如下图所示:
切分的具体流程为 :
- 如果这个Pending Container没有任何的locality要求，那么就是localityFree Container，即，其实际分配的位置有可能是当前所有tasks所希望的位置，也可能不是，那么这个container就是localityFree container
if (nodes == null) { localityFree += cr // 这个ContainerRequest对nodes没有要求，那么就是对本地性没有要求的Container请求 } - 如果这个Pending Container有locality 要求，并且这个locality的nodes与当前所有tasks有交集，那么这个Pending Container就被划分为localityMatched，显然，这个Pending Container是不应该被取消的；
else if (nodes.asScala.toSet.intersect(preferredHosts).nonEmpty) { // 这个Container的本地性要求和task期望分配的hosts集合有交集 localityMatched += cr // 把这个ContainerRequest添加到localityMatched的ContainerRequest集合中去 } - 如果这个Pending Container有locality要求，但是这个locality中的nodes不在当前所有tasks的locality中的任何一个节点，即这个Pending Container实际分配的位置不可能是任何一个task所倾向于的位置，那么这个Pending Container就是localityUnMatched，显然，localityUnMatched container目前无法放置任何一个task，需要取消掉；
else { // 这个Container的本地性要求和task期望分配的hosts集合没有交集 localityUnMatched += cr // 把这个ContainerRequest添加到localityMatched的ContainerRequest集合中去 }
- 如果这个Pending Container没有任何的locality要求，那么就是localityFree Container，即，其实际分配的位置有可能是当前所有tasks所希望的位置，也可能不是，那么这个container就是localityFree container
-
对于localityUnmatched container，向Yarn发送请求，取消这种Container，这些被取消的Container在后面会重新申请，以便在申请的资源总量不变的情况下增强资源的本地特性:
staleRequests.foreach { stale => amClient.removeContainerRequest(stale) } -
计算总的Container的数量，包括：
- Pending Container中刚刚cancel的container的数量，这些Container刚刚取消了，我们可以再次申请这些Container，但是肯定会增强这些新的资源请求的locality，以最大化我们的Task的locality
- Pending Container中的locality free的Container数量，这些Container可能分配在集群中的任何地方
- 新增(missing)的Container请求，即当前的总的container请求中除去正在运行(已经有task在运行，numExecutorsRunning)和正在启动(已经分配但是还没分配task，numExecutorsStarting)的，再除去所有的pending的container(numPendingAllocate，是从Yarn的API中获取的数量，已经请求但是还没有分配成功的资源)，多出来的Container:
// 还没有发送请求的executor的数量 val missing = targetNumExecutors - numPendingAllocate - numExecutorsStarting.get - numExecutorsRunning.get ..... // consider the number of new containers and cancelled stale containers available // 将新的container请求，以及刚刚取消的container，作为available container val availableContainers = missing + cancelledContainers // to maximize locality, include requests with no locality preference that can be cancelled // 在availableContainers的基础上，再算上没有任何locality要求的并且还没有分配成功的container val potentialContainers = availableContainers + anyHostRequests.size在这里，
val availableContainers = missing + cancelledContainers，即available container代表这次可以增量申请的最大的container数量，包括了这次的额外需求，以及刚刚取消的container(取消的container可以重新申请) -
构建Container请求。这里会根据LocalityPreferredContainerPlacementStrategy的localityOfRequestedContainers来构建Container请求，返回Array[ContainerLocalityPreferences]，每一个ContainerLocalityPreferences代表了一个带有对应host和rack信息的Container请求:
val containerLocalityPreferences = containerPlacementStrategy.localityOfRequestedContainers( potentialContainers, numLocalityAwareTasks, hostToLocalTaskCounts, allocatedHostToContainersMap, localRequests) -
根据ContainerLocalityPreferences，转换成Yarn的 ContainerRequest
containerLocalityPreferences.foreach { case ContainerLocalityPreferences(nodes, racks) if nodes != null => newLocalityRequests += createContainerRequest(resource, nodes, racks)// 根据获取的locality，重新创建ContainerRequest请求 case _ => } -
如果可以申请的Container(available container)的数量大于刚刚计算完locality的Container数量，那么，为了将申请配额用尽，就再申请其相差的部分Container， 保证申请的Container的数量不小于Available Container的数量。
if (availableContainers >= newLocalityRequests.size) { // more containers are available than needed for locality, fill in requests for any host for (i <- 0 until (availableContainers - newLocalityRequests.size)) { newLocalityRequests += createContainerRequest(resource, null, null) // 构造ContainerRequest对象 } } -
如果可以申请的Container(available container)的数量小于刚刚计算完locality的Container数量，那么需要取消一部分container:
else { val numToCancel = newLocalityRequests.size - availableContainers // cancel some requests without locality preferences to schedule more local containers anyHostRequests.slice(0, numToCancel).foreach { nonLocal => amClient.removeContainerRequest(nonLocal) } -
调用Yarn的标准接口addContainerRequest()，将ContainerRequest发送给Yarn(其实这个接口并不会真正将请求发送出去，只会存放在RMAMClient端，真正发送是通过allocate()接口)：
newLocalityRequests.foreach { request => amClient.addContainerRequest(request) } // 在这里发送container的请求，从日志来看，资源请求已经发出来了，Yarn已经处理了
所以，从上面可以看到，最关键的方法是LocalityPreferredContainerPlacementStrategy.localityOfRequestedContainers()方法，它根据当前的已有信息(总共的Container需求，有locality需求的task的数量，这些locality分布在每一个task上的数量等)，生成一个Array[ContainerLocalityPreferences]数组，数组中的每一个元素代表了一个Container的需求，并包含了其locality的要求信息，然后基于生成的ContainerLocalityPreferences经过转换成ContainerRequest，发送给Yarn。
资源申请的生成过程详解
资源申请的生成，就是根据当前集群运行的基本情况，Task的基本需求，生成Yarn上的资源请求的过程。
资源申请的生成过程的简单例子
在了解其具体实现以前，我们以具体例子的方式，看一下localityOfRequestedContainers()方法的基本实现逻辑，从而对其动机和达成的效果有一个很好的理解，然后，我们再看其实现细节。
-
从任务调度去看，看到的是Task以及每个 Task的Locality倾向。比如，现在我们一共需要为30个Task分配资源，其中，20个Task的locality倾向为Host1,Host2,Host3，10个Task的Locality倾向为Host1, Host2, Host4， 因此，对应到每个Host上的Task权重如下表所示：
Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 即，20个Task希望分配在Host1,Host2,Host3中的任何一个，有10个Task希望分配在Host1, Host2, Host4中的任何一个。如上表所示，综合来看，所有Task在四台机器上分配的权重是
(30, 30, 20,10)。 -
假设一个Task需要的vCore是1，而一个Container(Executor)有2个vCore，因此，转换成Container以后的结果如下表所示：
Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 Sum of Containers 15 15 10 5 上面的Sum of Containers的数字只是表示一个比例值，并不表示对应的Host上实际需要申请的Container的数量，我们实际需要的总的Container数量才15个。那么，这15个Container需求平均到每台Host上是多少呢？
-
比如Host 1的Sum of Container 为15， 所有Host的Sum of Container 是45，因此占比是1/3，所以平均下来分配到Host1上的Container数量应该是
15 * 1/3 = 5。经过向上取整(宁可稍微多分配也不要少分配)以后，每台机器所平均到的15个Container需求是:Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 Sum of Containers 15 15 10 5 Allocated Container Target 5 5 4 2 -
在这里，计算完总的Allocated Container Target以后，需要减去当前已经在该Host上已经存在(正在运行或者在这个Host上pending的Container)，因为我们最终发送给Yarn的Container请求是增量请求。假设现在在每一个Host上已经存在的Container数量都是1，即15个Container中有4个Container是已经分配的，那么，减去已经存在的Container数量以后的结果如下表所示，所以，我们需要新申请12个Container:
Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 Sum of Containers 15 15 12 6 Allocated Container Target 5 5 4 2 Newly Allocated Container 4 4 3 1 -
将每个Host的Newly Allocated Container按照比例进行缩放，保证比例最大的那个Host(这里是Host1 和 Host 2)的比例值是需要新申请的Container的数量。在这里，扩大因子应该是
12(Container的总数量)/4(比例最大的Host的Average Allocated Container) = 3:Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 Sum of Containers 15 15 10 5 Allocated Container Target 5 5 4 2 Newly Allocated Container 4 4 3 1 Round Up 12 12 9 3 -
开始发起资源请求。每一个Container请求的Locality中包含的Host如下表所示：
Host 1 Host 2 Host 3 Host 3 3 Containers ✔ ✔ ✔ ✔ 6 Containers ✔ ✔ ✔ 3 Containers ✔ ✔ 其含义是：
- 3个Container请求的Locality是
[Host1, Host2, Host3, Host4]，即请求Yarn分配3个Container，并且尽量将它们分配在这4个Hosts中。此时剩下的Host比例为[9:9:6:0] - 6个Container请求的Locality是
[Host1, Host2, Host3]，即请求Yarn分配6个Container，并且尽量将它们分配在这3个Hosts中，此时剩下的Host中container比例为[3:3:0] - 3个Container请求的Locality是
[Host1, Host2]，即请求Yarn分配3个Container，并且尽量将它们分配在这2个Hosts中
这样，所有Host的Container比例就是
12:12:9:3，平均到12个需分配的Container以后的比例是4:4:3:1，再加上已经分配在每个host上的1个Container，那么总的Container在每个Host上的比例就是5:5:4:2，这个比例和我们直接根据每个Host的task比例折算成的Container的比例15:15:10:5是大致相近的。
到了这里，我们可以理解了，为什么我们需要在 步骤5 做Round Up操作，并且Round Up的目标是将目前比例值最大的Host的比例值扩大为当前Container需求的最大值? 因为在步骤6中生成Container请求的时候，比例值最大的Host的比例值肯定是等于需要申请的Container数量的。 - 3个Container请求的Locality是
资源调度算法的代码解析
上面以实际例子解释了Spark将当前的Task的Locality需求信息转换成Yarn的资源请求的细节。下面，我们结合代码，详细看一下localityOfRequestedContainers()方法的实现细节：
def localityOfRequestedContainers(
numContainer: Int, // 需要进行计算的container的数量，包括missing的，cancel掉的(本地性不符合任何task要求的pending container)，以及对本地性没有要求的pending的container
numLocalityAwareTasks: Int, // 对locality有要求的task的数量，这个是Driver端通过stageIdToExecutorPlacementHints计算然后通过RequestExecutor传递过来的
hostToLocalTaskCount: Map[String, Int], // 在Stage提交了以后，这个map里面保存了从host到期望分配到这个host的task的数量，这个是Driver端通过stageIdToExecutorPlacementHints传递过来的
allocatedHostToContainersMap: HashMap[String, Set[ContainerId]], // 已经launch起来的host -> container的映射关系
localityMatchedPendingAllocations: Seq[ContainerRequest] // 对本地性有要求的pending的container
): Array[ContainerLocalityPreferences] = {
// 预期的从host到期望在上面再launch的新的container数量的映射关系
val updatedHostToContainerCount = expectedHostToContainerCount(
numLocalityAwareTasks, hostToLocalTaskCount, allocatedHostToContainersMap,
localityMatchedPendingAllocations)
// 希望再launch的所有Host上的container的数量之和，在这里的例子中，是15
val updatedLocalityAwareContainerNum = updatedHostToContainerCount.values.sum
// The number of containers to allocate, divided into two groups, one with preferred locality,
// and the other without locality preference.
// 没有locality需求的container的数量
val requiredLocalityFreeContainerNum =
math.max(0, numContainer - updatedLocalityAwareContainerNum)
// 有locality需求的container的数量
val requiredLocalityAwareContainerNum = numContainer - requiredLocalityFreeContainerNum
val containerLocalityPreferences = ArrayBuffer[ContainerLocalityPreferences]()
if (requiredLocalityFreeContainerNum > 0) {
// 如果有container是没有locality需求的
for (i <- 0 until requiredLocalityFreeContainerNum) {
containerLocalityPreferences += ContainerLocalityPreferences( // 为这些没有locality需求的container一一创建container需求
null.asInstanceOf[Array[String]], null.asInstanceOf[Array[String]])
}
}
if (requiredLocalityAwareContainerNum > 0) {
// 如果有container有locality需求
val largestRatio = updatedHostToContainerCount.values.max // 全局的所有host中最大的container数量
// Round the ratio of preferred locality to the number of locality required container
// number, which is used for locality preferred host calculating.
var preferredLocalityRatio = updatedHostToContainerCount.map {
case(k, ratio) =>
val adjustedRatio = ratio.toDouble * requiredLocalityAwareContainerNum / largestRatio
(k, adjustedRatio.ceil.toInt) // 往上取整
}
// 每个有locality需求的的Container request，为他们确定对应的hosts和rack
for (i <- 0 until requiredLocalityAwareContainerNum) {
// Only filter out the ratio which is larger than 0, which means the current host can
// still be allocated with new container request.
val hosts = preferredLocalityRatio.filter(_._2 > 0).keys.toArray // 还有container可以分配的一个或者多个hosts
val racks = hosts.map {
h =>
resolver.resolve(yarnConf, h) // 解析这些host所在的rack
}.toSet
// 每一个ContainerLocalityPreferences代表一个Container
containerLocalityPreferences += ContainerLocalityPreferences(hosts, racks.toArray)
// Minus 1 each time when the host is used. When the current ratio is 0,
// which means all the required ratio is satisfied, this host will not be allocated again.
preferredLocalityRatio = preferredLocalityRatio.map {
case (k, v) => (k, v - 1) }
}
}
// containerLocalityPreferences中的每一项都会变成一个新的Container Request
containerLocalityPreferences.toArray
}
其参数的基本含义是：
-
numContainer: Int需要进行计算的Container的数量，即可能进行分配的Container数量，包括Miss的container(还没有申请的Container)，Cancel掉的(本地性不符合任何task要求，因此已经从Yarn上取消的pending container)。同时，还包括Pending Container中对本地性没有要求的Container，这一部分Container也是我们重新申请的对象，以最大化Locality。上文讲到过的updateResourceRequests()方法中的potentialContainers就是传入到该方法的numContainers参数：// 将新的container请求，以及刚刚取消的container，作为available container val availableContainers = missing + cancelledContainers // to maximize locality, include requests with no locality preference that can be cancelled // 在availableContainers的基础上，再算上没有任何locality要求的并且还没有分配成功的container val potentialContainers = availableContainers + anyHostRequests.size -
numLocalityAwareTasks: Int对locality有要求的task的数量，这个是Driver端通过对stageIdToExecutorPlacementHints计算然后通过RequestExecutor传递过来的数值。已经说过，这是此时的全局状态量，而不是一个增量； -
hostToLocalTaskCount: Map[String, Int]在Stage提交了以后，这个map里面保存了从host到期望分配到这个host的task的数量，这个是Driver端通过stageIdToExecutorPlacementHints传递过来的，具体过程是：-
在Driver端，ExecutorAllocationManager的onStageSubmitted回调中，会将这个Stage的task preference存放在stageIdToExecutorPlacementHints中。
----------------------------------------- ExecutorAllocationManager ---------------------------------------- override def onStageSubmitted(stageSubmitted: SparkListenerStageSubmitted): Unit = { ..... // 计算这个stage在每一个host上的task数量 // Compute the number of tasks requested by the stage on each host var numTasksPending = 0 val hostToLocalTaskCountPerStage = new mutable.HashMap[String, Int]() stageSubmitted.stageInfo.taskLocalityPreferences.foreach { locality => // 对于每一个task的prefered location的list numTasksPending += 1 // 对于这个task的每一个 preferred location locality.foreach { location => // 对于这个locality中的每一个location // 这个host上的task的数量+1 val count = hostToLocalTaskCountPerStage.getOrElse(location.host, 0) + 1 hostToLocalTaskCountPerStage(location.host) = count } } // 这个map的key是stage id，value是一个元组，记录了这个stage的pending的task的数量，以及从host到task count的map信息 stageIdToExecutorPlacementHints.put(stageId, (numTasksPending, hostToLocalTaskCountPerStage.toMap)) updateExecutorPlacementHints() -
随后，ExecutorAllocationManager会有线程不断将这些信息通过RequestExecutors发送给远程的ApplicationMaster：
def start(): Unit = { listenerBus.addToManagementQueue(listener) val scheduleTask = new Runnable() { override def run(): Unit = { schedule() // 这里会根据需要更新numExecutorsTarget的数量，也会调用 } } executor.scheduleWithFixedDelay(scheduleTask, 0, intervalMillis, TimeUnit.MILLISECONDS) client.requestTotalExecutors(numExecutorsTarget, localityAwareTasks, hostToLocalTaskCount) }
-
-
allocatedHostToContainersMap: HashMap[String, Set[ContainerId]]已经launch起来的host -> container的映射关系。这是updateResource()方法每次通过Yarn的标准API allocate()向Yarn询问以后获取的结果。我们说过，allocate()接口用来向Yarn发送本次的资源请求，并返回当前Yarn为这个Application分配的Container的结果。由于Yarn端的资源分配是异步分配，因此allocate()返回的结果并非是这次请求的资源的分配结果，而是两次相邻的allocate()请求发生之间的新产生的资源分配结果； -
localityMatchedPendingAllocations: Seq[ContainerRequest]对本地性有要求的pending的container，其在方法splitPendingAllocationsByLocality()中对Pending的Container的Locality状态进行切分后，那些与当前请求的Task的Locality有交集的Pending Container将作为已经存在的Container，整个资源请求的目标，是使得新申请的Container和已经分配的Container加起来，其资源倾向和所有Task的统计倾向尽量匹配，从而最大程度满足Task的本地性需求。
localityOfRequestedContainers()算法的基本过程为：
-
计算每一个Host上应该新分配的Container的数量的预期值。由于是新分配的Container的预期值，因此需要先根据每个Host上的预期存在的Container的总的数量，减去该Host上已经存在的Container：
val updatedHostToContainerCount = expectedHostToContainerCount( numLocalityAwareTasks, hostToLocalTaskCount, allocatedHostToContainersMap, localityMatchedPendingAllocations)这里的计算，就是完成下表中从Sum of Tasks(每个机器上分配到的Task的比例) 到 Sum of Containers (每个机器上分配的Container的比例)的转换，然后根据Sum of Containers 减去每台机器上已经分配的Container，就得到了Average Allocated Container Total(每台机器上应该新分配的Container的数量)：
Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 Sum of Containers 15 15 12 6 Allocated Container Target 5 5 4 2 Newly-Allocated Container 4 4 3 1 -
根据上面计算的分配结果，统计没有locality需求的Container
扫一扫
1558
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
