Spark Executor Driver资源调度汇总

  一、简介

  于Worker Actor于，每次LaunchExecutor这将创建一个CoarseGrainedExecutorBackend流程。Executor和CoarseGrainedExecutorBackend是1对1的关系。也就是说集群里启动多少Executor实例就有多少CoarseGrainedExecutorBackend进程。

  那么究竟是怎样分配Executor的呢？怎么控制调节Executor的个数呢？

 二、Driver和Executor资源调度

   以下主要介绍一下Spark Executor分配策略：

   我们仅看。当Application提交注冊到Master后，Master会返回RegisteredApplication，之后便会调用schedule（）这种方法，来分配Driver的资源。和启动Executor的资源。

schedule()方法是来调度当前可用资源的调度方法，它管理还在排队等待的Apps资源的分配。这种方法是每次在集群资源发生变动的时候都会调用，依据当前集群最新的资源来进行Apps的资源分配。

Driver资源调度：

  随机的将Driver分配到空暇的Worker上去，具体流程请看我写的凝视 ：）

    // First schedule drivers, they take strict precedence over applications
    val shuffledWorkers = Random.shuffle(workers) // 把当前workers这个HashSet的顺序随机打乱
    for (worker <- shuffledWorkers if worker.state == WorkerState.ALIVE) { //遍历活着的workers
      for (driver <- waitingDrivers) { //在等待队列中的Driver们会进行资源分配
        if (worker.memoryFree >= driver.desc.mem && worker.coresFree >= driver.desc.cores) { //当前的worker内存和cpu均大于当前driver请求的mem和cpu。则启动
          launchDriver(worker, driver) //启动Driver 内部实现是发送启动Driver命令给指定Worker。Worker来启动Driver。
          waitingDrivers -= driver //把启动过的Driver从队列移除
        }
      }
    }

Executor资源调度：

 Spark默认提供了一种在各个节点进行round-robin的调度，用户能够自己设置这个flag

val spreadOutApps = conf.getBoolean("spark.deploy.spreadOut", true)

在介绍之前我们先介绍一个概念，

可用的Worker：什么是可用，可用就是资源空暇足够且满足一定的规则来启动当前App的Executor。

Spark定义了一个canUse方法：这种方法接受一个ApplicationInfo的描写叙述信息和当前Worker的描写叙述信息。

1、当前worker的空暇内存 比 该app在每一个slave要占用的内存 （executor.memory默认512M）大 

2、当前app从未在此worker启动过App

总结： 从这点看出。要满足：该Worker的当前可用最小内存要比配置的executor内存大，而且对于同一个App仅仅能在一个Worker里启动一个Exeutor。假设要启动第二个Executor。那么请到其他Worker里。

这种才算是对App可用的Worker。

  /**
   * Can an app use the given worker?
 True if the worker has enough memory and we haven't already
   * launched an executor for the app on it (right now the standalone backend doesn't like having
   * two executors on the same worker).
   */
  def canUse(app: ApplicationInfo, worker: WorkerInfo): Boolean = {
    worker.memoryFree >= app.desc.memoryPerSlave && !worker.hasExecutor(app)
  }

SpreadOut分配策略：

SpreadOut分配策略是一种以round-robin方式遍历集群全部可用Worker。分配Worker资源，来启动创建Executor的策略。优点是尽可能的将cores分配到各个节点，最大化负载均衡和高并行。

以下看看，默认的spreadOutApps模式启动App的过程： 

 1、等待分配资源的apps队列默认是FIFO的。

 2、app.coresLeft表示的是该app还有cpu资源没申请到：  app.coresLeft  = 当前app申请的maxcpus - granted的cpus

 3、遍历未分配全然的apps，继续给它们分配资源，

 4、usableWorkers =  从当前ALIVE的Workers中过滤找出上文描写叙述的可用Worker。然后依据cpus的资源空暇，从大到小给Workers排序。

 5、当toAssign（即将要分配的的core数>0，就找到能够的Worker持续分配）

 6、当可用Worker的free cores 大于 眼下该Worker已经分配的core时，再给它分配1个core，这样分配是非常平均的方法。

 7、round-robin轮询可用的Worker循环

 8、toAssign=0时结束循环。開始依据分配策略去真正的启动Executor。

举例： 1个APP申请了6个core, 如今有2个Worker可用。

      那么： toAssign = 6，assigned = 2 

 那么就会在assigned(1)和assigned(0)中轮询平均分配cores，以+1 core的方式，终于每一个Worker分到3个core。即每一个Worker的启动一个Executor。每一个Executor获得3个cores。

// Right now this is a very simple FIFO scheduler. We keep trying to fit in the first app
    // in the queue, then the second app, etc.
    if (spreadOutApps) {
      // Try to spread out each app among all the nodes, until it has all its cores
      for (app <- waitingApps if app.coresLeft > 0) { //对还未被全然分配资源的apps处理
        val usableWorkers = workers.toArray.filter(_.state == WorkerState.ALIVE)
          .filter(canUse(app, _)).sortBy(_.coresFree).reverse //依据core Free对可用Worker进行降序排序。
        val numUsable = usableWorkers.length //可用worker的个数 eg:可用5个worker
        val assigned = new Array[Int](numUsable) //候选Worker，每一个Worker一个下标，是一个数组，初始化默认都是0
        var toAssign = math.min(app.coresLeft, usableWorkers.map(_.coresFree).sum)//还要分配的cores = 集群中可用Worker的可用cores总和（10）。 当前未分配core（5）中找最小的
        var pos = 0
        while (toAssign > 0) { 
          if (usableWorkers(pos).coresFree - assigned(pos) > 0) { //以round robin方式在全部可用Worker里推断当前worker空暇cpu是否大于当前数组已经分配core值
            toAssign -= 1
            assigned(pos) += 1 //当前下标pos的Worker分配1个core +1
          }
          pos = (pos + 1) % numUsable //round-robin轮询寻找有资源的Worker
        }
        // Now that we've decided how many cores to give on each node, let's actually give them
        for (pos <- 0 until numUsable) {
          if (assigned(pos) > 0) { //假设assigned数组中的值>0，将启动一个executor在。指定下标的机器上。
            val exec = app.addExecutor(usableWorkers(pos), assigned(pos)) //更新app里的Executor信息
            launchExecutor(usableWorkers(pos), exec)  //通知可用Worker去启动Executor
            app.state = ApplicationState.RUNNING
          }
        }
      }
    } else {

非SpreadOut分配策略：

非SpreadOut策略。该策略：会尽可能的依据每一个Worker的剩余资源来启动Executor，这样启动的Executor可能仅仅在集群的一小部分机器的Worker上。这样做对node较少的集群还可以，集群规模大了。Executor的并行度和机器负载均衡就不可以保证了。

当用户设定了參数spark.deploy.spreadOut 为false时，触发此游戏分支，跑个题，有些困了。

。

1、遍历可用Workers

2、且遍历Apps

3、比較当前Worker的可用core和app还须要分配的core。取最小值当做还须要分配的core

4、假设coreToUse大于0。则直接拿可用的core来启动Executor。。

奉献当前Worker所有资源。（Ps：挨个榨干每一个Worker的剩余资源。。。。

）

举例： App申请12个core，3个Worker。Worker1剩余1个core, Worke2r剩7个core, Worker3剩余4个core.

这样会启动3个Executor。Executor1 占用1个core, Executor2占用7个core, Executor3占用4个core.

总结：这样是尽可能的满足App，让其尽快运行，而忽略了其并行效率和负载均衡。

 } else {
      // Pack each app into as few nodes as possible until we've assigned all its cores
      for (worker <- workers if worker.coresFree > 0 && worker.state == WorkerState.ALIVE) {
        for (app <- waitingApps if app.coresLeft > 0) {
          if (canUse(app, worker)) { //直接问当前worker是有空暇的core
            val coresToUse = math.min(worker.coresFree, app.coresLeft) //有则取。无论多少
            if (coresToUse > 0) { //有
              val exec = app.addExecutor(worker, coresToUse) //直接启动
              launchExecutor(worker, exec)
              app.state = ApplicationState.RUNNING
            }
          }
        }
      }
    }
  }

三、总结：

 1、 在Worker Actor中。每次LaunchExecutor会创建一个CoarseGrainedExecutorBackend进程，一个Executor相应一个CoarseGrainedExecutorBackend

 2、针对同一个App。每一个Worker里仅仅能有一个针对该App的Executor存在。切记。

假设想让整个App的Executor变多，设置SPARK_WORKER_INSTANCES。让Worker变多。

 3、Executor的资源分配有2种策略：

3.1、SpreadOut ：一种以round-robin方式遍历集群全部可用Worker。分配Worker资源。来启动创建Executor的策略，优点是尽可能的将cores分配到各个节点。最大化负载均衡和高并行。

3.2、非SpreadOut：会尽可能的依据每一个Worker的剩余资源来启动Executor，这样启动的Executor可能仅仅在集群的一小部分机器的Worker上。这样做对node较少的集群还可以，集群规模大了。Executor的并行度和机器负载均衡就不可以保证了。

行文仓促，如有不正之处，请指出，欢迎讨论 ：）

补充：

1、关于：   一个App一个Worker为什么仅仅有同意有针对该App的一个Executor 究竟这样设计为何？ 的讨论：

连城404：Spark是线程级并行模型。为什么须要一个worker为一个app启动多个executor呢？

朴动_zju:一个worker相应一个executorbackend是从mesos那一套迁移过来的，mesos下也是一个slave一个executorbackend。我理解这里是能够实现起多个，但起多个貌似没什么优点，并且添加了复杂度。

CrazyJvm：@CodingCat 做了一个patch能够启动多个，可是还没有被merge。 从Yarn的角度考虑的话，一个Worker能够相应多个executorbackend，正如一个nodemanager相应多个container。 @OopsOutOfMemory 

OopsOutOfMemory：回复@连城404: 假设一个executor太大且装的对象太多。会导致GC非常慢，多几个Executor会降低full gc慢的问题。 see this post http://t.cn/RP1bVO4(今天 11:25)

连城404：回复@OopsOutOfMemory:哦。这个考虑是有道理的。

一个workaround是单台机器部署多个worker。worker相对来说比較便宜。

 

JerryLead：回复@OopsOutOfMemory:看来都还在变化其中，standalone 和 YARN 还是有非常多不同，我们暂不下结论 (今天 11:35)

JerryLead：问题開始变得复杂了，是提高线程并行度还是提高进程并行度？我想 Spark 还是优先选择前者，这样 task 好管理。并且 broadcast，cache 的效率高些。后者有一些道理。但參数配置会变得更复杂，各有利弊吧 (今天 11:40)

未完待续。。

。

传送门：@JerrLead  https://github.com/JerryLead/SparkInternals/blob/master/markdown/1-Overview.md

——EOF——

原创文章。转载请注明来自：http://blog.csdn.net/oopsoom/article/details/38763985