网络资源：https://yq.aliyun.com/articles/62910
博客内容：课程笔记
第一章 分布式调度系统
一、分布式调度的主要作用：
像使用台式机一样使用云计算，将成千上万台硬件的运算能力汇合起来，提供可靠的云计算服务。在台式机时代，CPU是其最重要的部分，而在云计算中，分布式调度就扮演着CPU的角色。
第一章主要内容：
1)阿里云飞天分布式系统
2)任务调度系统
3)资源调度
4)容错机制
5)规模挑战
6)安全与性能隔离
7)分布式调度的发展方向
第一节 分布式调度系统
分布式调度的两大任务：
(1)任务调度：不同的业务部门在共享集群时，有大量的计算任务，任务如何切分，如何将海量的数据进行分割、在不同的节点进行运算，同时监控各个节点的运算状态。
(2)资源调度：供应双方的供给方,平衡不同的业务部门之间的资源使用，需要支持优先级抢占
分布式调度系统的比较：
(1)Hadoop MapReduce；
MR主从架构：
Jod Tracker及负责资源调度，又负责任务调度，当客户端用户提交作业至资源管理器，Job Traceker会将作业分发至不同的节点，在每个节点上都设置了一个名为Task Tracker，负责任务的调度和执行。这种主从架构存在天然的集中缺陷：
1):规模扩展存在瓶颈：Task Tracker这种节点的不断增加，在Job Tracker方面就是不断的添加内存条，会存在内存上限控制.
2):容错性差:Job Tracker是单节点的进程，如果Job Tracker出现crash或者整个机器出现宕机,所有集群中运行的作业情况以及资源分配结果是无法恢复的.
3):不利于功能扩展：不同的业务部门的调度策略不同(对资源的调度和使用策略不同)，并且还要求支持热拔插(在不停止进程的情况下改变系统的调度)。
(2)YARN(应对上面提到的三个不足，在Hadoop1.0版本的基础之上做出的改进，本质上就是一个资源调度器)；
YARN和Hadoop最大的不同:将任务调度和资源调度做了区分，能支撑起更大的计算规模
但是YARN目前仅仅支持内存维度的资源调度，像磁盘、CPU、网络的资源调度都不支持。资源交互链路增加，降低YARN的性能。
(3)Mesos；
(4)Aliyun-Fuxi；
第二节 任务调度