🦄 个人主页——🎐开着拖拉机回家_Linux,Java基础学习,大数据运维-CSDN博客 🎐✨🍁
🪁🍁🪁🍁🪁🍁🪁🍁 🪁🍁🪁🍁🪁🍁🪁 🪁🍁🪁🍁🪁🍁🪁🍁🪁🍁🪁🍁
目录
一、CapacityScheduler简介
二、CapacityScheduler特性
三、CapacityScheduler配置
四、YARN WEB UI 参数详解
一、CapacityScheduler简介
Hadoop YARN的核心组件是ResourceManager，负责集群资源管理与调度，而ResourceManager组件的核心是调度器，负责统筹集群资源，满足应用的资源需求。调度器不仅需要优化整个集群的资源布局，避免热点等问题对应用的影响，最大程度利用集群资源；还要能协调好大量应用在集群的运行，基于多租户（队列）公平性、应用优先级等策略解决好资源竞争等问题；也要能满足个别应用在节点依赖、放置策略等方面的特殊需求。
YARN调度器是可拔插的插件，主要有FIFOScheduler、FairScheduler和CapacityScheduler三类。
- FIFOScheduler：是最简单的调度器，不支持多租户（所有应用都提交到Default队列），不考虑集群的资源分布（节点上堆叠调度），只支持以FIFO（First In，First Out）策略依次调度应用，无其他控制与调度特性。只适用于及其简单的场景，因此很少应用于正式生产。
- FairScheduler：是CDH（Cloudera Distributed Hadoop）的默认调度器，与HDP（Hortonworks Data Platform）合并后的CDP（Cloudera Data Platform）不再使用（迁移到CapacityScheduler），Apache Hadoop社区也建议迁移到CapacityScheduler。FairScheduler支持较为完善的多租户管理与资源调度能力，包括多级队列、配额管理、ACL控制、弹性资源共享、租户间公平性调度策略、租户内应用调度策略、资源预留、抢占、异步调度等，然而在Apache Hadoop社区的发展相比CapacityScheduler仍稍显落后，核心调度未考虑整个集群的资源布局，也不支持Node Labels（分区调度）、Node Attributes（节点打标调度）、Placement Constraints（放置约束）等调度特性。
- CapacityScheduler：是Apache Hadoop社区、HDP（Hortonworks Data Platform）及合并后CDP（Cloudera Data Platform）的默认调度器，具有最完善的多租户管理与资源调度能力，不仅包含了FairScheduler的全部能力，还能协调好整个集群的资源布局（基于Global Scheduling），减少热点概率，最大程度利用集群资源，还支持Node Labels（分区调度）Node Attributes（节点打标调度）、Placement Constraints（放置约束）等调度特性。
下面重点对CapacityScheduler进行介绍，其他调度器的使用说明请参考社区文档。
二、CapacityScheduler特性
- 分层队列——支持分层队列，以确保在允许其他队列使用空闲资源之前，在组织的子队列之间共享资源，从而提供更多的控制和可预测性。
- 容量保证——队列被分配了网格容量的一小部分，在某种意义上，一定容量的资源将供它们使用。提交到队列的所有应用程序都可以访问分配给队列的容量。管理员可以对分配给每个队列的容量配置软限制和可选的硬限制，就是可以使用其他队列的剩余资源，也可以严格限制不能超出限制。
- 安全性——每个队列都有严格的acl，它控制哪些用户可以向各个队列提交应用程序。此外，还有安全防护措施，以确保用户不能查看和/或修改来自其他用户的应用程序。此外，还支持每个队列和系统管理员角色。
- 弹性资源共享——可以将空闲资源分配给超出其容量的任何队列。当队列配置资源有空闲时，可以分配给其他有资源需求的队列。当再次需要这些资源时可以抢夺回这些资源。这确保了资源以可预测和弹性的方式对队列可用，从而防止集群中人为的资源孤岛，从而有助于利用率。
- 多租户——提供了一组全面的限制，以防止单个应用程序、用户和队列独占队列或整个集群的资源，以确保集群不会不堪重负。
- 可操作性
-
- 运行时配置——管理员可以在运行时以安全的方式更改队列定义和属性(如容量、acl)，以尽量减少对用户的干扰。此外，还为用户和管理员提供了一个控制台，以查看系统中各种队列的当前资源分配情况。管理员可以在运行时添加额外的队列，但不能在运行时删除队列，除非队列已停止并且没有挂起/正在运行的应用程序。
- 取消应用程序——管理员可以在运行时停止队列，以确保在现有应用程序运行到完成时，没有新的应用程序可以提交。如果队列处于STOPPED状态，则不能将新的应用程序提交给它自己或它的任何子队列。现有的应用程序将继续完成，因此可以正常地耗尽队列。管理员还可以启动已停止的队列。
- 基于资源的调度——支持资源密集型应用程序，其中应用程序可以选择指定比默认值更高的资源需求，从而容纳具有不同资源需求的应用程序。目前，内存是支持的资源需求。
- 优先级调度——该功能允许应用程序以不同的优先级提交和调度。整数值越大，优先级越高。目前，应用程序优先级仅支持FIFO排序策略。
- 绝对资源配置——管理员可以为队列指定绝对资源，而不是提供基于百分比的值。这为管理员提供了更好的控制，以便为给定队列配置所需的资源量。
三、CapacityScheduler配置
Ambari 2.7.4配置页面
配置队列层级如下：
root ├── acc └── ipva ├── bzv2 └── default
Ambari-queue-manager配置如下：
capacity-scheduler.xml 配置文件
yarn.scheduler.capacity.maximum-am-resource-percent 0.2 yarn.scheduler.capacity.maximum-applications 10000 yarn.scheduler.capacity.node-locality-delay 40 yarn.scheduler.capacity.resource-calculator org.apache.hadoop.yarn.util.resource.DefaultResourceCalculator yarn.scheduler.capacity.root.acc.acl_administer_queue * yarn.scheduler.capacity.root.acc.acl_submit_applications * yarn.scheduler.capacity.root.acc.capacity 60 yarn.scheduler.capacity.root.acc.maximum-capacity 70 yarn.scheduler.capacity.root.acc.minimum-user-limit-percent 100 yarn.scheduler.capacity.root.acc.ordering-policy fifo yarn.scheduler.capacity.root.acc.priority 0 yarn.scheduler.capacity.root.acc.state RUNNING yarn.scheduler.capacity.root.acc.user-limit-factor 1.5 yarn.scheduler.capacity.root.accessible-node-labels * yarn.scheduler.capacity.root.acl_administer_queue yarn,spark,hive yarn.scheduler.capacity.root.acl_submit_applications yarn,ambari-qa yarn.scheduler.capacity.root.queues acc,bz2,default,ipva 关键参数说明：
yarn.scheduler.capacity.root.acc.capacity：队列资源容量的百分比，用浮点数表示(如12.5)或者是作为绝对资源队列的最小容量。在各层级上所有队列的百分比之和必须等于100。
yarn.scheduler.capacity.root.acc.maximum-capacity：最大队列容量，以百分比(%)表示为浮点数，或以绝对资源队列最大容量表示。这限制了队列中应用程序的弹性。1)取值范围为0 ~ 100。2)管理员需要确保绝对最大容量>=每个队列的绝对容量。此外，将此值设置为-1将最大容量设置为100%。
yarn.scheduler.capacity.root.acc.user-limit-factor： 这个参数配置为允许单个用户最多能获取的队列资源（即yarn.scheduler.capacity..capacity的值）的倍数，值是一个浮点值。也就是说如果把这个参数设置为大于1时，用户使用的资源可以超过队列资源。如果该值为2.0，则单个用户使用的最多资源量可以是该队列容量的2倍，但无论配置为多大都不能超过队列的最大资源（即yarn.scheduler.capacity..maximum-capacity的值）。默认值为1，确保单个用户无论集群有多空闲，永远不会占用超过队列配置的资源量。
四、YARN WEB UI 参数详解
如下图 点击 Scheduler可以看到在 Ambari 页面上配置的层级队列
如下是acc 队列的使用情况，不用 队列使用不用的颜色显示
资源说明
- 总内存资源： 101.25*1024 = 103680M
- acc队列容量：103680*60% = 62208M
- acc队列容量最大：103680*70% = 72575M
显示
解释
Queue State: RUNNING
队列状态 RUNNING
Used Capacity : 78.2%
已使用资源占队列配置值的百分比48640/62208=78.2%
Effective Capacity: memory:62208, vCores:36> (60.0%)
有效容量，表示队列实际可用的内存和虚拟核心资源
分别为 62208 MB 和 36 个。
Effective Max Capacity: 72575, vCores:41> (70.0%)
有效最大容量，表示队列实际可用的内存和虚拟核心资源分别为 72575 MB 和 41 个。
Absolute Used Capacity: 46.9%
已使用绝对容量 48640/103680=46.9%
Absolute Configured Capacity: 60.0%
表示队列在整个集群中占据配置容量60%。
Absolute Configured Max Capacity: 70.0%
表示队列在整个集群中占据最大配置容量70%。
Used Resources: <48640, vCores:15>
acc 队列使用 资源
Configured Max Application Master Limit: 20.0
AppMaster 限制使用资源 20%
Max Application Master Resources:
表示每个 Application Master 最多可以使用 2560 MB 内存和 1 个虚拟核心资源
Used Application Master Resources:
AppMaster 资源使用 1核1G
Max Application Master Resources Per User:
表示每个用户的 Application Master 最多可以使用 14848MB 内存和 1 个虚拟核心资源。
Num Schedulable Applications: 1
调度的App调用个数为 1
Num Non-Schedulable Applications: 0
没有被调度的app应用个数
Num Containers: 3
容器运行 个数3
Max Applications: 6000
最大应用数量 6000
Max Applications Per User: 6000
每个user最多可以运行的应用数量 6000
Configured Minimum User Limit Percent: 100%
每个user最多可以使用队列资源的百分比
Configured User Limit Factor: 1.5
最多能获取的队列资源的1.5倍
Accessible Node Labels: *
标签策略 为匹配所有
Ordering Policy: FifoOrderingPolicy
队列内部任务采用策略Fifo
参考文章：
什么是YARN调度器_开源大数据平台E-MapReduce-阿里云帮助中心
【深入浅出 Yarn 架构与实现】 Yarn 三种调度器_yarn调度器-CSDN博客
yarn web ui 参数详解 - gentleman_hai - 博客园
-
- 分层队列——支持分层队列，以确保在允许其他队列使用空闲资源之前，在组织的子队列之间共享资源，从而提供更多的控制和可预测性。