Spark Executor Driver资源调度小结

 一、引子

  在Worker Actor中，每次LaunchExecutor会创建一个CoarseGrainedExecutorBackend进程，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。

  那么到底是如何分配Executor的呢？怎么控制调节Executor的个数呢？

 二、Driver和Executor资源调度

   下面主要介绍一下Spark Executor分配策略：

   我们仅看，当Application提交注册到Master后，Master会返回RegisteredApplication，之后便会调用schedule（）这个方法，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，这个方法是每次在集群资源发生变动的时候都会调用，根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分配到空闲的Worker上去，详细流程请看我写的注释 ：）

[java] view
plain

// 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，用户可以自己设置这个flag

[java] view
plain

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，可用就是资源空闲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：这个方法接受一个ApplicationInfo的描述信息和当前Worker的描述信息。
1、当前worker的空闲内存 比 该app在每个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，并且对于同一个App只能在一个Worker里启动一个Exeutor，如果要启动第二个Executor，那么请到其它Worker里。这样的才算是对App可用的Worker。

[java] view
plain

/** 

 * 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方式遍历集群所有可用Worker，分配Worker资源，来启动创建Executor的策略，好处是尽可能的将cores分配到各个节点，最大化负载均衡和高并行。
下面看看，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、遍历未分配完全的apps，继续给它们分配资源，
 4、usableWorkers =  从当前ALIVE的Workers中过滤找出上文描述的可用Worker，然后根据cpus的资源空闲，从大到小给Workers排序。
 5、当toAssign（即将要分配的的core数>0，就找到可以的Worker持续分配）
 6、当可用Worker的free cores 大于 目前该Worker已经分配的core时，再给它分配1个core，这样分配是很平均的方法。
 7、round-robin轮询可用的Worker循环
 8、toAssign=0时结束循环，开始根据分配策略去真正的启动Executor。

举例： 1个APP申请了6个core, 现在有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，最终每个Worker分到3个core，即每个Worker的启动一个Executor，每个Executor获得3个cores。

[java] view
plain

// 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) { //对还未被完全分配资源的apps处理  

        val usableWorkers = workers.toArray.filter(_.state == WorkerState.ALIVE)  

          .filter(canUse(app, _)).sortBy(_.coresFree).reverse //根据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方式在所有可用Worker里判断当前worker空闲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) { //如果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：会尽可能的根据每个Worker的剩余资源来启动Executor，这样启动的Executor可能只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能够保证了。

当用户设定了参数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、比较当前Worker的可用core和app还需要分配的core，取最小值当做还需要分配的core
4、如果coreToUse大于0，则直接拿可用的core来启动Executor。。奉献当前Worker全部资源。（Ps：挨个榨干每个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，让其尽快执行，而忽略了其并行效率和负载均衡。

[java] view
plain

} 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是有空闲的core  

           val coresToUse = math.min(worker.coresFree, app.coresLeft) //有则取，不管多少  

           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对应一个CoarseGrainedExecutorBackend

 2、针对同一个App，每个Worker里只能有一个针对该App的Executor存在，切记。如果想让整个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方式遍历集群所有可用Worker，分配Worker资源，来启动创建Executor的策略，好处是尽可能的将cores分配到各个节点，最大化负载均衡和高并行。

3.2、非SpreadOut：会尽可能的根据每个Worker的剩余资源来启动Executor，这样启动的Executor可能只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能够保证了。

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为什么只有允许有针对该App的一个Executor 到底这样设计为何？ 的讨论：

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

朴动_zju:一个worker对应一个executorbackend是从mesos那一套迁移过来的，mesos下也是一个slave一个executorbackend。我理解这里是可以实现起多个，但起多个貌似没什么好处，而且增加了复杂度。

CrazyJvm：@CodingCat 做了一个patch可以启动多个，但是还没有被merge。
从Yarn的角度考虑的话，一个Worker可以对应多个executorbackend，正如一个nodemanager对应多个container。 @OopsOutOfMemory 

OopsOutOfMemory：回复@连城404:
如果一个executor太大且装的对象太多，会导致GC很慢，多几个Executor会减少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相对来说比较廉价。 

JerryLead：回复@OopsOutOfMemory:看来都还在变化当中，standalone
和 YARN 还是有很多不同，我们暂不下结论 (今天 11:35)

JerryLead：问题开始变得复杂了，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，而且 broadcast，cache 的效率高些。后者有一些道理，但参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，转载请注明出自：http://blog.csdn.net/oopsoom/article/details/38763985