对 Spark 比较关注的开发者应该已经注意到最新的 Spark 版本支持不做任何修改直接跑在 K8s 上的消息了,即以 Kubernetes 容器集群作为 Cluster Manager 实现。早在 2017 年底,Spark 2.2 版本开始时,Spark 社区就开始合入用 K8s 管理 Spark 集群的能力,只是那时候功能上还没有很完善。另外,那个时候的 Kubernetes 还没有像现在这么普及,被广泛地接受成为应用基础设施层。经过 2 年持续迭代,Spark on Kubernetes 已经走向成熟。
其实,大数据和云计算一直分属两个不同的领域,大数据主要关注如何将数据集中起来,挖掘价值。云计算主要关注如何更加高效地使用资源,提升资源利用效率。当大数据发展到一定阶段,就会和云计算不期而遇。
现状并不美丽
在技术层面,当前的大数据计算,比如 Hadoop 和 Spark 将计算和存储结合在一起的模式,是分布式架构的一种尝试。但是当社区修改 HDFS 以支持 Hadoop 3.0 的 ErasureCode(纠删码)时,即接受:不再(支持就近读取的策略,这就代表了一种新趋势。在数据层面,为取代 HDFS,可以用大规模基于云的对象存储,构建在 AWS S3 模型上。计算层面,要能够根据需要启动计算,也可以考虑使用类似 Kubernetes 的虚拟化技术,而不是绑定 YARN。
曾经,数据处理任务从远程物理机读取数据开销大。以数据为“中心”,将数据处理任务迁移到数据所在的物理机上,能有效降低网络带宽,保证整体性能。这就是存算一体的大数据技术架构。经过十多年的发展,网络性能已经提升了 100 倍,内存容量也提升了数十倍。大数据处理的瓶颈逐渐从网络转移到 CPU 上,上述存算一体架构的缺点也逐渐突显出来。
不同场景需要的存储空间和算力配比是不一样的。实际使用中要么计算资源达到瓶颈,要么是存储容量不足,只能对集群进行刚性扩容,造成集群资源浪费。
不同时期需要的算力是不固定的,存在波峰和波谷。物理机中存储数据造成无法大规模关闭闲置节点,造成算力闲置和能源浪费。
不同业务对运行环境需求不一样。Spark 应用需要绑定 Spark 集群运行。Web 类型需要实例快速水平扩展。所以通过统一平台来混合部署提升资源利用率的需求强烈。
容器技术的出现,给了 IT 行业统一运行环境一线希望。它以自己的 build once,run every where 的旗帜挥舞到各个 IT 行业。可以说如果还不考虑使用容器技术,你的基础平台的灵活性是绝对不够的。
统一的 ABC 平台
当前大数据的实现代表了构建分布式系统的一种方法:计算和存储以及基础架构结合在一起。但是这条路是否畅通也不好说,毕竟近期有好多文章在说大数据已死。不过话说回来,大数据的数据量是越来越大,大数据的业务需求也只增不减,只是在实现大数据需求的途径上,方向发生了些偏移。所以并不是大数据本身已死,而是原来的大数据框架底层设施有了新的方向,云原生大数据已经崭露头角。
所谓的 ABC 就是指 AI + Bigdata + Cloud,一般由于业务部门的划分,或者历史遗留问题,各厂家做法普遍都是不同的研发部门维护不同的资源池。这就带来了计算、存储资源不均衡,资源调度最佳利用率和基础设施能力共享的问题。特别的基础设施技术不需要维护多套,降低研发人力成本。
如果想提高整体资源利用率,那就得有统一 infrastructure 平台。而且,不同业务类型对资源述求不一样,比如 AI 以 GPU 为主,Web 业务以 CPU 为主等。所以要求基础设施平台,必须能够支持多种计算资源,统一调度能力。并且业务也得有统一的运行环境的标准,保证开发 &生产的运行一致性。
很明显,以 Docker+Kubernetes 技术打造云原生计算平台具备这样的气质。特别是,以 Docker 的普适性,真的在各领域势如破竹。中国联通数据中心总经理王志军在 2019 年 6 月分享的《中国联通容器化大数据平台的探索与实践》中,提到各省公司的 AI 训练,大数据,容器化应用都统一在以 Kubernetes+Docker 为底座的统一平台上,目前拥有节点 437 个,大量任务同时跑在该平台上,也是这一趋势的实践。
Kubernetes as Infrastructure
大数据领域,计算资源会越来越多容器化。以前容器化主要是被 DevOps 和微服务所使用,最近随着大数据应用的依赖越来越复杂,需要用容器化做更好的依赖管理和资源隔离。容器的一次构建,随处可运行的特点,非常契合应用运行环境的一致性述求。
大规模容器集群管理,现在 Kubernetes 已经是无可争议的事实标准。作为 Mesos 商业化的重要推手,Mesosphere 在 2019 年 8 月宣布正式更名为 D2IQ,关注点也随即转向 Kubernetes 及云原生领域。VMware 则在 VMworld 2019 宣布推出新的产品和服务品牌 VMware Tanza,全面拥抱 K8s。各个领域也是遍地开花,基因数据分析,高性能计算 HPC,AI 机器学习,传统互联网纷纷拥抱容器技术,无不选择 K8s 作为容器计算平台。真的是践行了 Docker 诞生时的理念,不仅仅是 build once,而且真的是 run every where。现在已经到处都是容器了,该轮到大数据了,幸运的是 Spark 社区已经上车了,那么你呢? Spark on K8s 可以有。
Volcano: 高性能容器批量计算平台
K8s 自带的的资源调度器,有一个明显的特点是,依次调度每个容器。但是当 AI 训练,大数据计算,这样必须多个容器同时配合执行的情况下。依次调度是无法满足需要的。因为这些计算任务包含的容器们想要的是,要么同时都成功,要么就都别执行。
比如,某个大数据应用需要跑 1 个 Driver 容器+10 个 Executor 容器。如果容器是一个一个的调度,假设在启动最后一个 executor 容器时,由于资源不足而调度失败无法启动。那么前面的 9 个 executor 容器虽然运行着,其实也是浪费的。AI 训练也是一样的道理,必须所有的 Worker 都同时运行,才能进行训练,坏一个,其他的容器就等于白跑。要知道 GPU 被容器霸占着却不能开始计算,成本是非常高的。
所以当总体资源需求小于集群资源时,普通的 K8s 自带调度器可以跑,没问题。但是当总体资源需求大于集群资源时,K8s 自带调度器会因为随机依次调度容器,使得部分容器无法调度,从而导致业务占着资源又不能开始计算,死锁着浪费资源。那么,上述两个场景,哪个更加常态呢?不用想,肯定是后者,谁能大方到一直让集群空着,这个时候就需要增强型的 K8s 资源调度器 Volcano。
Volcano 首先要解决的问题就是 Gang Scheduling 的问题,即一组容器要么都成功,要么都别调度。这个是最基本的用来解决资源死锁的问题,可以很好的提高资源利用率。除此之外,它还提供了多种调度算法,例如 priority 优先级,DRF(dominant resource fairness), binpack,task-topology 亲和,GPU 感知,batchwisepack 等。多种调度算法插件,根据权重条件,就可以很好的满足各种复杂场景需求。真正做到统一资源平台,最佳资源利用率。
目前,Volcano 项目已在 github 开源,欢迎大家参与到项目中来,项目地址:https://github.com/volcano-sh/volcano
结束语
统一的资源池,统一的计算平台,统一的基础设施技术栈,这样资源利用和人力成本都是最优的,可以聚焦到业务创新方向。那么所有的技术都已经准备好了,是时候让 Spark 跑在 K8s 上了。
评论 1 条评论