首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >智能调度:Stanford的Quasar

智能调度:Stanford的Quasar

作者头像
大数据和云计算技术
发布2018-03-08 11:09:07
1.4K0
发布2018-03-08 11:09:07
举报

智能、自动化是对系统孜孜不倦的追求,尤其是在资源调度这块。传统的YARN/MESOS有各种资源分配算法,如DRF,capacity scheduler,fair scheduler。这些调度算法聚焦在资源的匹配和分配上面。其中最大的问题设计思路是基于预留的思路,要求应用提出资源的需求,而在现实中往往是不现实的。不现实在两个方面:

  1. job需要的资源和需要处理的数据量,过程的复杂度强相关。而这两者在实际的生产系统中都不是一成不变的,所以往往预留的资源要么多大,要么过小。
  2. 单个job实际上本身也是一个复杂的过程,需要的资源也不是一成不变的。所以按理想的状态预留资源往往不现实,带来的最终结果是资源利用率不高。

关于智能资源调度方面,我早前写过一篇文章《智能调度 与 蚁群算法》,提的是设想通过蚁群算法来自动分配资源。最近看到stanford的一篇论文《Quasar: Resource-Efficient andQoS-Aware Cluster Management》,通过简单的分类算法就达到了job资源的预测和自动分配,解决了上面提到的2个资源分配的难题。

首先来看下Quasar的基本思路,基本过程对照上面的图,分下面几步:

  1. quasar不是基于资源预留和匹配的模式。Quasar提供一个high-level的接口让用户给调度器描述他性能约束条件。不同类型的workload接口不一样。比如对延迟苛刻的workload,限制条件藐视为QPS(查询次数/秒)。分布式框架,如hadoop,限制条件是执行时间。对于单机里面单线程或者多线程workload,限制条件就是low-level的IPS(每秒执行的指令数)。这个主要取决于以哪种资源分配和制定来满足workload.
  2. Quasar使用快速分类技术去评估不同的资源分配导致不同的workload性能。一个新进的workload和数据集,需要从一些server上采集一段时间(从几秒到几分钟)。这些有限的采集信息和已有的被分类离线的workload、已经被调度过的workload组合起来。分类的结果准确的估计了应用的性能,考虑各种不同的类型和数量的服务器以及单服务的资源量,排除了其他的一些干扰。Quasar将问题分配的简化成四种主要部分 每个节点 和 节点数,分配的服务器类型 和干扰的程度。这大大降低了分类的复杂性问题。
  3. quasar使用分类的结果直接用于资源的分配,消除分配和匹配的二次无效性。quasar使用贪心算法结合四个独立的分类结果,选择数量或具体的资源集,来达到(或接近)的性能约束。Quasar同时监视系统性能。如果在有空闲资源的情况下,约束没有得到满足,即使workload发生了变化(比如job内部阶段变化了)说明分类是不正确的,或贪婪的次优方案到指定结果。只要条件允许Quasar会重新分配资源。

再来看下Quasar达到的效果。

  1. Single batch job(纯粹hadoop):平均提升29%到58%。
  2. Multiple Batch Frameworks performance(Hadoop,Storm, and Spark混合):提升27%。
  3. Large-Scale Cloud Provider:从15%的cpu利用率提升到62%,提升47%。

Quasar的规模也很小,6K行代码。新增一个应用大概需要几百行即可。

总的来说,Quasar这个是非常好的一个思路,是调度的未来发展方向,是非常值得研究和跟进的技术,有兴趣的同学,可以把论文下载下来好好读读。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2015-06-06,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 大数据和云计算技术 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档