Debian上Hadoop YARN资源调度策略与落地实践
一 调度器选型与适用场景
- FIFO Scheduler：按提交顺序执行，简单但不支持多租户与资源共享，生产环境基本不推荐。
- Fair Scheduler：强调多租户公平，支持多级队列、配额、ACL、抢占、预留等；曾是CDH的默认，但社区当前更建议迁移到Capacity Scheduler。
- Capacity Scheduler：Apache Hadoop社区、HDP与CDP的默认调度器，功能最完备，支持多级队列、弹性共享、抢占、以及Node Labels、Node Attributes、Placement Constraints、全局调度等高级特性，适合复杂共享集群与大规模场景。
说明：HDFS不直接做资源调度，资源与调度由YARN负责；调度器是可插拔组件，三者以插件形式接入YARN的ResourceManager。
二 关键对比一览
| 维度 |
FIFO |
Fair Scheduler |
Capacity Scheduler |
| 多租户与队列 |
不支持，仅Default队列 |
支持多级队列、配额、ACL |
支持多级队列、配额、ACL |
| 资源共享 |
无 |
支持弹性共享 |
支持弹性共享（Capacity/MaxCapacity） |
| 抢占与预留 |
不支持 |
支持抢占与预留 |
支持抢占与预留 |
| 高级调度 |
无 |
无分区/节点属性/放置约束 |
支持Node Labels、Node Attributes、Placement Constraints、全局调度 |
| 典型场景 |
极简测试 |
多用户公平、中小规模 |
生产级多租户、大规模与复杂约束 |
以上差异与定位来自YARN官方与厂商实践文档的归纳。
三 Capacity Scheduler落地要点（Debian环境）
- 启用与基础配置（yarn-site.xml）
- 指定调度器类：默认即CapacityScheduler（可不显式设置）。
- 选择资源计算模型：建议启用DominantResourceCalculator以同时考虑内存与CPU。
- 控制并发与AM占比：如将maximum-am-resource-percent提升到0.25（默认0.1），以支持更多并发应用（需结合队列与集群规模评估）。
- 本地性：若网络/磁盘不再是瓶颈，可将yarn.scheduler.capacity.node-locality-delay设为**-1**以提升调度吞吐。
- 队列规划与配额（capacity-scheduler.xml）
- 以树形结构规划队列（如 root.dev、root.test），为每个队列配置capacity与maximum-capacity（百分比），实现保障与上限的双边界。
- 控制应用与AM：设置maximum-applications与队列级maximum-am-resource-percent，避免AM占用过多资源导致并发受限。
- 多租户与合规：通过ACL限制队列的提交与管理权限；必要时配置state=STOPPED/ RUNNING实现优雅下线。
- 调度性能与热点治理
- 开启异步调度：yarn.scheduler.capacity.schedule-asynchronously.enable=true（默认单线程即可）。
- 启用全局调度：yarn.scheduler.capacity.multi-node-placement-enabled=true；大规模集群建议开启节点排序缓存（如sorting-interval.ms=1000）。
- 关闭每心跳多分配：yarn.scheduler.capacity.per-node-heartbeat.multiple-assignments-enabled=false，降低节点“热点堆叠”风险。
- 抢占与弹性
- 在资源紧张且业务有强保障诉求时启用队列间/队列内抢占与预留抢占，保障SLA；需评估抢占阈值与超时，避免频繁回收导致抖动。
以上配置项与建议值可直接用于Debian上的Apache Hadoop 3.x集群，按业务规模与负载微调。
四 Fair Scheduler落地要点（如已采用）
- 启用方式（yarn-site.xml）
- 指定调度器类：yarn.resourcemanager.scheduler.class=org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler。
- 指定分配文件：yarn.scheduler.fair.allocation.file=fair-scheduler.xml（XML定义队列、用户、权重、ACL、抢占等）。
- 核心能力与典型配置
- 队列与策略：支持多级队列；队列内可选fair/fifo/drf；可按weight与minResources保障小队列/关键业务。
- 抢占与本地性：通过yarn.scheduler.fair.preemption开启抢占；locality.threshold.node/rack控制等待本地/机架机会的次数。
- 运行时管理：支持修改allocation文件后自动重载（秒级），并通过RM Web UI查看队列与公平份额。
- 适用建议
- 适合强调“用户/队列间公平”的中小规模多租户场景；若需Node Labels/Placement Constraints/全局调度等能力，优先考虑迁移至Capacity Scheduler。
五 监控与持续优化
- 监控与告警
- 关注RM Web UI与指标：队列Used/Guaranteed/MaxCapacity、应用Pending/Running、AM资源占比、抢占与预留事件、节点资源利用率与热点分布。
- 调优方向
- 容器与AM规格：结合作业类型设置合理的容器内存/CPU与AM比例，避免“小作业被AM占满”或“大作业容器过小”。
- 数据本地性与布局：优先提升数据本地化，必要时利用Node Labels做异构资源/专用硬件分区。
- 负载与弹性：结合抢占与弹性共享平衡SLA与利用率；高峰期控制队列最大占用，避免雪崩。
- 调度性能：在大规模集群启用异步/全局调度并合理设置缓存刷新间隔，避免调度成为瓶颈。
这些实践与Hadoop性能调优、工作负载管理与监控思路一致，可在Debian环境中直接落地。
