yarn day 1 (Dynamic Resource Pools)

Dynamic Resource Pools :

用來設定 scheduling 對 YARN applications 和 Impala queries 在執行時的資源分配． 它允許排程和配置資源給 YARN applications 和 Impala queries，讓 user 可存取哪個 pools． 一個 pool 可用的資源可按照 pool 的權重(weight)去分配．並且可用 ACL 來控制哪個 user 可以 submit job．

configuration set

用來設定分配資源，不同 pool 可定義不同的 configuration set

scheduling rule

當 configuration set 被 active 這設定會每小時 update 一次

scheduling policy

• Dominant Resource Fairness (DRF) (default) :
  Fair Scheduler 的延伸，不只基於 memory 連 CPU 都會加入來公平分配．

• Fair Scheduler (FAIR) :
  基於 memory 將資源平均分配給 job．

• First-In, First-Out (FIFO) :
  先進來的 job 先執行，執行完後才可執行下一個．

DEMO FIFO scheduling policy

• create resource pool

• 設定 configuration set

• 選擇 scheduling policy ，這邊設定 FIFO

• resource pool 建立起來後再 refresh :

• 執行 exmple jar

先到 /usr/lib/hadoop-mapreduce 底下找到 exmples 的 jar．然後執行下列指令，執行時指定 queue name (-Dmapred.job.queue.name=mypool)剛剛建立的 mypool ，同時送出 3 次命令 :

hadoop jar hadoop-mapreduce-examples.jar pi -Dmapred.job.queue.name=mypool 10 100

如果是使用 spark 則是加上參數(–conf “spark.yarn.queue=mypool”) :

spark-submit --principal kduser --keytab /temp/kduser.keytab --jars postgresql.jar --class com.example.test.SparkQuery --master yarn --conf "spark.yarn.queue=mypool" hcrmSpark.jar AAA

• 由於 scheduling policy 是設定 FIFO，觀察 queue 的執行狀態會發現 job 是一個一個的執行跑完，一個在跑時另外兩個會 pending．

DEMO FAIR scheduling policy

• 將剛剛的 mypool scheduling policy 改成 FAIR

• max running apps 及 max application master share 設定 :

max running apps 參數是最多只能有幾個 application 數執行．
max application master share 會根據 weight 權重的分配的 application master 執行中的最大數量．
這兩個參數一般會有公式來算出大概的值，但我們這邊先故意都不設定看會發生什麼事．

• 接著再一次同時執行三次 exmple jar

這時候會發現三個 job 都會一直處於 pending 的狀態，因為 FAIR scheduling 資源不夠分配給這三個 job．所以就乾脆公平都不給資源所以會導致，job 都動不了了，這時需要手動下指令去移除這些 job．

總結

---

使用 FAIR 及 DRF 要注意計算好可用的資源例如 max running apps 及 max application master share 這兩個參數的設定值．否則同時太多 job 同時進來會造成所有的 job 都 pending 住取不到資源，到時候就需要手動下指令 yarn application -kill {app_id}，kill 掉 pending 住的 job．FIFO 就不會有這樣的問題．