本文讲的是PPTV之大数据集群容器化研究【编者的话】如何统一调度两个集群的物理资源，有效节约成本？
图 1
图1是官方的一个例子。Mesos集群由提供资源的Agent、负责调度资源的Mesos master以及使用资源的Framework构成。
这里可以看出Mesos是一个两级调度系统。Mesos本身只对Framework做资源调度，然后由各个Framework根据自己的策略针对task进行资源调度。
图 2
图2是Yarn的资源调度架构图。与Mesos类似由提供资源的NodeManager、负责调度资源的ResourceManager、使用资源的Application（图中的AppMaster）构成。
Yarn也可以说是一个两级调度系统，但是AppMaster只能向ResourceManager请求资源（同时可以设定一些条件），最终哪个NodeManager执行哪个task则是由ResourceManager决定。相比Mesos的Framework自己决定执行task的Agent，AppMaster的调度权限比较低。
图 3
如图3所示，ResourceManager中的YarnScheduler被MyriadScheduler取代了。MyriadScheduler继承YarnScheduler并实现了MesosFramework Scheduler接口。这样ResourceManager就能够接受Mesos master提供（offer）的资源，并且还具有原来Yarn Scheduler一样的功能。另外Myriad还实现了管理NodeManager的Executor。整个过程是：
于是在Mesos集群上建立了一个Yarn集群，其资源来源于Mesosmaster的offer，也就是说Yarn被置于Mesos的管理之下。为了方便Yarn集群动态扩、缩容，Myriad还提供了相应的WebUI和WebAPI。通过这个方案，实现了Yarn集群和Mesos集群共享物理资源。
图 4
图 5
图 6
如图4所示，我们在Mesos上启动了一个叫做“MyriadAlpha”的Myriad Framework，并拥有1个task（“4.4CPU，5.4G内存”），如图5可以从Myriad的WebUI上看到该task，其实该task对应了一个NodeManager。如图6（ResourceManager的WebUI）显示了该NodeManager所在的物理机以及向ResourceManager报告的资源（“4VCore，4G内存”，※配置了1CPU=1VCore）。Mesos和ResourceManager上显示的资源差是NodeManager本身使用的资源。
接下来我们利用Myriad的WebUI（也提供了WebAPI）对Yarn集群进行扩容。
图 7
如图7所示我们将增加2个NodeManager，每个NodeManager向Yarn集群提供“2CPU，2G内存”。
图 8
如图8显示增加了2个Task（对应于NodeManager）。
图 9
如图9 ResourceManager WebUI显示已有2个NodeManager加入集群，提供的资源均为“2VCore，2GB内存”。
图 10
最后如图10 Mesos WebUI上显示了启动的Task（也就是NodeManager）数和已分配的资源。
背景
PPTV作为国内视频领域的领先者，对于大规模流媒体的存储、处理、分发及应用，有着迫切的要求。容器技术及微服务模式的出现，使大规模的研发交付效率大为提高。因此我们基于Docker技术打造了DCOS。集群物理资源的调度用Mesos，容器编排用Marathon，并以此为核心，结合Docker和Nginx，开发了DCOS管理控制台，权限管理模块，统一日志管理模块，IP池管理模块，存储管理模块，并与持续集成平台Jenkins集成，实现应用容器的创建、运行。同时我们也有一个独立于容器平台的大数据集群，主要运行批处理任务，它的资源调度系统是Yarn。在容器平台上运行的业务高峰一般发生在白天或晚上的黄金时间，而批处理任务多数运行在深夜。这样就产生一个需求，如果能够统一调度这两个集群的物理资源，业务繁忙的白天将更多的资源用于容器平台，到了深夜就将资源更多地用于批处理任务，就能更有效的节约成本。但是这两个集群采用了两个不同的资源调度系统Mesos和Yarn，使共享资源成为一个课题。本篇介绍了通过Apache Myriad项目解决这一课题的研究。Mesos资源调度简介
图 1
图1是官方的一个例子。Mesos集群由提供资源的Agent、负责调度资源的Mesos master以及使用资源的Framework构成。
- Agent将自己的资源（CPU、内存等）报告给Mesos master。
- Mesosmaster根据策略将资源提供（offer）给Framework。
- Framework再根据自己的策略决定哪个task在哪台Agent执行。
- 通过Mesos master通知相应的Agent去执行。
这里可以看出Mesos是一个两级调度系统。Mesos本身只对Framework做资源调度，然后由各个Framework根据自己的策略针对task进行资源调度。
Yarn资源调度简介
图 2
图2是Yarn的资源调度架构图。与Mesos类似由提供资源的NodeManager、负责调度资源的ResourceManager、使用资源的Application（图中的AppMaster）构成。
- NodeManager将自己的资源（CPU、内存等）报告给ResourceManager。
- Client向ResourceManager提交作业（相当于一个Application）。
- ResourceManager为Application启动一个AppMaster。
- AppMaster为Application向ResourceManager请求资源。
- ResourceManager根据调度策略为Application分配资源，并通知相应的NodeManager去执行task。
Yarn也可以说是一个两级调度系统，但是AppMaster只能向ResourceManager请求资源（同时可以设定一些条件），最终哪个NodeManager执行哪个task则是由ResourceManager决定。相比Mesos的Framework自己决定执行task的Agent，AppMaster的调度权限比较低。
Apache Myriad：集成Mesos&Yarn
基本思路：把Yarn当作Mesos上的一个Framework来使用。
图 3
如图3所示，ResourceManager中的YarnScheduler被MyriadScheduler取代了。MyriadScheduler继承YarnScheduler并实现了MesosFramework Scheduler接口。这样ResourceManager就能够接受Mesos master提供（offer）的资源，并且还具有原来Yarn Scheduler一样的功能。另外Myriad还实现了管理NodeManager的Executor。整个过程是：
- Agent 1（黄色文本框中S1） 报告资源给Mesos master。
- Mesos master按照策略提供资源（这里是Agent1的一半）给ResourceManager。
- ResourceManager接受Mesosmaster提供的资源，要求Mesos master在Agent1上启动NodeManager1（黄色文本框中NM1）。
- Agent1启动NodeManager1。
- NodeManager 1将自己的资源（来源于之前Mesosmaster的offer）报告给ResourceManager。
于是在Mesos集群上建立了一个Yarn集群，其资源来源于Mesosmaster的offer，也就是说Yarn被置于Mesos的管理之下。为了方便Yarn集群动态扩、缩容，Myriad还提供了相应的WebUI和WebAPI。通过这个方案，实现了Yarn集群和Mesos集群共享物理资源。
实例
图 4
图 5
图 6
如图4所示，我们在Mesos上启动了一个叫做“MyriadAlpha”的Myriad Framework，并拥有1个task（“4.4CPU，5.4G内存”），如图5可以从Myriad的WebUI上看到该task，其实该task对应了一个NodeManager。如图6（ResourceManager的WebUI）显示了该NodeManager所在的物理机以及向ResourceManager报告的资源（“4VCore，4G内存”，※配置了1CPU=1VCore）。Mesos和ResourceManager上显示的资源差是NodeManager本身使用的资源。
接下来我们利用Myriad的WebUI（也提供了WebAPI）对Yarn集群进行扩容。
图 7
如图7所示我们将增加2个NodeManager，每个NodeManager向Yarn集群提供“2CPU，2G内存”。
图 8
如图8显示增加了2个Task（对应于NodeManager）。
图 9
如图9 ResourceManager WebUI显示已有2个NodeManager加入集群，提供的资源均为“2VCore，2GB内存”。
图 10
最后如图10 Mesos WebUI上显示了启动的Task（也就是NodeManager）数和已分配的资源。
总结
通过Apache Myriad，Mesos可以统一地管理整个数据中心的物理资源，然后由ResourceManager从中获得资源建立Yarn集群并进行扩、缩容。这样本来运行于Yarn上面的应用如MapReduce、Tez、Hive等就能不加改变的运行（还是由Yarn来调度），但是它们使用的物理资源来源于Mesos。另外随着Yarn的Docker Container Executor（DCE） 项目的完成，将实现整个集群的容器化。文中为了便于说明这个过程上面的例子是手动进行的，如果利用“Fine-grained Scaling”，Myriad可以根据执行作业需要的实际资源动态的对NodeManager进行扩、缩容（具体细节与上例有差别）。作者介绍 ：郑辉，现PPTV研发中心架构师，专注于大数据、云计算，目前主要研究PPTV大数据平台与容器平台融合的相关技术。之前是日本一家互联网公司的Hadoop技术负责人，同时也参与Apache社区HDFS、Hive项目的开发工作。
原文发布时间为：2016-10-01
本文作者：郑辉
本文来自云栖社区合作伙伴Dockerone.io，了解相关信息可以关注Dockerone.io。
原文标题：PPTV之大数据集群容器化研究
