PPTV大数据集群容器化研究

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。

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。

1. Agent将自己的资源（CPU、内存等）报告给Mesos master。

2. Mesosmaster根据策略将资源提供（offer）给Framework。

3. Framework再根据自己的策略决定哪个task在哪台Agent执行。

4. 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。

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。

1. NodeManager将自己的资源（CPU、内存等）报告给ResourceManager。

2. Client向ResourceManager提交作业（相当于一个Application）。

3. ResourceManager为Application启动一个AppMaster。

4. AppMaster为Application向ResourceManager请求资源。

5. 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。

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：

1. Agent 1（黄色文本框中S1） 报告资源给Mesos master。

2. Mesos master按照策略提供资源（这里是Agent1的一半）给ResourceManager。

3. 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）。

4. Agent1启动NodeManager1。

5. 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。

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”。