Yarn on Docker集群方案
数据中心中的应用一般独立部署,为了保证环境隔离与方便管理,保证应用最大资源 数据中心中普遍存在如下问题:
- 主机资源利用率低
- 部署和扩展复杂
- 资源隔离无法动态调整
- 无法快速响应业务
方案选型
Yarn on Docker有哪些特点?
彻底隔离队列
- 为了合理利用Hadoop yarn的资源,队列间会互相抢占计算资源,造成重要任务阻塞
- 根据部门申请的机器数量划分Yarn集群方便财务管理
- 更细粒度的资源分配
统一的资源分配
- 每个NodeManager和容器都可以限定CPU、内存资源
- Yarn资源划分精确到CPU核数和内存大小
弹性伸缩性服务
- 每个容器中运行一个NodeManager,增减yarn资源只需增减容器个数
- 可以指定每个NodeManager拥有的计算资源多少,按需申请资源
Docker集群管理系统:Kubernetes or Swarm?
关于容器集群管理系统的选型,用Kubernetes还是Swarm?我们结合自己的经验和业务需求,对比如下:
特性 |
Kubernetes |
Swarm |
功能 |
功能强大 |
功能单一,基本够用 |
扩展 |
难以扩展,灵活性低 |
丰富的插件机制,兼容docker api |
文档 |
文档少,当时用的版本较低 |
docker官方文档支持,丰富易读 |
使用 |
结构复杂,部署麻烦 |
简单易用 |
基于以上四点,我们最终选择了Swarm,它基本满足我们的需求,掌握和开发时常较短。
解决方案的优势
选用Yarn on Docker的好处有以下两点:
Swarm统一集群资源调度
- 统一资源
- 增加Docker虚拟化层,降低运维成本
增加Hadoop集群资源利用率
- For datacenter:避免了静态资源隔离
- For cluster:加强集群内部资源隔离
系统架构
比如数据中心中运行的Hadoop集群,我们将HDFS依然运行在物理机上,即DataNode依然部署在实体机器上,将Yarn计算层运行在Docker容器中,整个系统使用二层资源调度,Spark、Flinek、MapReduce等应用运行在Yarn上。
Swarm调度最底层的主机硬件资源,CPU和内存封装为Docker容器,容器中运行NodeManager,提供给Yarn集群,一个Swarm集群中可以运行多个Yarn集群,形成圈地式的Yarn计算集群。
具体流程
- swarm node向swarm master注册主机资源并加入到swarm cluster中
- swarm master向cluster申请资源请求启动容器
- swarm根据调度策略选择在某个node上启动docker container
- swarm node的docker deamon根据容器启动参数启动相应资源大小的NodeManager
- NodeManager自动向YARN的ResourceManager注册资源一个NodeManager资源添加完成。
Swarm为数据中心做容器即主机资源调度,每个swarm node的节点结构如图:
一个Swarm node就是一台物理机,每台主机上可以起多个同类型的docker container,每个container的资源都有限制包括CPU、内存NodeManager容器只需要考虑本身进程占用的资源和需要给主机预留资源。假如主机是24核64G,我们可以分给一个容器5核12G,NodeManager占用4核10G的资源提供给Yarn。
技术详解
(一)镜像制作与发布
镜像制作和发布流程如下图:
用户从客户端提交代码到Gitlab中,需要包含Dockerfile文件,通过集成了docker插件的Jenkins的自动编译发布机制,自动build镜像后push到docker镜像仓库中,同一个项目每提交一次代码都会重新build一次镜像,生成不同的tag来标识镜像,Swarm集群使用该镜像仓库就可以直接拉取镜像。
Dockerfile的编写技巧
Dockerfile相当于docker镜像的编译打包流程说明,其中也不乏一些技巧。
很多应用需要配置文件,如果想为每次启动容器的时候使用不同的配置参数,可以通过传递环境变量的方式来修改配置文件,前提是需要写一个bash脚本,脚本中来处理配置文件,再将这个脚本作为entrypoint入口,每当容器启动时就会执行这个脚本从而替换配置文件中的参数,也可以通过CMD传递参数给该脚本。
启动容器的时候通过传递环境变量的方式修改配置文件:
docker run -d --net=mynet -e NAMESERVICE=nameservice -e ACTIVE_NAMENODE_ID=namenode29 \ -e STANDBY_NAMENODE_ID=namenode63 \ -e HA_ZOOKEEPER_QUORUM=zk1:2181,zk2:2181,zk3:2181 \ -e YARN_ZK_DIR=rmstore \ -e YARN_CLUSTER_ID=yarnRM \ -e YARN_RM1_IP=rm1 \ -e YARN_RM2_IP=rm2 \ -e CPU_CORE_NUM=5 -e NODEMANAGER_MEMORY_MB=12288 \ -e YARN_JOBHISTORY_IP=jobhistory \ -e ACTIVE_NAMENODE_IP=active-namenode \ -e STANDBY_NAMENODE_IP=standby-namenode \ -e HA=yes \ docker-registry/library/hadoop-yarn:v0.1 resourcemanager
最后传递resourcemanager或者nodemanager参数指定启动相应的服务。
(二)集群管理
我们自行开发程序调用docker的API来管理集群,也可以通过其他开源可视化页面来管理集群,比如shipyard。
(三)自定义网络
Docker容器跨主机互访一直是一个问题,Docker官方为了避免网络上带来的诸多麻烦,故将跨主机网络开了比较大的口子,而由用户自己去实现。我们开发并开源了Shrike这个docker网络插件,大家可以在这里下载到:https://github.com/talkingdata/shrike
目前Docker跨主机的网络实现方案也有很多种, 主要包括端口映射,ovs, fannel等。但是这些方案都无法满足我们的需求,端口映射服务内的内网IP会映射成外网的IP,这样会给开发带来困惑,因为他们往往在跨网络交互时是不需要内网IP的,而ovs与fannel则是在基础网络协议上又包装了一层自定义协议,这样当网络流量大时,却又无端的增加了网络负载,最后我们采取了自主研发扁平化网络插件,也就是说让所有的容器统统在大二层上互通。架构如下:
我们首先需要创建一个br0自定义网桥,这个网桥并不是通过系统命令手动建立的原始Linux网桥,而是通过Docker的cerate network命令来建立的自定义网桥,这样避免了一个很重要的问题就是我们可以通过设置DefaultGatewayIPv4参数来设置容器的默认路由,这个解决了原始Linux自建网桥不能解决的问题. 用Docker创建网络时我们可以通过设置subnet参数来设置子网IP范围,默认我们可以把整个网段给这个子网,后面可以用ipam driver(地址管理插件)来进行控制。还有一个参数gateway是用来设置br0自定义网桥地址的,其实也就是你这台宿主机的地址。
docker network create --opt=com.docker.network.bridge.enable_icc=true --opt=com.docker.network.bridge.enable_ip_masquerade=false --opt=com.docker.network.bridge.host_binding_ipv4=0.0.0.0 --opt=com.docker.network.bridge.name=br0 --opt=com.docker.network.driver.mtu=1500 --ipam-driver=talkingdata --subnet=容器IP的子网范围 --gateway=br0网桥使用的IP,也就是宿主机的地址 --aux-address=DefaultGatewayIPv4=容器使用的网关地址 mynet
IPAM驱动是专门管理Docker 容器IP的, Docker 每次启停与删除容器都会调用这个驱动提供的IP管理接口,然后IP接口会对存储IP地址的Etcd有一个增删改查的操作。此插件运行时会起一个Unix Socket, 然后会在docker/run/plugins 目录下生成一个.sock文件,Docker daemon之后会和这个sock 文件进行沟通去调用我们之前实现好的几个接口进行IP管理,以此来达到IP管理的目的,防止IP冲突。
通过Docker命令去创建一个自定义的网络起名为“mynet”,同时会产生一个网桥br0,之后通过更改网络配置文件(在/etc/sysconfig/network-scripts/下ifcfg-br0、ifcfg-默认网络接口名)将默认网络接口桥接到br0上,重启网络后,桥接网络就会生效。Docker默认在每次启动容器时都会将容器内的默认网卡桥接到br0上,而且宿主机的物理网卡也同样桥接到了br0上了。其实桥接的原理就好像是一台交换机,Docker 容器和宿主机物理网络接口都是服务器,通过veth pair这个网络设备像一根网线插到交换机上。至此,所有的容器网络已经在同一个网络上可以通信了,每一个Docker容器就好比是一台独立的虚拟机,拥有和宿主机同一网段的IP,可以实现跨主机访问了。
(四)集群监控
如果使用shipyard管理集群会有一个单独的监控页面,可以看到一定时间段内的CPU、内存、IO、网络使用状况。
我们自己开发了基于大数据的监控系统Owl也即将支持docker容器的监控。https://github.com/TalkingData/OWL-v3
性能瓶颈与优化
大家可能会担心自定义网络的性能问题,为此我们用iperf进行了网络性能测试。我们对比了不同主机容器间的网速,同一主机上的不同容器和不同主机间的网速,结果如下表:
从表中我们可以看到,在这一组测试中,容器间的网速与容器是在想通主机还是在不同主机上的差别不大,说明我们的网络插件性能还是很优异的。
Hadoop配置优化
因为使用docker将原来一台机器一个nodemanager给细化为了多个,会造成nodemanager个数的成倍增加,因此hadoop的一些配置需要相应优化。
- yarn.nodemanager.localizer.fetch.thread-count 随着容器数量增加,需要相应调整该参数
- yarn.resourcemanager.amliveliness-monitor.interval-ms默认1秒,改为10秒,否则时间太短可能导致有些节点无法注册
- yarn.resourcemanager.resource-tracker.client.thread-count默认50,改为100,随着容器数量增加,需要相应调整该参数
- yarn.nodemanager.pmem-check-enabled默认true,改为false,不检查任务正在使用的物理内存量
- 容器中hadoop ulimit值修改,默认4096,改成655350
关于未来
我们未来规划做的是DC/OS,基于Docker的应用自动打包编译分发系统,让开发人员可以很便捷的申请资源,上下线服务,管理应用。要达到这个目标还有很多事情要做:
- Service Control Panel:统一的根据服务来管理的web页面
- Load balance:容器根据机器负载情况自动迁移
- Scheduler:swarm调度策略优化
- 服务配置文件:提供镜像启动参数的配置文件,所有启动参数可通过文件配置
- 监控:服务级别的监控
(点击放大图像)
作者简介
宋净超,TalkingData 大数据及云计算工程师。拥有多年的 Hadoop 大数据集群部署、管理、优化和实战经验,对 Hadoop 和 Docker 的结合落地进行了丰富的探索,主导了 TalkingData 的 Yarn on Docker的改造和微服务落地,关注大数据开源软件及微服务的前沿发展。