关于阿里云:基于-Kubernetes-的企业级大数据平台EMR-on-ACK-技术初探

作者：容器服务团队

云上大数据的 Kubernetes 技术路线

以后，大数据与机器学习畛域颇为关注存储与计算拆散架构，逐步向云原生演进。以 Spark 为例，云下或自有服务器能够抉择 Hadoop 调度反对 Spark，云上的 Spark 则会思考如何充沛享有公共云的弹性资源、运维管控和存储服务等，并且业界也涌现了不少 Spark on Kubernetes 的优良实际。

大数据云原生化面临的挑战

存储和计算拆散的架构，同时又带来挑战，例如：怎么构建以阿里云对象存储 OSS 为底座的 HDFS 文件系统？须要齐全兼容现有的 HDFS，还要实现在性能对标 HDFS 的同时降低成本；计算引擎 shuffle 数据存算拆散，又要思考如何解决 ACK 混合异构机型的反对问题，以及业界十分关注如何反对 Spark 动静资源。

引入 Kubernetes 之后，如何调度优化性能瓶颈？性能对标 Yarn、实现多级队列治理。还有，如何借助 K8s，编排组织各种业务的波峰波谷，实现错峰调度？等等。

通过阿里云容器服务 ACK 运行开源大数据工作，将以集群为核心的视角切换成以作业为核心视角，还能够实现在线业务、AI、大数据对立接入 ACK 集群，错峰调度，离线在线混部，晋升机器利用率。并且，实现了运维入口、运维工具链、监控体系的三重对立。此外，还反对多版本，如同时运行 Spark2.x 和 Spark 3.x 工作。

EMR on ACK 的架构与劣势

12 月，阿里云 EMR 2.0 正式公布，从平台体验、数据开发、资源状态、剖析场景等方面实现全面翻新。其中在资源状态侧，EMR 能够部署在阿里云容器服务 ACK 平台，缩小对底层集群资源的运维投入，以便于用户更加专一大数据工作自身。

EMR on ACK 为用户提供了全新的构建大数据平台的形式，用户能够将开源大数据服务部署在阿里云容器服务（ACK）上。利用 ACK 在服务部署和对高性能可伸缩的容器利用治理的能力劣势，用户只须要专一在大数据作业自身。用户能够便捷地将 Spark、Presto、Flink 作业执行在 ACK 集群上，100% 兼容开源，性能优于开源。

EMR on ACK 架构如下

• 轻量化管控，对接已有数据平台
• 通过数据开发集群 / 调度平台提交到不同的执行平台
• 错峰调度，依据业务顶峰低峰策略调整
• 云原生数据湖架构，ACK 弹性扩缩容能力强
• ACK 治理异构机型集群，灵活性好

EMR on ACK 具备以下劣势

• Remote Shuffle Service 提供两头 shuffle 数据的存储计算拆散计划
• • 能够使计算节点无需本地盘和云盘
  • 反对关上 Spark 动静资源性能，Spark-25299
    终极计划
• JindoFS 针对 OSS 存储提供湖减速解决方案
• • Block 模式 1TB TPCDS 场景下有 15% 以上的性能晋升
• 调度层面反对 Scheduler Framework V2
• • 调度性能比社区晋升 3x 以上
  • 提供多级队列治理
• 引擎能力加强
• • 10TB TPCDS Benchmark 场景下，EMR Spark
    比社区有 3x 性能晋升
  • Hudi、DeltaLake 比社区性能性能加强
• 残缺的错峰调度计划

国内出名广告营销服务商汇量科技已应用 EMR 产品 4 年。在业务快速增长的大好形势下，汇量科技面临越来越多的困扰：如数据起源简单、数据量大、数据维度多、实时经营业务秒级数据新鲜度需要等业务需要；本次降级后，汇量科技在素材平台、热力引擎等业务的大数据平台搭建上，数据同步和及查问效率有数倍晋升，零碎稳定性显著晋升，未再呈现之前 cpu、mem、io 负载低等状况。

EMR on ACK：

https://help.aliyun.com/docum…

点击此处移步阿里云 EMR 2.0 发布会，理解更多