开源大数据社区 & 阿里云 EMR 系列直播 第六期
主题：EMR spark on ACK 产品演示及最佳实际
讲师：石磊，阿里云 EMR 团队技术专家
内容框架：
• 云原生化挑战及阿里实际
• Spark 容器化计划
• 产品介绍和演示
直播回放：扫描文章底部二维码退出钉群观看回放，或进入链接 https://developer.aliyun.com/…
一、云原生化挑战及阿里实际
大数据技术发展趋势
云原生化面临挑战
计算与存储拆散
如何构建以对象存储为底座的 HCFS 文件系统
• 齐全兼容现有的 HDFS
• 性能对标 HDFS，老本升高
shuffle 存算拆散
如何解决 ACK 混合异构机型
• 异构机型没有本地盘
• 社区 [Spark-25299] 探讨，反对 Spark 动静资源，成为业界共识
缓存计划
如何无效反对跨机房、跨专线混合云
• 须要在容器内反对缓存零碎
ACK 调度
如何解决调度性能瓶颈
• 性能对标 Yarn
• 多级队列治理
其余
• 错峰调度
• Yarnon ACK 节点资源互相感知
阿里实际 – EMR on ACK
整体计划介绍
• 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
• 通过专线，云上云下混合调度
• ACK 治理异构机型集群，灵活性好
二、Spark 容器化计划
计划介绍
RSS Q&A
1、为什么须要 Remote Shuffle Service？
• RSS 使得 Spark 作业不须要 Executor Pod 挂载云盘。挂载云盘十分不利于扩展性和大规模的生产实践。
• 云盘的大小无奈事先确定，大了节约空间，小了 Shuffle 会失败。RSS 专门为存储计算拆散场景设计。
• Executor 将 shuffle 数据写入了 RSS 零碎，RSS 零碎来负责管理 shuffle 数据，Executor 闲暇后即能够回收。[SPARK-25299]
• 能够完满反对动静资源，防止数据歪斜的长尾工作拖住 Executor 资源不能开释。
2、RSS 性能如何，老本如何，扩展性如何？
• RSS 对于 shuffle 有很深的优化，专门为存储与计算拆散场景、K8s 弹性场景而设计。
• 针对 Shufflefetch 阶段，能够将 reduce 阶段的随机读变为程序读，大大晋升了作业的稳定性和性能。
• 能够间接利用原有 K8s 集群中的磁盘进行部署，不须要加多余的云盘来进行 shuffle。性价比十分高，部署形式灵便。
Spark Shuffle
• 产生 numMapper * numReducer 个 block
• 程序写、随机读
• 写时 Spill
• 单正本，丢数据需 stage 重算
EMR Remote Shuffle Service
• 追加写、程序读
• 无写时 Spill
• 两正本；正本复制到内存后即实现
• 正本之间通过内网备份，无需公网带宽
RSS TeraSort Benchmark
• 备注阐明：以 10T Terasort 为例，shuffle 量压缩后大概 5.6T。能够看出该量级的作业在 RSS 场景下，因为 shuffle read 变为程序读，性能会有大幅晋升。
Spark on ECI 成果
Summary
原文链接
本文为阿里云原创内容，未经容许不得转载。