是时候考虑让你的 Spark 跑在 K8s 上了

Spark 社区从 2.3 版本开始，已经可以很好的支持跑着 Kubernetes 上了。这对于统一资源池，提高整体资源利用率，降低运维成本（特别是技术栈归一）有着非常大的帮助。

这些趋势是一个大数据人不得不重视的信号，所以一起提前了解并考虑起来吧！

大数据邂逅云计算

相信玩 Spark 的你已经注意到最新的 Spark 版本已经支持不做任何修改就可以直接跑在 K8s 上了，即以 Kubernetes 容器集群作为 Cluster Manager 的实现。

其实早在 2017 年底 Spark 2.2 版本开始的时候，Spark 社区就开始合入用 K8s 管理 Spark 集群的能力，只是那时候功能上还没有很完善。加之彼时 Kubernetes 还没有像现在这么普及，被广泛地接受成为应用基础设施层。经过了 2 年了持续迭代，Spark on Kubernetes 已经成为帅气的小伙，大家可以围观起来了。

其实，大数据和云计算一直分属两个不同的领域。大数据主要关注怎么将数据集中起来，挖掘数据的价值；云计算主要关注怎么更高效地使用资源，提升资源的利用效率。当大数据发展到一定阶段的时候，它就会和云计算不期而遇。

现状并不美丽

在技术层面上，当前的大数据计算如 Hadoop 和 Spark 将计算和存储结合在一起的模式，是分布式架构构建的一种尝试。但是当社区修改 HDFS 以支持 Hadoop 3.0 的 ErasureCode（纠删码）时，即接受了：不 (Wu) 再 (Fa) 支持就近读取的策略。它就代表了一种新趋势。数据层面，为取代 HDFS，可以用大规模的基于云的对象存储，构建在 AWS S3 模型上。计算层面，要能够根据需要启动计算，也可以考虑使用类似 Kubernetes 的虚拟化技术，而不是绑定 YARN。

曾经，数据处理任务从远程物理机读取数据开销大。以数据为“中心”，将数据处理任务迁移到数据所在的物理机上，能有效降低网络带宽，保证了整体性能。这就是存算一体的大数据技术架构。经过十多年的发展，网络性能已经提升了 100 倍，内存容量也提升了数十倍。大数据处理的瓶颈逐渐从网络转移到 CPU 上，上述存算一体架构的缺点也逐渐突显出来。

1. 不同场景需要的存储空间和算力配比是不一样的。实际使用中要么计算资源达到瓶颈，要么是存储容量不足，只能对集群进行刚性扩容，造成集群资源浪费。

2. 不同时期需要的算力是不固定的，存在波峰和波谷。物理机中存储数据造成无法大规模关闭闲置节点，造成算力闲置和能源浪费。

3. 不同业务对运行环境需求不一样。Spark 应用需要绑定 Spark 集群运行。Web 类型需要实例快速水平扩展。所以通过统一平台来混合部署提升资源利用率的需求强烈。

容器技术的出现，给了 IT 行业统一运行环境一线希望。它以自己的 build once，run every where 的旗帜挥舞到各个 IT 行业。可以说如果还不考虑使用容器技术，你的基础平台的灵活性是绝对不够的。

统一的 ABC 平台

当前大数据的实现代表了构建分布式系统的一种方法：计算和存储以及基础架构结合在一起。但是这条路是否畅通也不好说，毕竟近期有好多文章在说大数据已死。不过话说回来，大数据的数据量是越来越大，大数据的业务需求也只增不减，只是在实现大数据需求的途径上，方向发生了些偏移。所以并不是大数据本身已死，而是原来的大数据框架底层设施有了新的方向，云原生大数据已经崭露头角。

所谓的 ABC 就是指 AI + Bigdata + Cloud，一般由于业务部门的划分，或者历史遗留，各厂家做法普遍都是不同的研发部门维护不同的资源池。这就带来了计算、存储资源不均衡，资源调度最佳利用率和基础设施能力共享的问题。特别的基础设施技术不需要维护多套，降低研发人力成本。

如果想提高整体资源利用率，那就得有统一 infrastructure 平台。而且，不同业务类型对资源述求不一样，比如 AI 以 GPU 为主，Web 业务以 CPU 为主等。所以要求基础设施平台，必须能够支持多种计算资源，统一调度能力。并且业务也得有统一的运行环境的标准，保证开发 & 生产的运行一致性。

很明显，以 Docker+Kubernetes 技术打造云原生计算平台具备这样的气质。特别是，以 Docker 的普适性，真的在各领域势如破竹。中国联通数据中心总经理王志军在 2019 年 6 月分享的《中国联通容器化大数据平台的探索与实践》中，提到各省公司的 AI 训练，大数据，容器化应用都统一在以 Kubernetes+Docker 为底座的统一平台上，目前拥有节点 437 个，大量任务同时跑在该平台上。也是这一趋势的实践。

Kubernetes as Infrastructure

大数据领域，计算资源会越来越多容器化。以前容器化主要是被 DevOps 和微服务所使用，最近随着大数据应用的依赖越来越复杂，需要用容器化做更好的依赖管理和资源隔离。容器的一次构建，随处可运行的特点，非常契合应用运行环境的一致性述求。

大规模容器集群管理，Kubernetes 已经是无可争议的事实标准。作为 Mesos 商业化的重要推手，Mesosphere 在 2019 年 8 月宣布正式更名为 D2IQ，关注点也随即转向 Kubernetes 及云原生领域。VMware 则在 VMworld 2019 宣布推出新的产品和服务品牌 VMware Tanza，全面拥抱 K8s。各个领域也是遍地开花，基因数据分析，高性能计算 HPC，AI 机器学习，传统互联网纷纷拥抱容器技术，无不选择 K8s 作为容器计算平台。践行了 Docker 诞生时的理念，不仅仅是 build once，并且 run every where。

现在已经到处都是容器，该轮到大数据了！幸运的是 Spark 社区已经上车了，那么你呢？Spakr on K8s 可以有。

Volcano 增强型 K8s 资源调度器

K8s 自带的的资源调度器，有一个明显的特点是，依次调度每个容器。但是 AI 训练、大数据计算这样必须多个容器同时配合执行的情况下，依次调度是无法满足需要的。因为这些计算任务包含的容器们想要的是，要么同时都成功，要么就都别执行。

比如，某个大数据应用需要跑 1 个 Driver 容器 +10 个 Executor 容器。如果容器是一个一个的调度，假设在启动最后一个 executor 容器时，由于资源不足而调度失败无法启动。那么前面的 9 个 executor 容器虽然运行着，其实也是浪费的。AI 训练也是一样的道理，必须所有的 Worker 都同时运行，才能进行训练，坏一个，其他的容器就等于白跑。要知道 GPU 被容器霸占着却不能开始计算，成本是非常高的。

所以当你的（1）总体资源需求 < 集群资源时，普通的 K8s 自带调度器可以跑，没问题。但是当（2）总体资源需求 > 集群资源时，K8s 自带调度器会因为随机依次调度容器，使得部分容器无法调度，从而导致业务占着资源又不能开始计算，死锁着浪费资源。

那么场景（1）和场景（2）谁说常态呢？不用想，肯定是（2）了，谁能大方到一直让集群空着呢？此时就必须需要增强型的 K8s 资源调度器 Volcano 了。

Volcano 首先要解决的问题就是 Gang Scheduling 的问题，即一组容器要么都成功，要么都别调度，解决了资源死锁的问题，可以很好的提高资源利用率。除此之外，它还提供了多种调度算法，例如 priority 优先级，DRF（dominant resource fairness）， binpack，task-topology 亲和，GPU 感知，batchwisepack 等。

多种调度算法插件，根据权重条件，就可以很好的满足各种复杂场景需求。真正做到统一资源平台，最佳资源利用率。

结语

统一的资源池，统一的计算平台，统一的基础设施技术栈，让资源利用和人力成本都达到最优，可以聚焦到业务创新方向。那么所有的技术都已经 ready，是时候让你的 Spark 跑在 K8s 上了！

原文： https://www.infoq.cn/article/XNrBh14ZXHexAggCMJrm