背景
随着k8s快来越火热,以及自动部署,自动伸缩等优点,我们今天来探讨一下,基于k8s的backend的调度怎么来实现
组件图
组件说明
整个数据流就是消费者-生产者模型
特别说明
对于podsWatchSnapshotSource的实现,我们是基于k8s watch机制实现的,但是存在一个问题:
假如某一时刻,podsWatchSnapshotSource发生了故障导致了该组件发生了重启,那么问题来了,重启这段时间就会丢失event,
这里我们采用k8s的resourceVersion机制,如果我们定时存储resourceVersion,且在重启的时候读取,就能做到断点续传的作用
注意一点的是:该resourceVersion在 Kubernetes 服务器的保留是有限制的。使用etcd2的旧集群最多可保留1000次更改。
默认情况下,使用etcd3的较新集群会在最近5分钟内保留更改,如果超过了该resourceVersion超过了服务器的resourceVersion的值
则会报错
数据流程图
流程说明
backend通过被调用reviveOffer获取能获取到的backend资源.
获取到资源后,通过kubernetesClient向k8s提交任务
减少对应向k8s 提交任务的资源量
更新backend内部的对应job状态为Running状态,如果该存在job状态为Runnnig状态,则更新对应的job状态为updated状态
podsWatchSnapshotSource 监控刚才提交的任务,获取任务更新的状态,存储到podSnapshotStore中,以便后续任务的处理
podsPollingSnapshotSource 定时拉取应用提交的所有任务,存储到podSnapshotStore中,以便进行final任务的清理
podSnapshotStore 对任务状态更新为内部状态,并对订阅此podSnapshotStore的snapshot进行函数回调
taskPodsLifecycleManager 订阅了上述的snapshot,对该snapshot进行处理:
1.如果任务状态为podFailed或者PodSucceeded时,更新backend job的内猪状态,如果存在对应的Running的job,调用k8s api删除该pod,以及删除该pod所占用的资源(cpus,mem等),如果存在对应updated的job状态,则把updated的状态更新为Running状态,防止外界任务的更新,导致任务的资源量更新不一致
2.调用kubernetesTaskSchedulerBackend的statusUpdate方法进行任务的更新进行处理
UML类继承图
和spark on k8s的区别
因为公司有自己的调度平台,所以主要从调度的粒度来进行对比:
spark on k8s调度的是executor级别的,是粗粒度调度
k8s backend 调度的是job级别,每个job一个pod container,属于细粒度的精准调度