是时候考虑让 Spark 运行在 K8s 上了

对 Spark 比较关注的开发者应该已经注意到最新的 Spark 版本支持不做任何修改直接跑在 K8s 上的消息了，即以 Kubernetes 容器集群作为 Cluster Manager 实现。早在 2017 年底，Spark 2.2 版本开始时，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。另外，那个时候的 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 2 年持续迭代，Spark on Kubernetes 已经走向成熟。

其实，大数据和云计算一直分属两个不同的领域，大数据主要关注如何将数据集中起来，挖掘价值。云计算主要关注如何更加高效地使用资源，提升资源利用效率。当大数据发展到一定阶段，就会和云计算不期而遇。

现状并不美丽

在技术层面，当前的大数据计算，比如 Hadoop 和 Spark 将计算和存储结合在一起的模式，是分布式架构的一种尝试。但是当社区修改 HDFS 以支持 Hadoop 3.0 的 ErasureCode（纠删码）时，即接受：不再(支持就近读取的策略，这就代表了一种新趋势。在数据层面，为取代 HDFS，可以用大规模基于云的对象存储，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，或者历史遗留问题，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，现在 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。真的是践行了 Docker 诞生时的理念，不仅仅是 build once，而且真的是 run every where。现在已经到处都是容器了，该轮到大数据了，幸运的是 Spark 社区已经上车了，那么你呢？ Spark on K8s 可以有。

Volcano: 高性能容器批量计算平台

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。但是当 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。

所以当总体资源需求小于集群资源时，普通的 K8s 自带调度器可以跑，没问题。但是当总体资源需求大于集群资源时，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，上述两个场景，哪个更加常态呢？不用想，肯定是后者，谁能大方到一直让集群空着，这个时候就需要增强型的 K8s 资源调度器 Volcano。

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。这个是最基本的用来解决资源死锁的问题，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。

目前，Volcano 项目已在 github 开源，欢迎大家参与到项目中来，项目地址：https://github.com/volcano-sh/volcano

结束语

统一的资源池，统一的计算平台，统一的基础设施技术栈，这样资源利用和人力成本都是最优的，可以聚焦到业务创新方向。那么所有的技术都已经准备好了，是时候让 Spark 跑在 K8s 上了。