簡介：?近日，在國際體系架構(gòu)頂會(huì)USENIX ATC2021上，阿里云飛天伏羲團(tuán)隊(duì)與香港中文大學(xué)合作的一篇論文《Scaling Large Production Clusters with Partitioned Synchronization》不僅成功被大會(huì)錄取，而且被大會(huì)專家組評定為三篇最佳論文之一（Best Paper Award）。

作者 | 馮亦揮、劉智、趙蘊(yùn)健、金曉月、吳一迪、張楊、鄭尚策、李超、關(guān)濤
來源 | 阿里技術(shù)公眾號(hào)

引言

近日，在國際體系架構(gòu)頂會(huì)USENIX ATC2021上，阿里云飛天伏羲團(tuán)隊(duì)與香港中文大學(xué)合作的一篇論文《Scaling Large Production Clusters with Partitioned Synchronization》不僅成功被大會(huì)錄取，而且被大會(huì)專家組評定為三篇最佳論文之一（Best Paper Award）。

ATC在計(jì)算機(jī)系統(tǒng)領(lǐng)域極具影響力。自1992年至今，ATC已成功舉辦31屆，吸引了普林斯頓、斯坦福、加州大學(xué)伯克利分校、康奈爾、中國清華大學(xué)、北京大學(xué)等頂級(jí)名校，以及微軟、英特爾、三星等科技巨頭發(fā)布研究成果。ATC 對論文要求極高，必須滿足基礎(chǔ)性貢獻(xiàn)、前瞻性影響和堅(jiān)實(shí)系統(tǒng)實(shí)現(xiàn)的要求，2021 USENIX組委會(huì)錄用64篇（錄取率為18%），全球僅選取3篇最佳論文（其他兩篇來自Stanford University和Columbia University）。這也是ATC最佳論文首次出現(xiàn)中國公司的身影。

本次大會(huì)上，我們詳細(xì)介紹了Fuxi 2.0項(xiàng)目的最新成果，超大規(guī)模分布式集群去中心化的調(diào)度架構(gòu)，首次向外界披露了阿里云在超大規(guī)模集群調(diào)度上的實(shí)現(xiàn)細(xì)節(jié)，也是飛天操作系統(tǒng)核心能力的又一次成功展現(xiàn)。

一 論文背景

AI/大數(shù)據(jù)計(jì)算場景，隨著計(jì)算需求的快速增長，云計(jì)算集群突破單集群萬臺(tái)規(guī)模（一個(gè)集群可能有10萬臺(tái)機(jī)器，每天執(zhí)行數(shù)十億個(gè)任務(wù)，特別是短時(shí)任務(wù)），以實(shí)現(xiàn)高利用率低成本的附加值，具有重要意義。資源調(diào)度器作為大型生產(chǎn)集群的核心組件，它負(fù)責(zé)將集群內(nèi)的多維度資源請求與機(jī)器資源進(jìn)行高效匹配，而集群規(guī)模的增長，意味著有更高的并發(fā)請求，產(chǎn)生”乘積“效應(yīng)，使調(diào)度復(fù)雜度急劇增加。因此，如何實(shí)現(xiàn)集群規(guī)模的可擴(kuò)展，在保持良好的調(diào)度效果的同時(shí)，做到高并發(fā)、低延時(shí)，是業(yè)內(nèi)公認(rèn)的非常艱巨的任務(wù)。傳統(tǒng)的中心調(diào)度器，受限于單點(diǎn)調(diào)度能力，大多數(shù)無法處理生產(chǎn)級(jí)別的規(guī)模，也無法保證穩(wěn)定性和健壯性，做到升級(jí)過程對用戶透明。

二 現(xiàn)狀分析

1 作業(yè)負(fù)載

在阿里巴巴，單個(gè)計(jì)算集群每天運(yùn)行著數(shù)百萬的作業(yè)。圖1a（實(shí)心曲線）繪制了一個(gè)集群某個(gè)月份內(nèi)每天隨機(jī)處理的作業(yè)數(shù)，334萬至436萬，而一個(gè)作業(yè)由許多任務(wù)組成，圖1a（虛線）顯示每天的任務(wù)數(shù)量大概為從31億到44億。其中大部分任務(wù)都是短時(shí)任務(wù)，如圖1b所示，87%的任務(wù)在10秒內(nèi)完成。大規(guī)模集群的調(diào)度負(fù)載還是非常大的。

2 調(diào)度架構(gòu)升級(jí)的必要性

在Fuxi1.0，調(diào)度器遵循典型的master-worker架構(gòu)，FuxiMaster負(fù)責(zé)管理并調(diào)度集群中的所有資源，同時(shí)每臺(tái)機(jī)器上有一個(gè)agent，Tubo，定期通過心跳消息向FuxiMaster同步狀態(tài)。用戶提交的每個(gè)作業(yè)都有其所在的quota組的信息，quota組能使用資源的最大最小值由SRE設(shè)置。我們的quota機(jī)制既能在集群高負(fù)載時(shí)保證各個(gè)quota組之間的公平性，也能在集群相對較閑時(shí)，削峰填谷，讓集群資源被充分使用。

近年來，計(jì)算集群的規(guī)模在顯著地增長，在可預(yù)見的將來，集群規(guī)模很可能突破十萬臺(tái)。面對超大規(guī)模集群，一種方法是將集群靜態(tài)切分為幾個(gè)小集群，但該方法有著明顯的局限性。首先，一些超大規(guī)模作業(yè)的資源需求可能就超過上述單個(gè)集群的規(guī)模；其次，集群的切分也會(huì)帶來資源碎片問題，局部視圖無法保證全局調(diào)度結(jié)果的最優(yōu)；最后是其他非技術(shù)的因素，比如project之間存在依賴關(guān)系，同一業(yè)務(wù)部門的不同project需要互相訪問數(shù)據(jù)，將它們部署在同一個(gè)集群（而不是拆分成一個(gè)個(gè)小集群）會(huì)大大降低運(yùn)維和管理的代價(jià)。

但單master架構(gòu)無法處理十萬級(jí)別的集群規(guī)模，主要有兩方面原因：1）隨著集群規(guī)模的擴(kuò)大，受限于單調(diào)度器處理能力的上限，master和worker之間的心跳延時(shí)會(huì)增加，調(diào)度信息不能及時(shí)下發(fā)，導(dǎo)致集群利用率下降；2）規(guī)模的提升意味著更高的任務(wù)并發(fā)度，使調(diào)度復(fù)雜度急劇增加，最終超過單調(diào)度器的處理能力。

3 調(diào)度的目標(biāo)和挑戰(zhàn)

除了規(guī)模可擴(kuò)展性上的挑戰(zhàn)，調(diào)度器還應(yīng)在以下多個(gè)調(diào)度目標(biāo)間進(jìn)行權(quán)衡，我們關(guān)注的目標(biāo)主要包括：

• 調(diào)度效率（或者延時(shí)），即一個(gè)任務(wù)需要在資源上等待多長時(shí)間，一個(gè)好的調(diào)度器應(yīng)該讓資源快速流轉(zhuǎn)。
• 調(diào)度質(zhì)量，資源的約束是否都被滿足，比如data locality，更大體積的內(nèi)存，更快的CPU型號(hào)等。
• 公平性和優(yōu)先級(jí)，在多租戶共享的生產(chǎn)環(huán)境，需要保證租戶間資源使用的公平性，同時(shí)提供高優(yōu)先級(jí)作業(yè)的保障機(jī)制。
• 資源利用率，一個(gè)極其重要的目標(biāo)，集群利用率低會(huì)面臨很多挑戰(zhàn)，尤其是財(cái)務(wù)上的挑戰(zhàn)。

但上述幾個(gè)目標(biāo)之間通常是互相沖突的，比如，更好的調(diào)度效果往往意味更長的調(diào)度延時(shí)，絕對的公平性有時(shí)會(huì)導(dǎo)致資源未能被充分使用，從而導(dǎo)致集群利用率下降。

經(jīng)過十幾年的積累，伏羲的資源調(diào)度器通過各種策略在上述幾大目標(biāo)間實(shí)現(xiàn)了很好的權(quán)衡，但考慮資源調(diào)度周邊還有其他兄弟團(tuán)隊(duì)開發(fā)的應(yīng)用組件，我們在設(shè)計(jì)新的調(diào)度器時(shí)，也應(yīng)該做到盡量少改動(dòng)，以保持系統(tǒng)的健壯性和向前兼容性。調(diào)度器架構(gòu)調(diào)整引入的系統(tǒng)升級(jí)應(yīng)該對用戶是透明的，不管是內(nèi)部用戶還是外部用戶。

三 理論概述

針對調(diào)度器的規(guī)模可擴(kuò)展問題，我們對業(yè)內(nèi)現(xiàn)有的調(diào)度模型做了廣泛的調(diào)研（詳見論文），并選取了其中一個(gè)最適合我們場景的方案（Omega）進(jìn)行進(jìn)一步的分析。以O(shè)mega為代表的shared-state的多調(diào)度器架構(gòu)能滿足我們之前說的那兩個(gè)約束條件，向后兼容和對用戶透明。但是share-state方案不可避免的會(huì)帶來調(diào)度沖突，我們希望能清楚如下幾個(gè)問題：

有哪些因素會(huì)影響沖突，它們各自的權(quán)重是多少？

調(diào)度延遲會(huì)惡化到什么程度？

如何才能夠避免或減緩沖突？

我們首先對沖突進(jìn)行建模，得出沖突(Conflict)的期望為(推導(dǎo)過程詳見論文)：

在上述公式中，Yi是多調(diào)度器在某個(gè)slot上沖突的期望， N是調(diào)度器的數(shù)量，K是單個(gè)調(diào)度器的處理能力，S是機(jī)器可調(diào)度的槽位數(shù)。可見，如果想減少?zèng)_突的概率，可以通過增加S或者N來實(shí)現(xiàn)。增加S是一種很符合直覺的方式，通過額外的資源供給來降低沖突概率。增加N的方式有些反直覺，因?yàn)檎{(diào)度器越多，越容易增加沖突，然而雖然在一輪調(diào)度過程中沖突變多了，但每個(gè)調(diào)度器一開始分到的task調(diào)度壓力也等比例地減小了，所以就有了更多的時(shí)間來解決沖突，最終反而起到了降低沖突概率的效果。總結(jié)起來，增加N是在整體壓力不變的情況下，通過降低每個(gè)調(diào)度器的調(diào)度壓力來實(shí)現(xiàn)沖突的減少的。

此外我們也通過公式證明了，在調(diào)度器數(shù)量>1的情況下，無法徹底消除沖突。

下面的實(shí)驗(yàn)反映了不同的沖突因素對沖突的影響：

• 圖a考量的是任務(wù)壓力變化對沖突產(chǎn)生的影響。R表示調(diào)度器收到的task速率，可以看到在調(diào)度器數(shù)量相同的情況下，隨著R的增大，為了保持沖突數(shù)量不發(fā)生明顯的變化，需要額外補(bǔ)充的slot數(shù)目就越多；反過來，在R不變的情況下，隨著調(diào)度器數(shù)量的增加，每個(gè)調(diào)度器承受的調(diào)度壓力下降，需要額外補(bǔ)充的slot數(shù)目就越少。
• 圖b反映的是資源視圖同步頻率變化對沖突的影響。G表示同步的延遲，可以看到在調(diào)度器數(shù)量相同的情況下，隨著G的增大，為了保持沖突數(shù)量不發(fā)生明顯的變化，需要額外補(bǔ)充的slot數(shù)目就越多；反過來，在G不變的情況下，隨著調(diào)度器數(shù)量的增加，每個(gè)調(diào)度器承受的調(diào)度壓力下降，需要額外補(bǔ)充的slot數(shù)目就越少。
• 圖c反映的是機(jī)器分?jǐn)?shù)(比如更好的硬件性能)對沖突的影響，V表示機(jī)器分?jǐn)?shù)的方差，可以看到在調(diào)度器數(shù)量相同的情況下，隨著V的增大，為了保持沖突不發(fā)生明顯的變化，需要額外補(bǔ)充的slot數(shù)目就越多；反過來，在V不變的情況下，隨著調(diào)度器數(shù)量的增加，每個(gè)調(diào)度器承受的調(diào)度壓力下降，需要額外補(bǔ)充的slot數(shù)目就越少。
• 圖d反映的是機(jī)器partition數(shù)量對沖突的影響，可以看到這個(gè)因素對沖突幾乎沒有影響。因?yàn)椴还軝C(jī)器partition的數(shù)量是多少，調(diào)度器總是以自己內(nèi)部的視圖狀態(tài)進(jìn)行調(diào)度，即使有些視圖的狀態(tài)已經(jīng)不夠新了，所以partition數(shù)量并不會(huì)對沖突產(chǎn)生明顯的影響。

由以上分析不難發(fā)現(xiàn)，在shared-state架構(gòu)下，如果我們想盡可能的降低沖突，可以采取增加額外資源或者增加調(diào)度器數(shù)量的方式來降低沖突，但在實(shí)際的生產(chǎn)環(huán)境中，增加額外資源是不可能的，一方面是集群大小是相對固定的，此外新引入slot也會(huì)大幅增加集群的成本；而增加調(diào)度器則會(huì)顯著帶來維護(hù)\升級(jí)的代價(jià)。

四 方案實(shí)現(xiàn)

由于我們的目標(biāo)是為了減少?zèng)_突，所以我們先簡單介紹下一種能夠完全消除沖突的策略，悲觀鎖策略。悲觀鎖策略是每個(gè)調(diào)度器能夠調(diào)度的機(jī)器是“靜態(tài)排他\靜態(tài)劃分”的，這樣顯然能夠消除沖突，但是對利用率是非常不利的，因?yàn)闀?huì)產(chǎn)生資源浪費(fèi)（其他調(diào)度器本來可以調(diào)度）。還有一種策略是通過類似于zookeeper等組件實(shí)現(xiàn)的基于鎖搶占的調(diào)度策略，當(dāng)一批機(jī)器被某一個(gè)調(diào)度器鎖住時(shí)，其他機(jī)器是由于拿不到機(jī)器鎖從而暫時(shí)無法調(diào)度，當(dāng)持鎖的調(diào)度器放鎖時(shí)，其他調(diào)度器可以通過鎖競爭來嘗試進(jìn)行調(diào)度，但是在大規(guī)模高并發(fā)的調(diào)度場景下，這種高頻的交互會(huì)對調(diào)度效率產(chǎn)生很大的負(fù)作用。

由前面的分析可以知道，降低資源同步的延遲能夠有效降低沖突，由此我們提出了一種基于“分區(qū)同步”（下稱ParSync）的策略：首先將集群的機(jī)器分為P個(gè)partition，同時(shí)要求P>N。通過round robin策略，每個(gè)調(diào)度器在同一個(gè)時(shí)刻去同步不同partition的資源視圖，這樣做能夠保證在每個(gè)round內(nèi)每個(gè)調(diào)度器都能夠更新完所有partition的資源，而P>N保證了同一時(shí)刻不同的調(diào)度器不會(huì)同步相同的patition資源。

根據(jù)前文所述，在大規(guī)模高并發(fā)的調(diào)度場景下，調(diào)度器最優(yōu)先的目標(biāo)往往不是locality prefer而是speed prefer，所以調(diào)度器會(huì)優(yōu)先在最新同步的partition機(jī)器內(nèi)進(jìn)行資源調(diào)度，在該策略下多調(diào)度器間是不會(huì)產(chǎn)生資源沖突的。ParSync其實(shí)是變相降低了每個(gè)patition對其當(dāng)前同步調(diào)度器的同步延遲，因?yàn)檎驹诋?dāng)前更新的調(diào)度器的視角，這個(gè)partiton的同步延遲其實(shí)是低于其他未同步的調(diào)度器的，這也是能夠有效降低沖突的理論原因。

我們提供三種調(diào)度策略：latency-first， quality-first， adaptive。latency-first是在優(yōu)先在最新的partition上調(diào)度資源， quality-first是優(yōu)先在score最好的機(jī)器上調(diào)度資源，而adaptvie是先采取quality-first的調(diào)度策略，當(dāng)資源等待時(shí)間超過閾值時(shí)再采取latency-first的策略。我們通過一組實(shí)驗(yàn)來驗(yàn)證3種調(diào)度策略的調(diào)度效果：我們將調(diào)度器分為2類，A\B類調(diào)度器在階段1都收到自身調(diào)度能力的2/3調(diào)度請求；階段2，A類調(diào)度器收到等同于自身調(diào)度能力的調(diào)度請求，而B類調(diào)度器不變；階段3，A\B類調(diào)度器都收到等同于自身調(diào)度能力的調(diào)度請求。

• 從(a)(b)可以看出，在階段1\2\3, 調(diào)度quality的表現(xiàn)都是很好的，但是在階段2\3隨著調(diào)度壓力的增加，調(diào)度latency出現(xiàn)了直線上升的情況，這是符合直覺預(yù)期的。
• 從(c)(d)可以看到，在階段1調(diào)度器壓力只有2/3的時(shí)候，調(diào)度latency和quality都是表現(xiàn)比較好的。隨著調(diào)度壓力的增加，quality質(zhì)量開始出現(xiàn)了下降，但是latency的增加卻非常有限，這也符合直覺預(yù)期。
• 從(e)(f)可以看到，在階段2，由于B類調(diào)度器的調(diào)度壓力仍只有2/3，所以還停留在quality-first策略，而A類調(diào)度器由于調(diào)度latency的增加進(jìn)入到了latency-first策略。通過仔細(xì)觀察可以看到在quality的圖里B類調(diào)度器的quality質(zhì)量(淺灰色)是優(yōu)于latency-first策略的。在階段3，A\B類調(diào)度器同時(shí)將調(diào)度latency約束在了門限值(1.5s)，符合設(shè)計(jì)預(yù)期。

五 實(shí)驗(yàn)分析

我們通過“風(fēng)洞”系統(tǒng)來驗(yàn)證整個(gè)調(diào)度框架。在風(fēng)洞環(huán)境下，除了調(diào)度器是真實(shí)的，單機(jī)節(jié)點(diǎn)和am都是程序模擬出來的，它們和調(diào)度器進(jìn)行真實(shí)的資源交互，通過sleep來模擬作業(yè)的執(zhí)行，這樣在一個(gè)node上就可以進(jìn)行1:500的模擬。

測試環(huán)境：

20個(gè)調(diào)度器，2個(gè)resource manager

集群總共有20w個(gè)槽位

調(diào)度器調(diào)度能力為40k task/s

調(diào)度分為3個(gè)階段，調(diào)度壓力分別調(diào)度器能力的50%，80%， 95%，80%， 50%

從圖(a)可以看出，隨著調(diào)度壓力的變化，latency-first在調(diào)度latency上優(yōu)于adaptive, 而quality-first優(yōu)于StateSync(以O(shè)mega為代表的視圖同步策略，調(diào)度器每次同步整個(gè)視圖信息)，latency-first策略能夠?qū)atency控制在一個(gè)非常好的水準(zhǔn)，而StateSync的latency已經(jīng)不受控制了，這也很好地證明了ParSync策略對沖突控制的有效性。對于quality-first策略，其latency也出現(xiàn)了不受控制的情況，這是調(diào)度器一直嘗試在分?jǐn)?shù)最高的機(jī)器上進(jìn)行調(diào)度所帶來的副作用。而adaptive策略對latency-first和quality-first進(jìn)行了一個(gè)良好的折中。

從圖(b)中可以看出，隨著調(diào)度壓力的變化，latency-first和adaptive策略在quality上表現(xiàn)都有一個(gè)明顯的下降，這個(gè)符合預(yù)期。而quality-first的表現(xiàn)基本和StateSync持平。

綜上，ParSync在quality與StateSync表現(xiàn)持平的情況下，latency表現(xiàn)遠(yuǎn)優(yōu)于StateSync。其他更多的詳細(xì)的數(shù)據(jù)分析詳見論文。

六 總結(jié)

論文首先介紹了分布式調(diào)度器領(lǐng)域在解決規(guī)模問題時(shí)的常見做法：多調(diào)度器聯(lián)合調(diào)度，其次介紹了多調(diào)度器的一種常見的資源供給模型StateSync。在StateSync模式下，不同調(diào)度器間會(huì)產(chǎn)生嚴(yán)重的調(diào)度沖突，進(jìn)而影響集群的調(diào)度效率和利用率。針對上述問題，論文通過理論分析，給出了緩解沖突方法：增加可調(diào)度資源或擴(kuò)充調(diào)度器，但是在實(shí)際中這2種方法都是不可接受的。

本文提出了一種新的資源供給模式：ParSync。在ParSync模式下，不同的調(diào)度器通過round robin的方式來分時(shí)更新機(jī)器資源。同時(shí)ParSync提供了三種調(diào)度策略：latency-first， quality-first， adaptive，用來滿足不同場景下調(diào)度器對于latency\quality的要求。大規(guī)模實(shí)驗(yàn)表明，ParSync在調(diào)度質(zhì)量上與其他調(diào)度器持平，但在調(diào)度延時(shí)上遠(yuǎn)優(yōu)于其他調(diào)度器。

附錄

生產(chǎn)集群資源調(diào)度架構(gòu)圖

原文鏈接
本文為阿里云原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的获国际架构顶会ATC2021最佳论文！Fuxi2.0去中心化的调度架构详解的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。