目前，Hadoop作业调度器主要有三种：FIFO、容量（Capacity Scheduler）和公平（Fair Scheduler）。Apache Hadoop3.1.3默认的资源调度器是Capacity Scheduler。CDH框架默认调度器是Fair Scheduler。具体设置详见：yarn-default.xml文件

<property>

<description>The class to use as the resource scheduler.</description>

<name>yarn.resourcemanager.scheduler.class</name>

<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>

</property>

一、先进先出调度器（FIFO）

FIFO调度器（First In First Out）：单队列，根据提交作业的先后顺序，先来先服务。

优点：简单易懂。

缺点：不支持多队列，生产环境很少使用。

二、容量调度器（Capacity Scheduler）

Capacity Scheduler是Yahoo开发的多用户调度器。

1. 容量调度器特点

多队列：每个队列可配置一定的资源量，每个队列采用FIFO调度策略。

容量保证：管理员可为每个队列设置资源最低保证和资源使用上限。

灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。

多租户：支持多用户共享集群和多应用程序同时运行。

为了防止同一个用户的作业独占队列中的资源，该调度器会对同一用户提交的作业所占资源量进行限定。

2. 容量调度器资源分配算法

1）队列资源分配

从root开始，使用深度优先算法，优先选择资源占用率最低的队列分配资源。

2）作业资源分配

默认按照提交作业的优先级和提交时间顺序分配资源。

3）容器资源分配

按照容器的优先级分配资源；

如果优先级相同，按照数据本地性原则：

任务和数据在同一节点任务和数据在同一机架任务和数据不在同一节点也不在同一机架

三、公平调度器（Fair Scheduler）

Fair Schedulere是Facebook开发的多用户调度器。

1. 与容量调度器相同点

（1）多队列：支持多队列多作业。

（2）容量保证：管理员可为每个队列设置资源最低保证和资源使用上线。

（3）灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。

（4）多租户：支持多用户共享集群和多应用程序同时运行；为了防止同一个用户的作业独占队列中的资源，该调度器会对同一用户提交的作业所占资源量进行限定。

2. 与容量调度器不同点

（1）核心调度策略不同

容量调度器：优先选择资源利用率低的队列

公平调度器：优先选择对资源的缺额比例大的

（2）每个队列可以单独设置资源分配方式

容量调度器：FIFO、DRF

公平调度器：FIFO、FAIR、DRF

3. 公平调度器设计目标

在时间尺度上，所有作业获得公平的资源。某一时刻一个作业应获资源和实际获取资源的差距叫“缺额”。

调度器会优先为缺额大的作业分配资源

4. 公平调度器队列资源分配方式

1）FIFO策略

公平调度器每个队列资源分配策略如果选择FIFO的话，此时公平调度器相当于上面讲过的容量调度器。

2）Fair策略

Fair 策略（默认）是一种基于最大最小公平算法实现的资源多路复用方式，默认情况下，每个队列内部采用该方式分配资源。这意味着，如果一个队列中有两个应用程序同时运行，则每个应用程序可得到1/2的资源；如果三个应用程序同时运行，则每个应用程序可得到1/3的资源。

具体资源分配流程和容量调度器一致；

（1）选择队列

（2）选择作业

（3）选择容器

以上三步，每一步都是按照公平策略分配资源

实际最小资源份额：mindshare = Min（资源需求量，配置的最小资源）

是否饥饿：isNeedy = 资源使用量 < mindshare（实际最小资源份额）

资源分配比：minShareRatio = 资源使用量 / Max（mindshare, 1）

资源使用权重比：useToWeightRatio = 资源使用量 / 权重

（1）队列资源分配

需求：集群总资源100，有三个队列，对资源的需求分别是：

queueA -> 20， queueB ->50， queueC -> 30

第一次算：100 / 3 = 33.33

queueA：分33.33 à 多13.33

queueB：分33.33 à 少16.67

queueC：分33.33 à 多3.33

第二次算：（13.33 + 3.33）/ 1 = 16.66

queueA：分20

queueB：分33.33 + 16.66 = 50

queueC：分30

公平调度器队列资源分配方式

（2）作业资源分配

（a）不加权（关注点是Job的个数）：

需求：有一条队列总资源12个, 有4个job，对资源的需求分别是:

job1->1, job2->2 , job3->6, job4->5

第一次算: 12 / 4 = 3

job1: 分3 --> 多2个

job2: 分3 --> 多1个

job3: 分3 --> 差3个

job4: 分3 --> 差2个

第二次算: 3 / 2 = 1.5

job1: 分1

job2: 分2

job3: 分3 --> 差3个 --> 分1.5 --> 最终: 4.5

job4: 分3 --> 差2个 --> 分1.5 --> 最终: 4.5

第n次算: 一直算到没有空闲资源

（b）加权（关注点是Job的权重）：

需求：有一条队列总资源16，有4个job

对资源的需求分别是:

job1->4 job2->2 job3->10 job4->4

每个job的权重为:

job1->5 job2->8 job3->1 job4->2

第一次算: 16 / (5+8+1+2) = 1

job1: 分5 --> 多1

job2: 分8 --> 多6

job3: 分1 --> 少9

job4: 分2 --> 少2

第二次算: 7 / (1+2) = 7/3

job1: 分4

job2: 分2

job3: 分1 --> 分7/3（2.33） -->少6.67

job4: 分2 --> 分14/3(4.66) -->多2.66

第三次算:2.66/1=2.66

job1: 分4

job2: 分2

job3: 分3.33 --> 分2.66/1 --> 分6

job4: 分4

第n次算: 一直算到没有空闲资源

3）DRF策略

DRF（Dominant Resource Fairness），我们之前说的资源，都是单一标准，例如只考虑内存（也是Yarn默认的情况）。但是很多时候我们资源有很多种，例如内存，CPU，网络带宽等，这样我们很难衡量两个应用应该分配的资源比例。

那么在YARN中，我们用DRF来决定如何调度：

假设集群一共有100 CPU和10T 内存，而应用A需要（2 CPU, 300GB），应用B需要（6 CPU，100GB）。则两个应用分别需要A（2%CPU, 3%内存）和B（6%CPU, 1%内存）的资源，这就意味着A是内存主导的, B是CPU主导的，针对这种情况，我们可以选择DRF策略对不同应用进行不同资源（CPU和内存）的一个不同比例的限制。

四、总结

通过以上，我们知道Yarn提供了多种调度器和可配置的策略供我们选择，FIFO、容量和公平，今天的大数据技术你Get到了吗？