一、云原生化挑战及阿里实践

大数据技术发展趋势

云原生化面临挑战

如何构建以对象存储为底座的 HCFS 文件系统

完全兼容现有的 HDFS性能对标 HDFS，成本降低

如何解决 ACK 混合异构机型

异构机型没有本地盘社区 [Spark-25299] 讨论，支持 Spark 动态资源，成为业界共识

如何有效支持跨机房、跨专线混合云

需要在容器内支持缓存系统

如何解决调度性能瓶颈

性能对标 Yarn多级队列管理

错峰调度Yarnon ACK 节点资源相互感知

阿里实践 - EMR on ACK

整体方案介绍

通过数据开发集群/调度平台提交到不同的执行平台错峰调度，根据业务高峰低峰策略调整云原生数据湖架构，ACK 弹性扩缩容能力强通过专线，云上云下混合调度ACK 管理异构机型集群，灵活性好

二、Spark 容器化方案

方案介绍

1、为什么需要 Remote Shuffle Service？

RSS 使得 Spark 作业不需要 Executor Pod 挂载云盘。挂载云盘非常不利于扩展性和大规模的生产实践。云盘的大小无法事前确定，大了浪费空间，小了 Shuffle 会失败。RSS 专门为存储计算分离场景设计。Executor 将 shuffle 数据写入了 RSS 系统，RSS 系统来负责管理 shuffle 数据，Executor 空闲后即可以回收。[SPARK-25299]可以完美支持动态资源，避免数据倾斜的长尾任务拖住 Executor 资源不能释放。2、RSS 性能如何，成本如何，扩展性如何？

RSS 对于 shuffle 有很深的优化，专门为存储与计算分离场景、K8s 弹性场景而设计。针对 Shufflefetch 阶段，可以将 reduce 阶段的随机读变为顺序读，大大提升了作业的稳定性和性能。可以直接利用原有 K8s 集群中的磁盘进行部署，不需要加多余的云盘来进行 shuffle。性价比非常高，部署方式灵活。

Spark Shuffle

产生 numMapper * numReducer 个 block顺序写、随机读写时 Spill单副本，丢数据需 stage 重算

EMR Remote Shuffle Service

追加写、顺序读无写时 Spill两副本；副本复制到内存后即完成副本之间通过内网备份，无需公网带宽

RSS TeraSort Benchmark

备注说明：以10T Terasort 为例，shuffle 量压缩后大约 5.6T。可以看出该量级的作业在 RSS 场景下，由于 shuffle read 变为顺序读，性能会有大幅提升。

Spark on ECI 效果