需求背景

讲道理，用户在提交 Spark_on_yarn 任务 时，应该指定--executor-memory属性（公司自己的规定），并且使用特定的用户提交，以便于 DBA 的管理。但是仍然存在一些用户直接使用 root 账户提交任务，这样在 yarn 的资源池中就会被分配到 root.user.root池中，如果集群压力过大，那么便不能迅速的找到该任务 的所有者，从而可能会对其它 team 的任务照成影响，基于此， 决定对资源池root.user.root进行内存限制，为了防止确定其是否有用，同时防止直接修改线上环境配置会对已有的任务造成的影响，特做此简单的测试。

环境配置

环境：

• yarn 2.6.0+cdh5.8.3+1718
• spark_on_yarn 1.6.0+cdh5.8.3+232

工具：

• Cloudera Manager

可执行文件：

• 自定义 jar 包，最终生成的名称为spark-mock-0.0.1-SNAPSHOT.jar，源码如下：

package com.xxx.xxx.sparkmock;

import java.util.ArrayList;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;

public final class JavaSparkPi {
	
	@SuppressWarnings("serial")
	public static void main(String[] args) throws Exception {
		SparkConf sparkConf = new SparkConf().setAppName("JavaSparkPi");
		JavaSparkContext jsc = new JavaSparkContext(sparkConf);
		
		int slices = 2;
		int n = 100000 * slices;
		List<Integer> l = new ArrayList<Integer>(n);
		for (int i = 0; i < n; i++) {
			l.add(i);
		}
		
		JavaRDD<Integer> dataSet = jsc.parallelize(l, slices);
		
		int count = dataSet.map(new Function<Integer, Integer>() {
			public Integer call(Integer v1) {
				double x = Math.random() * 2 - 1;
				double y = Math.random() * 2 - 1;
				return (x * x + y * y < 1) ? 1 : 0;
			}
		}).reduce(new Function2<Integer, Integer, Integer>() {
			public Integer call(Integer v1, Integer v2) {
				return v1 + v2;
			}
		});
		
		System.out.println("Pi is roughly " + 4.0 * count / n);
		jsc.stop();
	}
}

测试流程：

1. 将 jar 包拷贝至 hadoop 集群，使用类似如下格式执行：

spark-submit --master yarn --executor-memory 512M  ~/spark-mock-0.0.1-SNAPSHOT.jar

提交用户默认为 kt94（登录）

• –master 指定任务基于 yarn 工作
• –executor-memory 执行时的内存大小

2. 在 Cloudera Manager 中，配置资源池的容量大小，界面示例如下：

3. 反复提交执行与更改配置，并观察结果

测试结果

注 1：以下测试仅测试提交时申请的 AM 内存大小与配置的最大内存大小关系，暂未考虑权重（Weight）的影响，后面总结会提到权重。

注 2：--executor-memory是指定的执行内存，但是因为存在额外的管理开销，所以实际的AM 使用内存会大于--executor-memory指定的值，而配置的内存限制的是AM 的使用内存，所以下方比较的是AM memory和max memory(限制的最大内存)。

1. 默认情况下，即不指定--executor-memory时，会抛出以下异常：

// ...

java.lang.IllegalArgumentException: Required executor memory (1024+384 MB) is above the max threshold (1024 MB) of this cluster! Please check the values of 'yarn.scheduler.maximum-allocation-mb' and/or 'yarn.nodemanager.resource.memory-mb'.

// ...

这是由于测试环境的配置引起的，因为请求时默认的executor-memory值为1 GB，加上运行时所需的额外的384 MB，超出了阈值 1024 MB，所以抛出了异常，但是正式环境下，不会有这么小的阈值，所以把--executor-memory设置为更小的值继续观察。

2. 提交时指定--executor-memory=512M，资源池kt94设置Memory (Min / Max) ~= 100MiB / 5GiB时，即AM memory < max memory时，运行正常，资源池使用情况如下图：

AM 被分配3GiB的容量，小于5GiB

3. 提交时指定--executor-memory=512M，资源池kt94设置Memory (Min / Max) ~= 100MiB / 256MiB时，即AM memory > max memory时，任务一直处于ACCEPTED状态，部分打印信息如下：

18/01/19 00:33:39 INFO yarn.Client: Application report for application_1512525158468_0035 (state: ACCEPTED)
18/01/19 00:33:40 INFO yarn.Client: Application report for application_1512525158468_0035 (state: ACCEPTED)
18/01/19 00:33:41 INFO yarn.Client: Application report for application_1512525158468_0035 (state: ACCEPTED)
18/01/19 00:33:42 INFO yarn.Client: Application report for application_1512525158468_0035 (state: ACCEPTED)
18/01/19 00:33:43 INFO yarn.Client: Application report for application_1512525158468_0035 (state: ACCEPTED)
18/01/19 00:33:44 INFO yarn.Client: Application report for application_1512525158468_0035 (state: ACCEPTED)
18/01/19 00:33:45 INFO yarn.Client: Application report for application_1512525158468_0035 (state: ACCEPTED)
18/01/19 00:33:46 INFO yarn.Client: Application report for application_1512525158468_0035 (state: ACCEPTED)
18/01/19 00:33:47 INFO yarn.Client: Application report for application_1512525158468_0035 (state: ACCEPTED)
18/01/19 00:33:48 INFO yarn.Client: Application report for application_1512525158468_0035 (state: ACCEPTED)

同时资源池kt94，该任务 一直在Pending Containers（待定的容器）中，资源池状态示例如下图所示：

任务简介如下图所示：

此时并未分配内存给该任务，而该任务则一直处于ACCEPTED状态，说明配置是生效的。

4. 重新配置使Memory (Min / Max) ~= 100MiB / 5GiB，处于ACCEPTED状态的任务被分配到足额的内存，继续执行。

5. 对正在运行中，即已经分配到内存后，设置更小的内存限制，原先的任务不受影响。

6. 将账号kt94更改为root结果同上。

总结

经过反复测试，可以得出使用如下步骤可防止用户滥用root账户（sudo 提交时，默认为 root 账户）提交 spark_on_yarn 任务：

• 新建与 root 账户同名的资源池：root.users.root
• 设置 Memory(Min / Max) 的值，使其最大值略小

这样用户在使用root账户提交任务时，如果出现申请的资源过大，那么便不能继续执行，此时就只能找 DBA 解决了，然后就可以让他们按规范办事了。

最后： 根据动态资源池的原理：如果一个池的资源未被使用，它可以被占用(preempted)并分配给其他池，即是说，如果在初始时出现几个资源池同时出现需要额外内存的情况下，会根据它们的权重来分配内存容量：

比如，资源池 businessA 和 businessB 的权重分别为 2 和 1，这两个资源池中的资源都已经跑满了，并且还有任务在排队，此时集群中有 30 个 Container 的空闲资源，那么，businessA 将会额外获得 20 个 Container 的资源，businessB 会额外获得 10 个 Container 的资源。

所以即使没能在初始时限制“非法”的任务被提交，通过将权重的值设置相对更小，仍然可减少对其它任务的影响。

参考链接

• Apache Spark 内存管理详解
• Hadoop多用户资源管理–Fair Scheduler介绍与配置