小米Hadoop YARN平滑升级3.1实践
小米之前生产环境的Hadoop YARN是基于社区2.6版本修改的内部版本，我们最大规模集群已经数千台，而且还在不断增长。在目前2.6版本，我们主要面临两个问题：
-
滞后社区多个大版本， 很多新特性以及bug修复没法使用或者需要重新开发； -
集群规模增长很快，经历了多次机房迁移，当前版本不能很好地支持跨机房部署方案来实现作业透明迁移；
我们调研3.1过程中发现，基于YARN Federation(YARN-2915)的跨机房部署方案已经很成熟。同时，为了和社区保持同步，减少代码的维护成本。我们决定升级到Hadoop 3.1（注：在我们开始调研的时候3.2还没release）。
在升级到Hadoop 3.1之后，我们会基于YARN Federation这个特性来落地跨机房部署方案。同时，在3.1版本我们会和社区一起推进落地基于公有云的Auto Scaling方案。
小米Hadoop YARN在生产环境有数十个集群（包括国内和海外），服务于小米所有业务线，包含大量的批处理和流式计算作业（>10w/天）。本次升级到Hadoop 3.1希望能做到对业务透明，尽量减少对业务的影响：
-
升级期间，不需要停服； -
升级期间历史作业不失败； -
升级期间可以持续提交新作业； -
升级期间，作业日志能够正常查看；
Hadoop YARN的架构组成包括ResourceManager(简写RM)、NodeManager(简写NM)、HistoryServer、ProxyServer等多个组件，这些组件之间需要进行RPC通信，如下图所示：
>>>>
patch合并/重构
patch合并/重构
-
稳定性优化，如基于ZK的client配置管理，实现了RM等服务的平滑迁移( YARN-9605 )，NM隔离优化( YARN-9977 )，HistoryServer稳定性优化( YARN-9973 )等； -
调度优化，如延时调度，缓存resource usage提升排序效率，事件处理优化( YARN-9979 )等； -
易用性优化，如支持MR作业查看实时jstack信息( YARN-10069 )，支持ui kill app，支持MySQL的StateStore等； -
多集群管理和多租户管理，我们主要进行了资源管理服务产品化，提供统一的infra-client和web化的资源管理（支持计量计费等）；
>>>>
兼容性/回归测试
兼容性/回归测试
-
Hive 1.2； -
Hadoop MapReduce 2.6/3.1； -
Spark 1.6/2.1/2.3； -
Flink 1.8；
>>>>
调度器测试
调度器测试
-
线上生产集群的FairScheduler相关队列配置已经使用了很长一段时间，需要平滑切换到CapacityScheduler； -
我们的资源管理服务之前是针对FairScheduler设计的，需要对CapacityScheduler进行适配；
maximum-am-resource-percentuser-limit-factorintra-queue-preemption.disable_preemptiondisable_preemptionmaximum-capacity
>>>>
升级/回滚方案
升级/回滚方案
-
准备好回归测试作业（包括Hive/MR/Spark等），作业类型包含基本的TeraSort、WordCount以及一些用户的作业 -
升级资源管理服务 -
支持同时更新FairScheduler和CapacityScheduler的配置，当CapacityScheduler出现问题的时候可以直接回滚到FairScheduler -
升级控制节点（RM/HistoryServer/ProxyServer） -
RM主节点使用3.1版本的CapacityScheduler，备节点使用2.6版本的FairScheduler，当调度出现问题的时候，可以做主备切换进行恢复 -
基于回归测试作业进行验证，同时确认日志查看、主备跳转是否正常 -
升级Hadoop客户端配置和包 -
升级测试机器，验证回归测试作业是否正常运行 -
升级监控机器，验证监控作业是否正常运行 -
分批逐步升级作业调度机器，观察用户作业是否正常运行 -
升级Hive到兼容3.1的版本 -
部署一个兼容3.1版本的Hive实例，然后验证回归作业和线上部分历史作业 -
分批逐步升级其他Hive实例，观察用户查询是否正常运行 -
分批升级NM（注： 我们修改了2.6版本NM的recovery模块，支持直接从3.1回滚到2.6） -
我们会按照5%->25%->50%->75%->100%的灰度策略对NM进行操作 -
每步更新都会对回归测试作业进行验证
>>>>
NM回滚2.6版本异常
NM回滚2.6版本异常
2019-xx-xx,17:06:12,797 FATAL org.apache.hadoop.yarn.server.nodemanager.NodeManager: Error starting NodeManagerorg.apache.hadoop.service.ServiceStateException: java.io.IOException: Unexpected container state key:ContainerManager/containers/container_e36_1558337587778_0027_01_000002/starttime
>>>>
MR RPC协议修改导致作业执行异常
MR RPC协议修改导致作业执行异常
2019-xx-xx 16:49:49,306 WARN [main] org.apache.hadoop.mapred.YarnChild:Exception running child : org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.ipc.RPC$VersionMismatch):Protocol org.apache.hadoop.mapred.TaskUmbilicalProtocol version mismatch. (client = 19, server = 21)
>>>>
FileOutputCommitter版本改变导致数据丢失
FileOutputCommitter版本改变导致数据丢失
<name>mapreduce.fileoutputcommitter.algorithm.version</name><value>1</value>
public static final String FILEOUTPUTCOMMITTER_ALGORITHM_VERSION ="mapreduce.fileoutputcommitter.algorithm.version";public static final int FILEOUTPUTCOMMITTER_ALGORITHM_VERSION_DEFAULT = 1;
>>>>
日志配置文件不存在
日志配置文件不存在
log4j:ERROR setFile(null,true) call failed.java.io.FileNotFoundException: /home/work/hdd3/yarn/c4prc-preview/nodemanager/application_1559618566050_0070/container_e18_1559618566050_0070_01_000001 (Is a directory)
>>>>
容量调度器配置不对
容量调度器配置不对
2019-06-25,16:07:19,266 FATAL org.apache.hadoop.yarn.server.resourcemanager.ResourceManager: Error starting ResourceManagerjava.lang.IllegalArgumentException: Parent queue 'root.production' and child queue 'root.production.xiaoqiang_group' should use either percentage based capacityconfiguration or absolute resource together for label
-
落地Yarn Federation支持超大规模联邦集群，支持同城跨机房部署(>1w台)； -
在海外落地基于公有云的Auto Scaling方案( YARN-9548 )，系统化地优化公有云集群成本； -
探索落地离在线混部的方案，打通在线/离线计算资源；
文末福利
评论区获赞数量最多的粉丝将获得小米90分双肩背包一个