EMR on ACK 全新发布，助力企业高效构建大数据平台

简介： 阿里云 EMR on ACK 为用户提供了全新的构建大数据平台的方式，用户可以将开源大数据服务部署在阿里云容器服务（ACK）上。利用 ACK 在服务部署和对高性能可伸缩的容器应用管理的能力优势，用户只需要专注在大数据作业本身。用户可以便捷地将 Spark、Presto、Flink 作业执行在 ACK 集群上，100%兼容开源，性能优于开源。

一、背景介绍

技术趋势

存储与计算分离，向云原生演进
在线业务、AI、大数据统一接入 ACK 集群，错峰调度，离线在线混部，提升机器利用率
统一运维入口，统一运维工具链，统一监控体系
以集群为中心->以作业为中心
多版本支持，例如可以同时跑 Spark2.x、Spark3.x

云原生面临挑战

计算与存储分离：如何构建以对象存储 OSS 为底座的 HCFS 文件系统

• 需要完全兼容现有的 HDFS

• 性能对标 HDFS，成本降低

计算引擎 shuffle 数据存算分离：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

ACK 调度能力：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

• 借助 K8s 操作系统能力，编排组织各种业务的波峰波谷

EMR on ACK 优势

Remote Shuffle Service 提供中间 shuffle 数据的存储计算分离方案

• 可以使计算节点无需本地盘和云盘

• 支持打开 Spark 动态资源功能，Spark-25299 终极方案

JindoFS 针对 OSS 存储提供湖加速解决方案

• Block 模式1TB TPCDS 场景下有15%以上的性能提升

调度层面支持 Scheduler Framework V2

• 调度性能比社区提升3x以上

• 提供多级队列管理

引擎能力增强

• 10TB TPCDS Benchmark 场景下，EMR Spark 比社区有3x性能提升

• Hudi、DeltaLake 比社区功能性能增强

完整的错峰调度方案

二、EMR 容器化架构

EMR on ACK 架构

轻量化管控，对接已有数据平台
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
ACK 管理异构机型集群，灵活性好

三、产品介绍

新建集群

地域：目前开放杭州、上海、北京、深圳等地域（持续开放中）
集群类型：Spark 、Shuffle Service、Presto

Spark — 通用的分布式大数据处理引擎

• 提供了 ETL、离线批处理、数据建模等能力

Shuffle Service — 针对 EMR 计算引擎提供优化的 Shuffle 服务

• 解决 Kubernetes 下对本地盘的依赖问题

• 解决大规模计算集群的网络和磁盘的 IO 瓶颈

• 支持计算与存储分离的架构，可服务多个 EMR 集群

Presto — 基于内存的分布式 SQL 交互式查询引擎

• 支持多种数据源

• 适合 PB 级海量数据的复杂分析，以及跨数据源的查询

组件版本：Spark (3.1.1）
专属节点：

• 现有 ACK 集群，share 部分节点给到 EMR

• 新建 ACK 集群，可选择整个集群为专属节点

OSS Bucket：用于存储作业、日志、jar 包等信息

集群管理

集群 ID/名称：点击进入作业管理

集群状态：检测集群是否可用
所属 ACK 集群：可关联到现有 ACK 集群
配置：Spark 作业配置
释放：释放空间

原文链接

本文为阿里云原创内容，未经允许不得转载。