storm如何分配任务和负载均衡？

背景##

在上篇：storm的基础框架分析

基本探讨了storm的：

1. worker、executor等组件的关系.
2. 线程模型和消息系统.
3. 任务分配流程.
4. topology提交到执行的过程.

但，感觉对nimbus、supervisor、并行度，任务分配和负载均衡的关系没有交代清楚，而且细节上也有些瑕疵，本篇做一个补充。

基础组件之间的关系##

这里做一些补充：

1. worker是一个进程，由supervisor启动，并只负责处理一个topology，所以不会同时处理多个topology.
2. executor是一个线程，由worker启动，是运行task的物理容器，其和task是1 -> N关系.
3. component是对spout/bolt/acker的抽象.
4. task也是对spout/bolt/acker的抽象，不过是计算了并行度之后。component和task是1 -> N 的关系.

supervisor会定时从zookeeper获取topologies、已分配的任务分配信息assignments及各类心跳信息，以此为依据进行任务分配。

在supervisor周期性地进行同步时，会根据新的任务分配来启动新的worker或者关闭旧的worker，以响应任务分配和负载均衡。

worker通过定期的更新connections信息，来获知其应该通讯的其它worker。

worker启动时，会根据其分配到的任务启动一个或多个executor线程。这些线程仅会处理唯一的topology。

executor线程负责处理多个spouts或者多个bolts的逻辑，这些spouts或者bolts，也称为tasks。

并行度的计算##

相关配置及参数的意义###

具体有多少个worker，多少个executor，每个executor负责多少个task，是由配置和指定的parallelism-hint共同决定的，但指定的并行度并不一定等于实际运行中的数目。

1、TOPOLOGY-WORKERS参数指定了某个topology运行时需启动的worker数目.

2、parallelism-hint指定某个component（组件，如spout）的初始executor的数目.

3、TOPOLOGY-TASKS是component的tasks数，计算稍微复杂点：

(1). 如果未指定TOPOLOGY-TASKS，此值等于初始executors数.

(2). 如果已指定，和TOPOLOGY-MAX-TASK-PARALLELISM值进行比较，取小的那个作为实际的TOPOLOGY-TASKS.

用代码来表达就是：

(defn- component-parallelism [storm-conf component]
  (let [storm-conf (merge storm-conf (component-conf component))
        num-tasks (or (storm-conf TOPOLOGY-TASKS) (num-start-executors component))
        max-parallelism (storm-conf TOPOLOGY-MAX-TASK-PARALLELISM)
        ]
    (if max-parallelism
      (min max-parallelism num-tasks)
      num-tasks)))

4、对于acker这种特殊的bolt来说，其并行度计算如下：

(1). 如果指定了TOPOLOGY-ACKER-EXECUTORS，按这个值计算.

(2). 如果未指定，那么按TOPOLOGY-WORKERS的值来设置并行度，这种情况下，一个acker对应一个worker，显然，在计算任务繁重、数据量比较大的情况下，这是不合适的。

5、如果配置了NIMBUS-SLOTS-PER-TOPOLOGY，在提交topology到nimbus时，会验证topology所需的worker总数，如果超过了这个值，说明不能够满足需求，则抛出异常。

6、如果配置了NIMBUS-EXECUTORS-PER-TOPOLOGY，如第5点，会验证topology所需的executor总数，如果超出，也会抛出异常。

同时，需要注意，实际运行中，有可能出现并行的TASKS数小于指定的数量。

通过调用nimbus接口的rebalance或者do-rebalance操作，以上并行度可被动态改变。

并行度计算在任务分配中的体现###

先回顾下任务分配中的几个主要角色：

接着看几段重要的并行度计算代码：

1、计算所有topology的topology-id到executors的映射关系：

;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
; 计算所有tolopogy的topology-id到executors的映射
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
(defn- compute-topology->executors [nimbus storm-ids]
  "compute a topology-id -> executors map"
  (into {} (for [tid storm-ids]
             {tid (set (compute-executors nimbus tid))})))

2、计算topology-id到executors的映射信息：

;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
; 计算topology-id到executors的映射
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
(defn- compute-executors [nimbus storm-id]
  (let [conf (:conf nimbus)
        storm-base (.storm-base (:storm-cluster-state nimbus) storm-id nil)
        component->executors (:component->executors storm-base)
        storm-conf (read-storm-conf conf storm-id)
        topology (read-storm-topology conf storm-id)
        task->component (storm-task-info topology storm-conf)]
    (->> (storm-task-info topology storm-conf)
         reverse-map
         (map-val sort)
         (join-maps component->executors)
         (map-val (partial apply partition-fixed))
         (mapcat second)
         (map to-executor-id)
         )))

3、计算topology的任务信息 task-info，这里TOPOLOGY-TASKS就决定了每个组件component（spout、bolt）的并行度，或者说tasks数：

;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
; 计算topology的task-info
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
(defn storm-task-info
  "Returns map from task -> component id"
  [^StormTopology user-topology storm-conf]
  (->> (system-topology! storm-conf user-topology)
       all-components
    ;; 获取每个组件的并行数
       (map-val (comp #(get % TOPOLOGY-TASKS) component-conf))
       (sort-by first)
       (mapcat (fn [[c num-tasks]] (repeat num-tasks c)))
       (map (fn [id comp] [id comp]) (iterate (comp int inc) (int 1)))
       (into {})
       ))

4、上述1、2、3段代码会在nimbus进行任务分配时调用，任务分配是通过mk-assignments函数来完成，调用过程用伪代码描述如下：

;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
; nimbus进行任务分配
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
mk-assignments
;; 这一步计算topology的所有executor对应的node + port信息
->compute-new-topology->executor->node+port
->compute-topology->executors
-> ...

nimbus进行任务分配##

这里回顾并补充下nimbus进行任务分配的主要流程：

任务分配的流程###

1、nimbus将一组node + port 称为worker-slot，由executor到worker-slot的映射信息，就决定executor将在哪台机器、哪个worker进程运行，随之spout、bolt、acker等位置也就确定了，如下图所示：

2、 nimbus是整个集群的控管核心，总体负责了topology的提交、运行状态监控、负载均衡及任务分配等工作。

3、nimbus分配的任务包含了topology代码所在的路径（在nimbus本地）、tasks、executors及workers信息。

worker由node + port及配置的worker数量来唯一确定。

任务信息Assignment结构如下：

3、supervisor负责实际的同步worker的操作。一个supervisor称为一个node。所谓同步worker，是指响应nimbus的任务分配，进行worker的建立、调度与销毁。

在收到任务时，如果相关的topology代码不在本地，supervisor会从nimbus下载代码并写入本地文件。

4、 通过node、port、host信息的计算，worker就知道和哪些机器进行通讯，而当负载均衡发生、任务被重新分配时，这些机器可能发生了变化，worker会通过周期性的调用refresh-connections来获知变化，并进行新连接的建立、废弃连接的销毁等工作，如下图所示：

任务分配的依据###

supervisor、worker、executor等组件的心跳信息会同步至zookeeper，nimbus会周期性地获取这些信息，结合已分配的任务信息assignments、集群现有的topologies（已运行+未运行）等等信息，来进行任务分配，如下图所示：

任务分配的时机###

1、通过rebalance和do-reblalance（比如来自web调用）触发负载均衡，会触发mk-assignments即任务分配。

2、同时，nimbus进程启动后，会周期性地进行任务分配。

3、客户端通过storm jar ... topology 方式提交topology，会通过thrift调用nimbus接口，提交topology，启动新storm实例，并触发任务分配。

负载均衡##

负载均衡和任务分配是连在一起的，或者说任务分配中所用到的关键信息是由负载均衡来主导计算的，上文已经分析了任务分配的主要角色和流程，那么负载均衡理解起来就很容易了，流程和框架如下图所示：

其中，负载均衡部分的策略可采用平均分配、机器隔离或topology隔离后再分配、Round-Robin等等，因为主要讨论storm的基础框架，而具体的负载均衡策略各家都不一样，而且这个策略是完全可以自定义的，比如可以将机器的实际能力如CPU、磁盘、内存、网络等等资源抽象为一个一个的资源slot，以此slot为单位进行分配，等等。

这里就不深入展开了。

通过负载均衡得出了新的任务分配信息assignments，nimbus再进行一些转换计算，就会将信息同步到zookeeper上，supervisor就可以根据这些信息来同步worker了。

结语##

本篇作为对上篇的补充和完善.

也完整地回答了这个问题：

在Topology中我们可以指定spout、bolt的并行度，在提交Topology时Storm如何将spout、bolt自动发布到每个服务器并且控制服务的CPU、磁盘等资源的？

终。