在YARN调度的早期实现中，调度的方式是基于NM节点的心跳来的。简单来说，就是每当一次节点的心跳来的时候，YARN scheduler会进行一次container分配尝试，然后将最适合分配的应用container分配在此节点上。这种一个节点一次的调度方式在决策选择上确实比较高效，但在某些场景上并不显得最优，比如带有约束条件的container调度来说。本文笔者来聊聊YARN后期实现的全局调度的设计理念以及它和原有方式的不同点。

在原先一个节点一次调度选择的策略下，假设当某应用只要求跑在一个拥有1千机器的1个节点上，那么Scheduler在为此应用分配container时，就需要进行一个一个节点多次的尝试，直到找到那个匹配的节点。

而在全局调度模式中，scheduler根据应用的要求，可以从更多的节点中去做节点地选择。这一点是和原有方式大大不同的。

全局调度需要有以下主要的要求，以此保证其实用性：

支持快速决策的响应。在大型分布式计算集群内，每分钟每分秒内会有大量的task运行开始结束，因此需要调度器能够快速地进行资源地重分配。但是全局调度因为面向更多的节点做分配选择，相比较原有方式，在时间选择开销上必然要大一些，因此这里我们需要全局调度同样能做到快速的决策选择。 倘若在一次节点选择中没有及时返回节点，那scheduler也应能及时返回timeout，结束本次的选择。

以下是YARN原先的调度流程图，scheduler触发的条件从node的heartbeat触发开始，然后进行后续的节点选择调度，

YARN全局调度模式下，它的调度过程主要有以下的变化：

因为资源情况瞬息变化，当container proposal产生时，还需要在最终分配时进行再一次确认。此过程逻辑如下，

然后在allocation的thead中会调用上述scheduler的逻辑，

全局调度图示如下：

上述多线程同时并发处理Container的分配是其中一项对于全局调度模式快速响应的优化方式。在全局调度模式下，我们面向的可供选择的节点变多了。对于此方面，还有另外几项可以加速全局调度选择的措施：

Max-Min Fairness方法在资源调度选择中应用得十分广泛了，不过这里笔者想 额外谈谈关于标签约束下的Max-Min Fairness方法。标签约束的另外一层意思实际指的是用户/应用的节点要求选择。下面我们来通过一个简单的例子来了解下这个方法，此方法来源于一篇讲述 Choosy(一个在线的基于约束标签的最大最小公平调度器)的paper。

假设目前有2个用户{u1，u2}，5台机器{m1, m2, m3, m4, m5}，约束标签如下，

c1={m1, m2}: u1用户只能使用在m1和m2机器下的资源 c2={m2, m3, m4, m5}: u2用户只能使用m2, 3, 4, 5下的机器资源

在以上2者标签约束下，我们如何做到最大最小公平分配呢？

按照公平算法来，首先是第一轮，我们保证每个用户能分到等量的资源并且满足它们的约束标签，结果如下 u1: {m1, m2} u2: {m3, m4} 因为u2用户不能用u2机器，否则u1所能使用到的最大资源数就少了。

然后第二轮，我们看在约束标签条件下，在不减少其它用户资源使用量的情况下，哪些用户还能增大其资源使用量，于是我们可以看到u2的资源使用量可以继续加大， u1: {m1, m2} u2: {m3, m4, m5}

所以以上就是最终的分配结果。

另外，关于YARN全局调度的更细节内容可参阅文末尾参考链接处。