核心概念与总体架构
在 CentOS 上，HDFS 负责分布式存储，而计算任务的资源调度由 YARN 完成。YARN 通过 ResourceManager、NodeManager、ApplicationMaster、Container 等组件进行资源抽象与调度，调度器决定应用获得哪些 Container（内存、CPU 核数）。因此谈“调度策略”主要是指 YARN 的调度策略，HDFS 提供数据与存储层面的支撑（如副本放置、数据本地性等）。
调度器类型与适用场景
- FIFO（先进先出）：按提交顺序执行，简单但不利于多租户与资源隔离，生产环境较少使用。
- Capacity Scheduler（容量调度器）：多队列、容量保证与弹性共享，适合多用户/多团队共享集群；Apache Hadoop 3.x 默认使用该调度器。
- Fair Scheduler（公平调度器）：强调资源公平，支持权重与队列隔离；CDH 默认使用该调度器。
- DRF（Dominant Resource Fairness）：在多资源（如内存、CPU）维度上按主导资源进行公平分配，适合异构与混合负载。
以上调度器均运行在 YARN 层，HDFS 侧通过数据本地性与副本放置策略配合计算就近执行。
关键配置步骤与示例
- 选择调度器（以 Capacity Scheduler 为例）：在 $HADOOP_HOME/etc/hadoop/yarn-site.xml 设置
yarn.resourcemanager.scheduler.class=org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler
- 定义节点资源：
yarn.nodemanager.resource.memory-mb=8192
yarn.nodemanager.resource.cpu-vcores=4
- 队列与份额（示例为单一队列 root，生产建议多队列分层）：在 capacity-scheduler.xml 中配置
yarn.scheduler.capacity.root.queues=default
yarn.scheduler.capacity.root.default.capacity=100
yarn.scheduler.capacity.root.default.maximum-capacity=100
- AM 资源占比：
yarn.scheduler.capacity.maximum-am-resource-percent=0.1
- 本地性等待（减少数据跨节点）：
yarn.scheduler.capacity.node-locality.wait=400（单位毫秒）
- 滚动生效：分发配置至所有节点，先停 YARN 再启动，避免不一致。
上述关键项与示例参数可直接用于 CentOS 环境的快速落地与验证。
与 HDFS 的协同优化
- 数据本地性优先：调度器与 HDFS 协同尽量让计算在存有副本的 DataNode 上执行，降低网络开销。
- 副本放置与均衡：HDFS 根据节点负载与网络拓扑放置副本，必要时触发块迁移与再平衡，提升吞吐与稳定性。
- 存储策略分层：启用 dfs.storage.policy.enabled=true，按 HOT/WARM/COLD 将数据分布到不同介质（如 SSD/HDD），兼顾性能与成本。
这些机制与 YARN 调度策略配合，可显著提升端到端作业性能与资源利用率。
监控与常见调优参数
- 监控与诊断：通过 ResourceManager Web UI、HDFS Web UI、命令行工具持续观察队列使用率、应用等待时间与数据分布，按观测结果微调队列与容器配额。
- 容器与本地性：结合作业并发与数据规模，调整 yarn.nodemanager.resource.memory-mb、yarn.nodemanager.resource.cpu-vcores 与 yarn.scheduler.capacity.node-locality.wait，在本地性与吞吐间取得平衡。
- 系统层优化（CentOS）：为 SSD/NVMe 选择合适 I/O 调度器（如 NOOP/DEADLINE），并优化 TCP 缓冲区与网络参数，降低 RPC 与数据传输时延。
- 变更流程：任何调度与容量参数变更，先在测试环境验证，再滚动发布，确保集群稳定。