云计算IAAS虚拟化资源池 虚拟化资源池设计

前言

 大多数底层平台必须支撑上层的多种服务，如媒体流服务、深度学习计算框架等，如果采用传统的基于MapReduce分布式计算框架必将带来扩展性差、资源利用率低、无法支持多种框架的问题。上层的每个服务组件的实现均是一个分布式子系统，如果单独实现，必然造成各组件之间完全孤立维护与管理。

设计思路

 为了解决这个问题，解决方案则是考虑将各个服务组件的资源管理与作业控制进行分离，并且加入基于Docker容器的资源管理方案。
 将资源管理整合成一个资源管理与调度平台，而作业控制则放到应用程序框架中从而解决扩展性差的问题。各个服务组件中的各个模块则采用虚拟化容器Docker进行资源隔离，提高了资源利用率，同时也保证了安全性。在基于容器的分布式资源管理平台之上，可以构建类似于视频流服务、深度学习计算框架等服务，形成媒体智能处理层。
 基于多种面向有向无环图（DAG）任务的调度方式，将业务平台与资源管理平台进行解耦，达到资源的高效利用。

架构设计方案

 采用Master/Slave架构，分别对应RC（Resource Control）、NC（Node Control）和SAS。RC负责整个集群的资源管理和调度，NC负责单个节点的资源管理，SAS负责保存框架实例的服务访问入口

具体架构示意图如下：

各个功能模块如下：

• Framework（FW）：应用程序框架，包含该应用程序的所有模块，如应用程序框架内的master、slave等。
• RC：资源控制节点，是一个全局的资源管理器，负责整个系统的资源管理与分配。
• NC：节点控制，NC是每个节点上的资源和作业管理器。
• Docker Container：虚拟化的应用容器，用于资源隔离。在每台机器上，一个Docker Container对应一个Framework实例，因此Framework实例内部的资源可以共享，Framework实例间的资源不能共享。
• FW Master：框架实例内部的Master模块。
• FW Slave：框架实例内部的Slave模块。
  注：FW Master和FW Slave这里是相对的，如A启动B，B启动C。对于A来说，B是FW Slave，但对于C来说，B是FW Master。
• Portal/Client：Portal和Client提供给用户不同的操作接口，拥有相同的协议。用户可以提交制作好的框架的Image（镜像），启动关闭框架，以及查询平台的资源情况和框架的资源使用情况，同时提供框架业务数据查询的重定向功能。
• Docker仓库：存放所有Framework Image的仓库。
• LS：日志服务器，负责记录操作日志等。
• SAS：保存框架实例的服务访问入口。