京东百万级调度系统(Buffalo)架构解密

一、调度系统简介

Buffalo调度是一款京东自主研发的分布式DAG作业调度系统。为京东的数据开发工程师、算法工程师、数据分析师等用户提供了离线作业的编排&调试、监控运维、DAG调度等系统能力，致力于打造行业领先的稳定高效、产品简洁高体验、任务监控全面、资源容器化、系统能力开放化的ETL调度系统。

在京东调度系统核心面临的挑战有以下几个：

1.业务复杂带来的依赖关系复杂： 复杂的数据链路，使得部分任务有数百、甚至上千个上下游，层级多达数十层。跨天依赖、数据回刷、月度汇总等业务场景，需任务间依赖存在大小周期依赖、跨天依赖等复杂场景，任务依赖关系数据构成一个庞大且复杂的有向无环图。

2.业务体量大且稳定性&性能要求高： 目前平台有数十万任务，百万+依赖关系，日均百万+调度频次，不仅关系复杂、执行量大，且系统的任何细微异常，都可能导致数据链路异常，核心数据受损，这对调度系统的稳定性和性能带来了不小挑战。

3.数据加工场景复杂需支撑丰富调度能力： 支持集团多个BG业务，业务场景多样，涉及数据采集、数据计算、数据推送、数据转换等多种任务类型、多种执行方式、多种触发规则，以及控制节点、任务间的数据传递、数据补录场景等，对系统功能的丰富度和灵活度提出新要求。

二、核心技术方案

为支撑灵活的业务加工和工作流编排场景，快速的业务发展带来的任务量增长，以及保障整个系统的稳定性，我们从易用性、稳定性、以及高性能等方面做了很多的思考和优化，下面我将着重从这三个方面详细介绍。

1. 实体和编排调度模型

a) 双层实体模型







采用主流的双层实体模型，双层实体模型中，包含两个核心概念：

•Action（环节）： 环节是最小粒度的执行单位，携带执行相关的信息，如脚本、参数、环境等。

•Task（任务）： 任务是由一个或多个环节+触发规则构成的DAG，Task和Task之间也可以相互依赖，在外层构成一个DAG，实现双层调度。

相比单层实体模型，编排能力更强，有更好的灵活性，同时对于单个业务的整合打包和管理也更友好。

b) 基于实例的调度







任务定义是任务配置的载体，无状态，不可执行，任务当到达运行周期时，会产生相应周期的任务实例（产生实例的过程叫“实例化”），实例化时会根据任务的配置信息，包括：环节、上游依赖、数据依赖、运行周期等，生成当前周期实例，可理解为任务的一个快照，任务实例是真正可执行、并具有状态的对象。

基于实例的调度模式，其优点在于：

•周期稳定： 任务的每个周期都会有实例，不会出现周期缺失的情况，且每个周期的实例可独立操作

•依赖明确： 任务某个周期的实例，其对上游任务实例的依赖，或者数据依赖是明确的、可预期的，同时对某个周期的数据可从整个链路上快速追溯，并在产生问题是可从链路层面快速修复。

c) 分类分级调度能力

平台中的任务不通业务，重要性存在一定差异，为提升核心任务的保障能力，平台提供任务分类分级管理，和基于分级的调度能力，在客户端资源较为紧张时，会优先保障重要业务。同时任务等级信息会透传到底层集群，在底层计算集群层面也增加相应基于分类和等级的保障策略，保障核心业务的稳定性。

2. 高可用架构







buffalo整体有分三层，每一层都具备高可用架构，使得整体具备高可用和容灾能力

•a) Manager管理层：

◦主要提供产品化管理能力，包括任务的创建、任务管理、任务运维等，管理端无状态，可横向扩展，负载对外提供服务

•b) 高可用Scheduler：

◦也叫NameNode是Buffalo核心调度引擎，负责任务实例的周期生成，以及基于DAG的双层任务实例的调度、客户端资源的调度（物理资源、弹性资源）、任务状态的处理等。

◦整体采用多活+主备高可用架构，多个scheduler会通过数据分片负载处理任务，同时对于任务状态消息进行幂等处理，其中资源调度模块采用主备模式，以便支撑灵活和高效的资源调度能力。当一个节点故障时，其他节点会监测到节点下线，并自动触发接管逻辑，将异常节点任务接管处理，保障故障节点上的任务执行不受影响。

•c) 容错执行层：

◦执行层的核心职责是负责任务启动执行，并监听任务执行结果、采集任务日志、上报任务状态，执行层支持物理机和基于k8s的容器化资源两种模式。

▪物理机： 部署worker（也称TaskNode）长进程，任务以独立进程方式运行，多个worker构成节点组对（虚拟节点）外服务，避免单点故障问题。同时worker本身支持消息重传、cgroup资源隔离等高可用特性。

▪k8s弹性资源： 与原生k8s对接，任务以短周期pod方式执行，任务结束时pod销毁，天然具备高可用特性，同时具备更精细化的资源管理、差异化执行环境的动态构建能力。

3. 高性能

前面提到调度系统中随着任务量的增长，业务复杂度的提升，需要调度执行的DAG实例梳理，以及DAG的复杂度都会不断提升，buffalo主要从以下几个方面来做到高容量、低延迟的编排和调度。

1) 水平扩展

如上高可用架构部分介绍，调度引擎采用多活架构，可水平扩展，不同服务之间通过数据哈希分片，将任务负载分布到多台服务进行调度，同时各服务通过执行批次和状态进行幂等处理，保障任务执行的唯一性。

2) 事件驱动







a. 定时轮询（ 如左图 ）

传统的任务执行方式大多采用定时轮询的方式，这种方式需要定时查询所有待执行的任务实例，然后逐一校验任务实例的依赖条件是否满足（如任务依赖、数据依赖、并发限制等），这种方式在面临大数据量任务时，有几个核心问题：

•遍历耗时： 系统中可能有非常多的任务待执行（有些满足条件、有些不满足条件），这样每次获取的任务列表会非常长（可能数十万或百万），这样遍历一遍非常耗时

•大量无用计算： 在这些获取的任务列表中，每个任务都需要进行多种条件校验，且只有少数任务是满足执行条件，绝大部分的校验是无用校验

b. 基于事件驱动（ 如右图 ）

相比定时轮询，事件驱动不会采用定时拉取、全量校验的方式，而是在任务所依赖条件的状态发生变更时，才会基于事件做出相应的条件计算和校验动作，这样可以有效避免定时轮询面临的两个核心问题。同时针对不同的事件类型，可以分别进行异步并行处理，有效提升整体的处理性能。

3) 内存调度







前面提到Buffalo具备在物理机集群和k8s集群上启动任务执行的能力，所以需要具备这两种资源的管理和资源调度能力，资源调度的性能也是影响任务分发时效的关键部分。

调度引擎namenode采用的是多活的高可用架构，如果资源调度部分也采用该架构（如左图），那么涉及到同一资源的并发访问和修改的问题，进而引入分布式锁和外部存储，这样整体的性能很难达到理想的目标。

因此，我们在namenode多活架构的基础上，将资源调度部分做了一个主备架构的处理（如右图），会从多个namenode里选择一个作为主资源调度器，其他作为热备，所有namenode的任务资源请求都由主节点进行处理，这样主节点在内存中保存了所有的资源信息，资源调度过程在内存中就可进行，避免了分布式锁和对外部存储的依赖，性能有大幅提升。

4) 冷热数据分离







当系统中任务量较大，任务执行产生的实例数据会快速增长，当前buffalo每日的实例数据增量接近百万，随着任务量的增长还会持续增长，如果没有适当的方案来处理，数据库很难支撑如此快速的数据增长。

调度系统中的任务有个明显特征 - 定时，就是任务会定时执行，执行完成后的实例，除人为干预外其状态不会再自动发生变更，这部分数据一般只会做查询，所以这部分数据可以做独立存储。我们将状态还会发生变更或频繁操作的数据称作热数据，将这些已经执行结束且基本只有查询需求的数据称作冷数据，并将冷数据单独存储。

当冷热数据分离后，有三个核心问题需要解决：

1）数据结转

任务实例执行完成，处于结束状态的实例都可以被结转，目前采用定时结转的策略。为避免冷数据单表数据量过大，结转规则可以按照季度、月或则更小周期进行拆分存储。

2） 数据定位

当数据结转到冷数据表后，这些实例的状态不会发生变更，单可能还会被未执行的实例所依赖，用户也可能会对这些实例做检索操作，所以这些实例需要能从冷数据表中快速被定位。

•索引表： 数据结转到冷数据表时，会根据冷数据表的分区粒度，在索引表记录各冷分区表中的数据范围，如计划运行时间在2023-01-01 至 2023-03-31的数据存储在2023Q1分区表，这样在定位时可以圈定数据范围，避免全量扫描 。

•数据定位： 因实例数据是有周期性的，有非常强的时间特性，所以可以结合任务实例的计划运行时间，和索引表的数据范围，快速定位任务某个范围的实例所在的分区。

3）冷数据操作

冷数据被操作的几率比较低，但也存在操作的可能性，比如历史实例的重跑、强制成功等操作。为了保持调度引擎架构的简单性，所有相关的任务执行的处理，都是基于当前表（热表），所以为了能保障被结转的冷数据和热数据一样支持所有操作，冷数据被操作时会从冷数据表恢复至热数据表，从而实现与热数据相同的效果。

4、开放能力

开放API：通过Http协议进行开放，支持任务配置管理、任务实例操作、状态查询、日志查询等能力，通过藏经阁进行开放来服务业务

开放事件：基于JDQ异步消息的方式将任务状态、实例状态进行开放，联动业务个性化处理。状态发生变更及时同步，确保业务触达的及时性

三、未来规划

Buffalo调度系统仍在持续的优化和迭代升级，不仅提供更好的用户体验、更极致的性能，也包括容器化能力、插件化扩展能力、开放能力、精细化的资源管理能力等，希望大家提出更好的想法和建议，一起打造稳定、高效、易用的调度平台。