Apache Celeborn（Incubating）[1] [2] 是阿里云开源的大数据计算引擎通用 Remote Shuffle Service，旨在提升 Shuffle 的性能/稳定性/弹性，目前已广泛运行在包含阿里在内的多家企业，每天服务着生产环境数十P的 Shuffle 数据，可稳定支撑单 Shuffle 超 600T 的大作业。

Apache Celeborn（Incubating）是个开放、活跃、多元的社区（https://github.com/apache/incubator-celeborn），有着来自不同国家、不同公司和组织的开发者和用户，欢迎更多的开发者/用户加入～

本文介绍 Celeborn 新发布的 0.3.0 版本的重要 Feature，包括但不限于：支持 Flink，支持 Native Spark(Gluten)，快速优雅升级，支持 HDFS 等。Celeborn 0.3.0 相比 0.2.1 新增了480+ Commits, Resolve 了 470 个 Jira Issue，在功能/稳定性/性能上都有较大提升。

Flink 支持

MapPartition

熟悉 RemoteShuffleService（简称 RSS）的同学知道，Push Shuffle + Reduce Partition 数据聚合是 RSS 的核心设计，如下图所示:

RSS 把属于同一Reduce Partition 的数据聚合为一个(或多个)大粒度文件，因此 Reducer 在 Shuffle Read 时的网络效率和磁盘 IO 效率都能大幅度提高，这也是 RSS 提升作业的性能和稳定性的关键。此外，由于 Shuffle 数据推给 RSS，引擎的计算节点变得“无状态”，因此能更好的拥抱存算分离/弹性的云原生架构。

如大多数设计一样，Reduce Partition 的设计也有其 TradeOff：

• 重算代价高。通常情况下，上游所有 Mapper 都会往某个 Reduce Partition 文件推送数据，当文件丢失时需要重算上游所有的 Task。尽管 Celeborn 的多副本机制可以降低数据丢失的概率，但可能性依然存在。
• 只支持 All-to-All 和 Forward 类型的 Shuffle，难以支持 Rescale 类型的 Shuffle。All-to-All 和 Rescale 的 Shuffle 类型如下图所示：

为了更好的支持 Flink（新引入 Rescale 和 Forward 两种 Shuffle 类型），以及满足更小代价的重算代价，Celeborn0.3.0 支持了 MapPartition 的 Shuffle 类型。顾名思义，Map Partition 的文件保存的是来自 Map Task 的 Shuffle 数据，但不同于传统的本地 Shuffle，Celeborn 的 MapPartition 引入了 Sorted Region 和 IO Scheduling 来提升 IO 效率。MapPartition 的整体设计如下图所示:

Mapper 本地的 LocalSorter 在内存缓存特定大小的 Shuffle 数据（称为 Region，默认64M），达到阈值后对该 Region 的数据根据 Reducer PartitionId 做排序，然后推送给预先分配的 Celeborn Worker，Worker 接收/持久化/索引数据。MapPartition 的某个 Region 的数据布局如下所示:

尽管 Region 内数据按照 Reduce PartitionId 做了排序，但由于来自不同 Reducer 的 Shuffle Read 的请求是随机的，依然无法做到顺序读盘。为了缓解随机 IO，Celeborn 引入了 IO Scheduling 的机制，对当前 IO 请求按照访问文件的 Offset 做排序，尽量把随机读转变为顺序读，如下图所示:

IO Scheduling 的优化只能做到尽力而为，假如当前的请求大部分不连续则无法生效。根据生产经验，Flink Batch 的并发通常不大（<2000），在资源充裕的情况下下游的 Reduce Task 能同时调度起来，那么就有较大概率可以合并 IO 请求。

目前 Flink/Spark 分别只支持 MapPartition/ReducePartition，社区后续会对 Flink 引入 ReducePartition，并根据需求判断是否对 Spark 引入 MapPartition。

Credit-Based Shuffle Read

由于有了 MapPartition，Celeborn0.3.0 很自然的支持了 Flink。此外，为了让 Shuffle Read 的数据也由 Flink 的 Memory Manager 来管理，Celeborn0.3.0 支持了 Credit-Based Shuffle Read。简单来说，首先 Celeborn Worker 通知 Client 当前可读取的数据片数量（Backlog），Flink TaskManager 一旦有空余的内存 Buffer 便发送给 Worker 对应的 Credit，Worker 消耗一个 Credit 并发送一个数据片。流程如下图所示:

生产案例

Celeborn 支持 Flink 已经得到生产作业的验证。在阿里内部，Celeborn 承接的最大 Flink Batch 作业单 Shuffle 超过 600T。

Apache Celeborn 对 Flink 的支持得到了 flink-remote-shuffle 社区 [3] 的大力支持，很多设计也源于 flink-remote-shuffle 项目。

Native Spark 支持

Gluten Columnar Shuffle

Gluten [4] 是 Intel 开源的引擎加速项目，旨在通过把 Spark Java Engine 替换为 Native Engine(Velox, ClickHouse, DataFusion等)来加速 Spark 引擎。Gluten 的核心能力包括 Plan 转换，统一内存管理，Columnar Shuffle 等。Gluten 的 Columnar Shuffle 通过 Hash-based Shuffle/Native Partitioner/零拷贝等设计获得相比于原生 Row-Based Shuffle 12%的性能提升，其主要流程如下图所示:

Gluten Columnar Shuffle 做了诸多优化，但由于其沿用了 Spark 的本地 Shuffle 框架，故存在以下主要限制。

• 依赖大容量本地盘存储 Shuffle 数据，一方面无法应用存算分离架构，另一方面计算节点“有状态”无法及时缩容，从而导致资源利用率低。
• Shuffle Write 内存紧张时 Spill 到磁盘，增加额外的磁盘 I/O。
• Shuffle Read 有大量的网络连接和大量磁盘随机读，导致较差的稳定性和性能。

Gluten 集成 Celeborn

过去一段时间，Gluten 社区和 Celeborn 社区相互合作，成功把 Celeborn 集成进 Gluten。Gluten 集成 Celeborn 的设计目标是同时保留 Gluten Columnar Shuffle 和 Celeborn Remote Shuffle 的核心设计，让两者的优势叠加，如下图所示:

整体来说，Shuffle Writer 复用 Native Partitioner，拦截本地 IO 并改为推向 Celeborn 集群；Celeborn 集群做数据重组（聚合相同 Partition的数据）和多备份；Shuffle Reader 从特定 Celeborn Worker 上顺序读取数据并反序列化为 Column Batch。这个设计不仅保留了 Gluten Columnar Shuffle 的高性能设计，又充分利用了 Celeborn 远端存储、数据重组和多副本的能力。

性能测试

Celeborn 在磁盘资源受限时有最好的性能表现。针对 Gluten + Celeborn 我们测试了三组硬件环境：SSD 环境，充分 HDD 环境，有限 HDD 环境。整体结论是：在 SSD 环境，Gluten + Celeborn Columnar Shuffle 性能跟 Gluten 本地 Columnar Shuffle 持平；在充分 HDD 和有限 HDD 环境，Gluten + Celeborn Columnar Shuffle 性能比 Gluten 本地 Columnar Shuffle 分别提升 8%和 12%。

快速优雅升级

快速优雅升级是 Celeborn 的重要目标，包含两层需求：

1. 升级不影响正在运行的作业；

2. 升级的过程要快，不受长尾作业的影响。

大部分系统可以实现 1，常见的策略是给一个优雅下线的时间窗口，超时强制重启；但 2 比较难以实现。Celeborn 通过独有的 Hard Split 机制可以很顺畅的实现 2，测试中当前 Worker 有正在运行的作业的情况下升级 Worker 的耗时小于 1 分钟。

Partition Split 机制

为了更好的容错，Celeborn 从一开始就引入了 Partition Split 机制。概括的说，作业运行的过程中，在某些特定情况下，Partition 的数据可以“分裂”为多个 Partition Split，以实现更高的稳定性和灵活性。特定情况包括：

1. Partition 文件超过预设阈值；
2. Worker 磁盘容量即将不足；
3. Worker 处于优雅下线状态；
4. 推送数据失败；

Partition Split 触发 Partition Split 的流程如下图所示（推送数据失败的流程略有不同）：

Partition Split 支持 Soft 和 Hard 两种模式，Soft 表示旧的 Split 依然可以接收数据直到所有的 Mapper 都收到新的 Partition Location 信息；Hard 表示旧的 Split 不再接收新的数据。快速优雅升级依赖的是 Hard Split。

快速优雅升级

依托 Hard Split 机制，Celeborn 可以很顺畅的实现快速优雅升级。在触发优雅下线之后， Worker 立即通知 Master 并把自己置为 Graceful Shutdown 状态，Master 不再向该 Worker 分配新的负载。此后发给 Worker 的 PushData 的 Response 都会带上 Hard_Split 的标记，促使 Client 终止向该 Worker 继续推送数据。接下来 Client 将发送 CommitFiles 给该 Worker，触发内存数据刷盘。在内存数据完成刷盘之后，Worker 把本地的 Partition 信息存入 leveldb，此时该 Worker 达到了干净的状态：

1. 不会有新的 Partition 分配到该 Worker；
2. 本地所有 Partition 数据都已写文件；
3. 本地所有 Partition 信息都已存入 leveldb；

此时 Worker 退出进程并等待重启。重启之后，Worker 从 leveldb 中恢复状态，可以正常服务本地 Shuffle 数据的读取请求，以及接收新的 Shuffle Write。整体流程如下图所示：

注意：优雅升级需要 Worker 节点绑定固定的地址和端口，否则重启后的 Worker 将会被视作新加入的节点，而无法提供停机前的数据。在 Kubernetes 上，Celeborn 默认使用 StatefulSet 部署，重启后 Pod IP 会发生变化，如要达成该要求，需要 Worker 绑定 FQDN 而非 IP，更多详情请参考 CELEBORN-713。

生产案例

Celeborn 的某位用户分 10 批升级集群，每批升级 100 个 Worker，在不影响作业运行的情况下，每批升级耗时 2 分钟。

多层存储: HDFS

Celeborn Worker 多层存储的设计目标是支持内存/本地盘/分布式存储三层灵活配置(任选 1-3 层)，尽量让数据存放在更快的设备中，从而适配不同的硬件环境，并对小作业更加友好。0.3.0 正式支持了本地盘 + HDFS，用户可以选择只用本地盘/只用 HDFS/同时使用本地盘+HDFS 三种组合。在本地盘和 HDFS 同时存在时，优先使用本地盘。

Celeborn Worker 在初始化 Partition 时，若发现无可用本地盘，则创建 HDFS 文件，后续该 Partition 的数据将写入该文件。若 Partition 发生分裂，则下一个 Split 存在哪层介质由其所分配的 Worker 的状态决定。因此，同一个 Partition 的不同 Split 可能存储在不同介质中，同一个 Partition Split 的主从副本也可能存储在不同介质中。Celeborn 的 HDFS 介质默认使用两副本，当 Partition Split 的主从都存在 HDFS 时，为了避免空间冗余，其中一副本会被删除。

HDFS 介质的多副本并不能代替 Celeborn 的主从副本，因为一旦 HDFS 的某次写入崩溃，则整个文件都将不可用，而 Celeborn 的主从副本只要有一个 Commit 成功，则意味着至少有一份数据可用。

多级黑名单

在大规模部署的环境中，Worker（暂时）不可用是常见现象，让 Celeborn 的所有组件（Master, LifecycleManager, ShuffleClient）及时准确知道 Worker 状态对作业的稳定性和性能至关重要。为了实现这一目标，Celeborn 设计了多级黑名单的机制。

在 Celeborn 的架构里，Master 负责管理 Celeborn 集群的状态，整个集群只有一个 Active 实例；LifecycleManager 负责管理 Application 的 Shuffle 状态，每个 Application 有一个实例；ShuffleClient 存在于计算引擎的调度单元里（i.e. Spark 的 Executor，Flink 的TaskManager），每个容器进程有一个实例。示意图如下:

ShuffleClient 跟 Worker 的交互最为高频，因此最早感知 Worker 是否可用，但其感知不一定准确，因为网络抖动/CPU 高负载都可能导致 PushData 失败；而 Master 的感知最晚(Worker 心跳汇报状态)，但其信息最为准确；LifecycleManager 的延迟和准确性介于两者之间。基于这个观察，Celeborn 设计了多级黑名单，如下图所示：

具体而言，一旦发生跟 Worker 的交互失败，ShuffleClient/LifecycleManager 会加入本地黑名单，同时 ShuffleClient 会汇报给 LifecycleManager；LifecycleManager 跟 Master 的心跳返回会把 Master 的黑名单加入 LifecycleManager 的黑名单；LifecycleManager 的黑名单通过 RPC 成功以及黑名单超时删除；ShuffleClient 跟 LifecycleManager 的交互会刷新 ShuffleClient 的黑名单。

Batch Revive

作为最重要的容错机制之一，Celeborn ShuffleClient 在发生 PushData 失败时会触发 Revive，LifecycleManager 重新选择一对 Worker，同时当前 Partition 发生一次分裂，如下图所示:

Revive 机制可以很好的处理 Worker 状态不稳定的事件，不会因为少量 Worker 失败/网络抖动/CPU 短暂高负载导致 Task 失败。然而，当前的 Revive机制会对 LifecycleManager产生大量的 RPC 请求，极端情况可能会导致 Driver OOM。为了缓解这个问题，Celeborn0.3.0 引入了 Batch Revive 优化，即 ShuffleClient 缓存若干 Revive 请求后一并发给 LifecycleManager，如下图所示:

在 3T TPCDS Q23a 的测试中，Batch Revive 优化可以把发给 LifecycleManager 的 RPC 数量从 6.4w降到 2.6k。

And More

• 向后兼容
  • 尽管 0.3.0 相比 0.2.1 有了大量的功能扩展，Celeborn 依然保持了跨版本兼容性，0.3.0 的 Server 可以很好的兼容 0.2.1 的 Client，方便集群的升级
• 稳定性增强
  • 0.3.0 做了大量的 Corner Case Bugfix，相比 0.2.1 更加稳定

• 热点代码优化

  • 以性能基准测试报告为基础，优化热点代码，提升性能

• Celeborn on K8s

  • 持续的 Bugfix 和体验优化，让 Celeborn on K8s 部署更加丝滑

• 紧跟引擎版本

  • 最新支持 Spark 3.4，覆盖 Spark 2.4 / 3.0 / 3.1 / 3.2 / 3.3 / 3.4
  • 最新支持 Flink 1.17，覆盖 Flink 1.14 / 1.15 / 1.17

• 新增支持 Java 17，测试覆盖 Java 8 / 11 / 17

• 代码重构

  • 0.3.0 在新增功能的同时，做了大量的代码重构，并将持续重构下去
• 开发者友好
  • 引入 merge 脚本，敲几下键盘即可完成多分支合并和 jira 关联
  • 优化 CI 流程
  • 减少 tarball 的 size
  • 引入 sbt，缩减 build 时间

测试

我们针对 0.3.0 做了稳定性、兼容性、性能三方面的测试。

优雅重启

三台 Worker，开启 Graceful Shutdown，在作业运行的过程中依次重启三台 Worker，作业不受影响正常跑完，每台 Worker 的重启时间在 25s 左右。

Client 端开启异常节点拉黑:

 spark.celeborn.client.push.excludeWorkerOnFailure.enabled=true spark.celeborn.client.fetch.excludeWorkerOnFailure.enabled=true 

Worker 端开启优雅重启:

 celeborn.worker.graceful.shutdown.enabled=true celeborn.worker.push.port=9092 celeborn.worker.fetch.port=9093 celeborn.worker.rpc.port=9094 celeborn.worker.replicate.port=9095 

Worker1 在 19 分 44 秒收到 Shutdown 信号:

 23/07/17 21:19:44,135 INFO [shutdown-hook-0] Worker: Shutdown hook called. 

在 19 分 53s 完成优雅下线并退出进程:

 23/07/17 21:19:53,225 INFO [shutdown-hook-0] Worker: Worker is stopped. 

在 20 分 01s 完成重启和注册:

 23/07/17 21:20:01,171 INFO [main] Worker: Register worker successfully. 

Spark 作业无 task 失败，且总时间无显著变慢:

兼容性测试

Celeborn 保持跨版本之间的兼容性，即相邻两个版本，新版本的服务端兼容老版本的客户端，从而大幅简化升级过程。

在本次测试中使用 0.2.1 版本的 Client 和 0.3.0 的服务端，作业可正常运行：

性能测试

硬件环境

Celeborn 部署在 Yarn 集群上，每个 Worker 最大使用 20g 内存，不额外引入机器资源。硬件环境如下：

• 1 台 Master 节点: 12 vCPU 48 GiB

• 8 台 Core节点: 40 vCPU 176 GiB, 8 块 7.2T HDD

Spark 版本 3.3.1

Celeborn Worker 端配置

 # celeborn-env.sh export CELEBORN_MASTER_MEMORY=4g export CELEBORN_WORKER_MEMORY=4g export CELEBORN_WORKER_OFFHEAP_MEMORY=12g # celeborn-defaults.conf celeborn.metrics.enabled=false celeborn.replicate.io.numConnectionsPerPeer=24 celeborn.application.heartbeat.timeout=120s celeborn.worker.storage.dirs=/mnt/disk1,/mnt/disk2,/mnt/disk3,/mnt/disk4,/mnt/disk5,/mnt/disk6,/mnt/disk7,/mnt/disk8 celeborn.network.timeout=2000s celeborn.ha.enabled=false celeborn.worker.closeIdleConnections=true celeborn.worker.monitor.disk.enabled=false celeborn.worker.flusher.threads=1 

MicroBenchmark

在这个测试场景中，我们测了 1.1T/2.2T/3.3T 的纯 Shuffle 场景，并对比 ESS, Celeborn 0.2.1, Celeborn 0.3.0 的总时间。

MicroBenchmark 代码如下:

 spark.sparkContext.parallelize(1 to 8000, 8000).flatMap( _ => (1 to 15000000).iterator.map(num => num)).repartition(8000).count spark.sparkContext.parallelize(1 to 8000, 8000).flatMap( _ => (1 to 30000000).iterator.map(num => num)).repartition(8000).count spark.sparkContext.parallelize(1 to 8000, 8000).flatMap( _ => (1 to 45000000).iterator.map(num => num)).repartition(8000).count 

测试结果

Shuffle Write/Read Stages 具体时间如下表：

	1.1T	2.2T	3.3T
ESS	8.3min (3.5/4.8)	21.6min (8.6/13)	32min (13/19)
Celeborn 0.2.1 sort	6.9min (4.4/2.5)	14min (8.8/5.2)	20.7min (13/7.7)
Celeborn 0.3.0 sort	6min (3.7/2.3)	12.7min (7.5/5.2)	18.9min (11/7.9)

可以看出，Celeborn 相比 ESS 有明显性能优势，随着 Shuffle Size 变大优势愈加明显。0.3.0 相比 0.2.1 也有进一步性能提升。

3T TPCDS

测试方法

控制 Celeborn Worker 可使用的磁盘数量，并对比 ESS 和 Celeborn 0.3.0 的性能。

测试结果

	ESS 执行时间	0.3.0 执行时间
每个Worker 1块盘	4998s	4386s
每个Worker 2块盘	3843s	3614s
每个Worker 4块盘	3609s	3305s
每个Worker 8块盘	3323s	3209s

可以看到，Celeborn 相比 ESS 有明显性能优势，磁盘资源越有限优势越明显。

最后，感谢 Celeborn 的用户和开发者，并欢迎更多的用户和开发者加入！

Reference

[1] https://github.com/apache/incubator-celeborn

[2] https://celeborn.apache.org/

[3] https://github.com/flink-extended/flink-remote-shuffle

[4] https://github.com/oap-project/gluten