EasyScheduler任务调度中WorkerGroupNotFoundException问题分析与优化建议

问题现象

在EasyScheduler任务调度系统中，部分任务执行时随机出现WorkerGroupNotFoundException异常，错误信息显示无法找到指定的Worker组（如"数仓"或"default"）。该问题具有以下特征：

1. 问题随机出现，同一任务重试后通常能成功执行
2. 系统中共有1800+任务，使用两个Worker节点和两个Worker组（不包括默认组）
3. 每个Worker组都配置使用相同的两个Worker节点
4. 问题发生时Worker节点本身状态显示正常

问题根源分析

通过深入分析系统日志和源代码，发现问题与Worker资源管理机制密切相关：

1. Worker状态判断机制：当Worker节点CPU负载超过阈值（默认90%）时，系统会将其标记为BUSY状态
2. Worker组同步逻辑：在同步Worker资源时，如果Worker处于BUSY状态，系统会将该Worker从Worker组的可用列表中移除
3. 极端情况处理不足：当所有Worker节点都处于BUSY状态时，会导致Worker组被清空，从而引发WorkerGroupNotFoundException

技术实现细节

EasyScheduler通过LowerWeightHostManager类管理Worker资源，关键逻辑包括：

1. Worker资源同步：定期从Worker节点收集心跳信息，更新Worker状态
2. 负载判断：通过WorkerHeartBeat获取CPU、内存等使用情况
3. 主机选择：根据权重算法选择最合适的Worker节点执行任务

当出现以下情况时，Worker会被排除：

• 未收到心跳（heartBeat == null）
• 服务器状态为BUSY（ServerStatus.BUSY）
• 资源使用超过阈值（CPU、内存等）

优化建议

针对该问题，建议从以下几个层面进行优化：

1. 配置层面调整

对于资源相对充足的场景：

• 关闭Worker负载保护：worker.server-load-protection.enabled=false
• 增加执行线程数：worker.exec-threads=500（原400）
• 修改满负载策略：worker.task-execute-threads-full-policy=CONTINUE

2. 代码逻辑优化

建议修改Worker资源同步逻辑：

• BUSY状态不应导致Worker组被完全移除
• 可考虑保留Worker组信息但标记为不可用
• 提供更明确的错误信息区分"Worker组不存在"和"Worker组无可用节点"

3. 监控与告警增强

建议增加以下监控指标：

• Worker节点CPU/内存使用率历史趋势
• Worker组可用性状态变化
• 任务排队等待时间统计

总结

EasyScheduler作为分布式任务调度系统，其Worker管理机制需要在高负载情况下保持稳定性。当前实现中，资源保护机制与Worker组管理存在一定耦合，可能导致误判。通过配置优化和代码改进，可以显著提高系统在负载波动时的稳定性，确保任务调度的可靠性。