Apache YuniKorn 核心组件安装与使用教程
2024-08-07 13:49:38作者:农烁颖Land
1. 项目目录结构及介绍
Apache YuniKorn 的核心组件 yunikorn-core 是一个无平台依赖的调度器,负责处理资源分配请求。以下是该项目的目录结构简介:
yunikorn-core/
├── Makefile # 构建脚本
├── README.md # 项目说明文件
├── conf/ # 配置文件目录
│ └── config.properties.sample # 示例配置文件
├── doc/ # 文档目录
├── src/ # 源代码目录
│ ├── main/
│ │ ├── assembly/ # 组件打包相关
│ │ ├── java/ # Java源代码
│ │ └── resources/ # 资源文件
└── ... # 其他辅助文件和脚本
Makefile: 用于构建项目的脚本。README.md: 项目的基本信息和指南。conf/: 包含配置文件,config.properties.sample是一个示例配置文件。src/: 项目的源代码,包括main/java和main/resources。main/assembly: 组件打包相关的配置。main/java: Java 源码实现。main/resources: 存放项目运行所需的资源。
2. 项目启动文件介绍
由于该项目是作为其他系统的组件(如 YARN 或 Kubernetes)的一部分运行,没有单独的启动文件。在实际部署中,你需要通过 YARN 或 Kubernetes 的适配器(shim)来启动 YuniKorn。这些适配器可以通过以下方式集成:
- 对于 YARN:配置 YARN 环境以使用 YuniKorn 作为其调度器。
- 对于 Kubernetes:安装 YuniKorn 的 Kubernetes shim,并将其作为 Kubernetes 中的一个部署或 DaemonSet 运行。
具体的启动步骤通常涉及创建和提交相应的资源配置文件(例如 YARN 的配置或 Kubernetes 的 YAML 文件),然后由对应平台的服务管理工具(如 yarn start 或 kubectl apply)来执行。
3. 项目配置文件介绍
主要配置文件位于 yunikorn-core/conf/config.properties。以下是一些关键配置参数及其作用:
scheduler.address: 调度器服务监听的地址。scheduler.port: 调度器服务监听的端口。application.priority.base: 应用程序的基础优先级,所有应用将基于此值分配优先级。scheduler.logdir: 调度器的日志目录路径。scheduler.metrics.exporter.type: 指定用于导出指标的类型,如 Prometheus。
请注意,实际部署时应根据具体需求和环境调整配置。yunikorn-core/conf/config.properties.sample 只是一个样例,你需要根据实际情况修改成生产配置,并将其复制到你的 YuniKorn 实例对应的配置目录下。
详细配置选项可以在项目文档中找到,确保正确配置以满足你的集群需求。
使用注意事项
- 在生产环境中,务必从
config.properties.sample复制一份并对其进行适当修改,避免使用样本文件直接运行。 - 配置更改可能需要重启 YuniKorn 服务才能生效。
- 查阅官方文档以获取详细的配置指导和最佳实践。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217