首页
/ Apache DolphinScheduler 工作节点负载保护机制引发的任务调度异常分析

Apache DolphinScheduler 工作节点负载保护机制引发的任务调度异常分析

2025-05-18 21:05:13作者:邵娇湘

问题现象

在使用Apache DolphinScheduler 3.2.2版本时,部分任务随机出现调度失败的情况,错误日志显示"Worker group not found"异常。具体表现为:

  • 任务失败时提示无法找到工作节点组(如"数仓"、"default"等)
  • 重试后任务通常能成功执行
  • 系统中有1800+任务,使用2个工作节点和2个工作节点组

问题根源分析

通过深入分析系统日志和源代码,发现问题源于DolphinScheduler的工作节点负载保护机制:

  1. 负载检测机制:工作节点会定期检测系统负载(CPU、内存等),当CPU使用率超过阈值(默认90%)时,节点会标记为BUSY状态

  2. 心跳同步机制:主节点通过心跳信息获取工作节点状态,当节点处于BUSY状态时,主节点会将该节点从可用节点列表中移除

  3. 调度决策逻辑:在LowerWeightHostManager类中,如果某个工作节点组下的所有节点都被标记为BUSY,该节点组会被临时从workerHostWeightsMap中清除,导致调度时抛出"Worker group not found"异常

技术细节

关键代码逻辑

  1. 负载检测
// BaseServerLoadProtection.java
if (systemCpuUsage > maxSystemCpuUsagePercentageThresholds) {
    log.info("OverLoad: the system cpu usage: {} is over then the maxSystemCpuUsagePercentageThresholds {}", 
        systemCpuUsage, maxSystemCpuUsagePercentageThresholds);
    return true;
}
  1. 节点状态同步
// LowerWeightHostManager.java
private void syncWorkerResources() {
    if (ServerStatus.BUSY == heartBeat.getServerStatus()) {
        log.warn("Worker {} in workerGroup {} is Busy");
        return Optional.empty();  // BUSY节点不会被加入可用列表
    }
    // 如果所有节点都BUSY,整个workerGroup会被临时移除
    if (!hostWeights.isEmpty()) {
        workerHostWeights.put(workerGroup, hostWeights);
    }
}
  1. 调度失败处理
// BaseTaskDispatcher.java
Set<HostWeight> hostWeights = workerHostWeightsMap.get(workerGroup);
if (hostWeights == null) {
    throw new WorkerGroupNotFoundException("Can not find worker group " + workerGroup);
}

问题本质

这不是真正的"工作节点组不存在"问题,而是系统负载保护机制与任务调度逻辑之间的设计不一致:

  • 负载保护机制正确地识别了系统过载
  • 但调度系统将临时不可用的节点组错误地解释为"节点组不存在"
  • 这种设计导致用户体验不佳,且错误信息具有误导性

解决方案与优化建议

临时解决方案

对于当前3.2.2版本,可以调整以下参数缓解问题:

  1. 禁用负载保护:worker.server-load-protection.enabled=false
  2. 增加工作线程数:worker.exec-threads=500(根据实际硬件调整)
  3. 修改满负载策略:worker.task-execute-threads-full-policy=CONTINUE

长期优化建议

从架构设计角度,建议以下改进:

  1. 错误信息优化:将"Worker group not found"改为更准确的"All workers in group are busy"
  2. 调度策略改进:即使节点组处于BUSY状态,也应保留组信息,只是标记为不可用
  3. 负载均衡优化:引入更智能的负载预测算法,避免因瞬时峰值导致误判
  4. 队列管理:完善任务排队机制,而不是简单地拒绝或报错

最佳实践

对于生产环境部署DolphinScheduler,建议:

  1. 监控系统负载:建立完善的监控体系,提前发现资源瓶颈
  2. 合理配置参数:根据实际硬件资源调整线程数和负载阈值
  3. 容量规划:确保工作节点有足够的资源余量应对峰值负载
  4. 版本升级:关注后续版本中对此问题的修复和改进

总结

这个问题揭示了分布式任务调度系统中资源管理与任务分配之间的复杂交互关系。通过这次分析,我们不仅找到了问题的技术根源,也提出了系统性的优化方向。对于使用者而言,理解这些底层机制有助于更好地配置和维护DolphinScheduler系统,确保任务调度的稳定性和可靠性。

登录后查看全文
热门项目推荐

项目优选

收起
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
52
461
kernelkernel
deepin linux kernel
C
22
5
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
349
381
nop-entropynop-entropy
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
7
0
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
131
185
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
873
517
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
336
1.09 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
264
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
607
59
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4