大数据框架组件的监控，可以复用容器平台原有对于在线容器的基础监控能力，并增加一些组件应用特性的状态类监控指标。 作业层面，复用原有大数据作业的监控逻辑，监控队列里的作业状态，以及某一时间段（比如30分钟内）的作业失败率，超出预期则发出告警。...

如何实现业务容器与大数据容器的混合调度部署，两者的调度器的逻辑如何进行统一，以达到在保证安全生产的前提下，充分利用集群资源，降本增效 。针对这个话题我谈谈我的建议：大数据作业通常需要独立的调度器，和在线业务的调度器独立，因为二者的调度逻辑有很大的差异。在线业务用缺...

关于大数据容器化会有比较专业的厂商或是业界比较成熟的方案 ，我也谈谈我在大数据和容器结合的一些实践经验给你参考：可以根据自己的实际情况和需要选择。 但是前提是在线单集群的规模要足够大，单个节点的规格要足够高（最好是物理机）并且配置本地shaffle文件系统，这样才能承载...

大数据平台容器化后底层容器使用的还是k8s这一套，这个并没有改变。 技术方案方案一般有2大类： 一个大类是用k8s模拟yarn调度模式、一个大类是k8s原生调度方式。spark/flink社区主要支持k8s原生调度方式，我们因为历史原因选择用k8s模拟yarn调度模式。大数据容器化只有和混...

针对：大数据容器化部署如何实现资源隔离，与非容器相比的优势在什么地方？我是这么思考的，你可以看看是否有解答你的问题：通过宿主机的linux kernel实现优先级控制，确保资源使用优先级低于在线服务。与传统方式相比，容器化的大数据作业可以运行在在线应用使用的集群，利用在线集群...

大数据平台容器化部署后，原有大数据平台产品还需要吗？其实这个问题是很多中小金融机构会面临遇到的问题，我是这样思考的希望能对你有帮助。存量的传统大数据集群产品还会保留，和容器化的大数据平台并行，但是不会再进行扩容了。新增作业都上容器化的大数据平台，可以和在线应用共...