需要几个关键能力，包括serverless yarn，大数据作业专用调度器，内核级别的资源优先级控制能力，计算节点资源超卖能力，裸机计算节点，underlay容器网络。

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...