Spark为何使用Netty通信框架替代Akka

导读

一直以来，基于Akka实现的RPC通信框架是Spark引以为豪的主要特性，也是与Hadoop等分布式计算框架对比过程中一大亮点，但是时代和技术都在演化，从Spark1.3.1版本开始，为了解决大块数据（如Shuffle）的传输问题，Spark引入了Netty通信框架，到了1.6.0版本，Netty居然完全取代了Akka，承担Spark内部所有的RPC通信以及数据流传输。

一、网络IO扫盲

在Linux操作系统层面，网络操作即为IO操作，总共有：阻塞式、非阻塞式、复用模型、信号驱动和异步五种IO模型。其中

• 阻塞式IO操作请求发起以后，从网卡等待/读取数据，内核/到用户态的拷贝，整个IO过程中，用户的线程都是处于阻塞状态。
• 非阻塞与阻塞的区别在于应用层不会等待网卡接收数据，即在内核数据未准备好之前，IO将返回EWOULDBLOCK，用户端通过主动轮询，直到内核态数据准备好，然后再主动发起内核态数据到用户态的拷贝读操作（阻塞）
• 在非阻塞IO中，每个IO的应用层代码都需要主动地去内核态轮询直到数据OK，在IO复用模型中，将“轮询/事件驱动”的工作交给一个单独的select/epoll的IO句柄去做，即所谓的IO复用。
• 信号驱动IO是向内核注册信息回调函数，在数据OK的时候自动触发回调函数，进而可以在回调函数中启用数据的读取，即由内核告诉我们何时可以开始IO操作
• 异步IO是将IO数据读取到用户态内存的函数注册到系统中，在内核数据OK的时候，自动完成内核态到用户态的拷贝，并通知应用态数据已经读取完成，即由内核告诉我们何时IO操作已经完成。

Java IO也经历了上面几次演化，从最早的BIO（阻塞式/非阻塞IO），到1.4版本的NIO（IO复用），到1.7版本的NIO2.0/AIO（异步IO）；基于早期BIO来实现高并发网络服务器都是依赖多线程来实现，但是线程开销较大，BIO的瓶颈明显，NIO的出现解决了这一大难题，基于IO复用解决了IO高并发；但NIO也有以下几个缺点：

• API可用性较低（拿ByteBuffer来说，共用一个current指针，读写切换需要进行flip和rewind，相当麻烦）
• 仅仅是API，如果想在NIO上实现一个网络模型，还需要自己写很多比如线程池、解码、半包/粘包、限流等逻辑
• 最后就是著名的NIO-Epoll死循环的BUG，因为这几个原因，促使了很多JAVA-IO通信框架的出现，Netty就是其中一员，它也是因为高度的稳定性、功能性、性能等特性，成为开发者们的首选

那么Netty和JDK-NIO之间到底是什么关系？是JDK-NIO的封装还是重写？首先是NIO的上层封装，Netty提供了NioEventLoopGroup/NioSocketChannel/NioServerSocketChannel的组合来完成实际IO操作，继而在此之上实现数据流Pipeline以及EventLoop线程池等功能。另外它又重写了NIO，JDK-NIO底层是基于Epoll的LT模式来实现，而Netty是基于Epoll的ET模式实现的一组IO操作EpollEventLoopGroup/EpollSocketChannel/EpollServerSocketChannel；Netty对两种实现进行完美的封装，可以根据业务的需求来选择不同的实现（Epoll的ET和LT模式有很大的性能差别吗？单从Epoll的角度来看，ET肯定是比LT要性能好一些。但是如果为了编码简洁性，LT还是首选，ET如果用户层逻辑实现不够优美，相比ET还会带来更大的性能开销）

那么Akka又是什么东西？从Akka出现背景来说，它是基于Actor的RPC通信系统，它的核心概念也是Message，它是基于协和的，性能不容置疑；基于scala的偏函数，易用性也没有话说，但是它毕竟只是RPC通信，无法适用大的package/stream的数据传输，这也是Spark早期引入Netty的原因。

那么Netty为什么可以取代Akka？首先毋容置疑的是Akka可以做到的，Netty也可以做到，但是Netty可以做到，Akka却无法做到，原因是啥？在软件栈中，Akka相比Netty要高一点，它专门针对RPC做了很多事情，而Netty相比更加基础一点，可以为不同的应用层通信协议（RPC、FTP、HTTP等）提供支持，在早期的Akka版本，底层的NIO通信就是用的Netty。最后，虽然Netty没有Akka协和级的性能优势，但是Netty内部高效的Reactor线程模型、无锁化的串行设计、高效的序列化、零拷贝、内存池等特性也保证了Netty不会存在性能问题。

那么Spark是怎么用Netty来取代Akka呢？一句话，利用偏函数的特性，基于Netty“仿造”出一个简约版本的Actor模型。

二、Spark Network Common的实现

Byte的表示

对于Network通信，不管传输的是序列化的对象还是文件，在网络上表现的都是字节流。在传统IO中，字节流表示为Stream；在NIO中，字节流表示为ByteBuffer；在Netty中字节流表示为ByteBuff或FileRegion；在Spark中，针对Byte也做了一层包装，支持对Byte和文件流进行处理，即ManagerBuffer。

ManagerBuffer包含了三个函数createInputStream()，nioByteBuffer()，convertToNett()来对Buffer进行“类型转换”，分别获取stream，ByteBuffer，ByteBuff或FIleRegion；NioManageBuffer/NettyManageBuffer/FileSegmentManagedBuffer也是针对这ByteBuffer，ByteBuff或FileRegion提供了具体的实现。

更好地理解ManagedBuffer：比如Shuffle BlockManager模块需要在内存中维护本地executor生成的shuffle-map输出的文件引用，从而可以提供给shuffleFetch进行远程读取，此时文件表示为FileSegmentManagedBuffer，shuffleFetch 远程调用FileSegmentManagedBuffer.nioByteBuffer/createInputStream函数从文件中读取为Bytes，并进行后面的网络传输。如果已经在内存中bytes就更好理解了，比如将一个字符数组表示为NettyManagerdBuffer。

Protocol的表示

协议是应用层通信的基础，它提供了应用层通信的数据表示，以及编码和解码的能力。在Spark Network Common中，继承Akka中的定义，将协议命名为Message，它继承Encodable，提供了encode的能力。

Message根据请求响应可以划分为RequestMessage和ResponseMessage两种；对于Response，根据处理结果，可以划分为Failure和Success两种类型；根据功能的不同，主要划分为Stream、ChunkFetch、RPC。

Stream消息就是上面提到的ManagedBuffer中的Stream流，在Spark内部，比如SparkContext.addFile操作会在Driver中针对每一个add进来的file/jar会分配唯一的StreamID（file/[filename]，jars/[filename]）；worker通过该StreamID向Driver发起一个StreamRequest的请求，Driver将文件转换为FIleSegmentManagedBuffer返回给Worker，这就是StreamMessage的用途之一；

ChunkFetch也有一个类似Stream的概念，ChunkFetch的对象是“一个内存中的Iterator[ManagedBuffer]”，即一组Buffer，每一个Buffer对应一个chunkIndex，整个Iterator[ManagedBuffer]由一个StreamID标识。Client每次的ChunkFetch请求是由（streamId，chunkIndex）组成的唯一StreamChunkId，Server端根据StreamChunkId获取为一个Buffer并返回给Client；不管是Stream还是ChunkFetch，在Server的内存中都需要管理一组由StreamID与资源之间映射，即StreamManager类，它提供了getChunk和openStream两个接口来分别响应ChunkFetch与Stream两种操作，并且针对Server的ChunkFetch提供一个registerStream接口来注册一组Buffer，比如可以将BlockManager中一组BlockID对应的Iterator[ManagedBuffer]注册到StreamManager，从而支持远程Block Fetch操作。

Case：对于ExternalShuffleService（一种单独shuffle服务进程，对其它计算节点提供本节点上面的所有shuffle map输出），它为远程Executor提供了一种OpenBlocks的RPC接口，即根据请求的appid，executorid，blockid（appid + executor对应本地一组目录，blockid拆封出）从本地磁盘中加载一组FileSegmentManagedBuffer到内存，并返回加载后的streamId返回给客户端，从而支持后续的ChunkFetch的操作。

RPC是第三种核心的Message，和Stream/ChunkFetch的Message不同，每次通信的Body是类型确定，在rpcHandler可以根据每种Body的类型进行相应的处理。在Spark1.6.*版本中，也正式使用基于Netty的RPC框架来替代Akka。

Server的结构

Server构建在Netty之上，它提供两种模型NIO和Epoll，可以通过参数（spark.[module].io.mode）进行配置，最基础的module就是shuffle，不同的IOMode选型，对应了Netty底层不同的实现，Server的Init过程中，最重要的步骤就是根据不同的IOModel完成EventLoop和Pipeline的构造，如下所示：

根据IO模型的不同，构造不同的EventLoop/ClientChannel/ServerChannel

EventLoopGroup createEventLoop (IOMode mode,int numThreads, String threadPrefix){
            switch (mode) {
                case NIO:
                    return new NioEventLoopGroup(numThreads, threadFactory);

                case EPOLL:
                    return new EpollEventLoopGroup(numThreads, threadFactory);
            }
        }

        Class getClientChannelClass(IOMode mode) {
            switch (mode) {
                case NIO:
                    return NioSocketChannel.class;

                case EPOLL:
                    return EpollSocketChannel.class;
            }
        }

        Class getServerChannelClass(IOMode mode) {
            switch (mode) {
                case NIO:
                    return NioServerSocketChannel.class;

                case EPOLL:
                    return EpollServerSocketChannel.class;
            }
        }
//构造pipelet

        responseHandler = new TransportResponseHandler(channel);
        TransportClient client = new TransportClient(channel, responseHandler);
        requestHandler = new TransportRequestHandler(channel, client, rpcHandler);
        channelHandler = new TransportChannelHandler(client, responseHandler, requestHandler, conf.connectionTimeoutMs(), closeIdleConnections);
        channel.pipeline()
                .addLast("encoder", encoder)
                .addLast(TransportFrameDecoder.HANDLER_NAME, NettyUtils.createFrameDecoder())
                .addLast("decoder", decoder)
                .addLast("idleStateHandler", new IdleStateHandler())
                .addLast("handler", channelHandler);
    }

其中，MessageEncoder/Decoder针对网络包到Message的编码和解码，而最为核心就TransportRequestHandler，它封装了对所有请求/响应的处理；TransportChannelHandler内部实现也很简单，它封装了responseHandler和requestHandler，当从Netty中读取一条Message以后，根据判断路由给相应的reponseHandler和requestHandler。

 @Override
  public void channelRead0(ChannelHandlerContext ctx, Message request) throws Exception {
    if (request instanceof RequestMessage) {
      requestHandler.handle((RequestMessage) request);
    } else {
      responseHandler.handle((ResponseMessage) request);
    }
  }

Server提供的RPC、ChunkFetch、Stream的功能都是依赖TransportRequestHandler来实现的；从原理上来说，RPC与ChunkFetch/Stream还是有很大不同的，其中RPC对于TransportRequestHandler来说是功能依赖，而ChunkFetch/Stream对于TransportRequestHandler来说只是数据依赖。怎么理解？即TransportRequestHandler已经提供了ChunkFetch/Stream的实现，只需要在构造的时候，向TransportRequestHandler提供一个streamManager，告诉RequestHandler从哪里可以读取到Chunk或者Stream。而RPC需要向TransportRequestHandler注册一个rpcHandler，针对每个RPC接口进行功能实现，同时RPC与ChunkFetch/Stream都会有同一个streamManager的依赖，因此注入到TransportRequestHandler中的streamManager也是依赖rpcHandler来实现，即rpcHandler中提供了RPC功能实现和streamManager的数据依赖。

//****参考TransportRequestHandler的构造函数
public TransportRequestHandler(
      Channel channel,
      TransportClient reverseClient,
      RpcHandler rpcHandler) {
    this.channel = channel;
    this.reverseClient = reverseClient;
    this.rpcHandler = rpcHandler;//注入功能
    this.streamManager = rpcHandler.getStreamManager();//注入streamManager
  }

//实现ChunkFecth的功能
private void processFetchRequest(final ChunkFetchRequest req) {
    buf = streamManager.getChunk(req.streamChunkId.streamId, req.streamChunkId.chunkIndex);
    respond(new ChunkFetchSuccess(req.streamChunkId, buf));
}

//实现Stream的功能
private void processStreamRequest(final StreamRequest req) {
    buf = streamManager.openStream(req.streamId);
    respond(new StreamResponse(req.streamId, buf.size(), buf));
}

//实现RPC的功能
private void processRpcRequest(final RpcRequest req) {
    rpcHandler.receive(reverseClient, req.body().nioByteBuffer(), new RpcResponseCallback() {
        @Override
        public void onSuccess(ByteBuffer response) {
          respond(new RpcResponse(req.requestId, new NioManagedBuffer(response)));
        }

        @Override
        public void onFailure(Throwable e) {
          respond(new RpcFailure(req.requestId, Throwables.getStackTraceAsString(e)));
        }
      });
}

Client的结构

Server是通过监听一个端口，注入rpcHandler和streamManager从而对外提供RPC，ChunkFetch，Stream的服务，而Client即为一个客户端类，通过该类可以将一个streamId/chunkIndex对应的ChunkFetch请求、streamId对应的Stream请求、以及一个RPC数据包对应的RPC请求发送到服务端，并监听和处理来自服务端的响应；其中最重要的两个类即为TransportClient和TransportResponseHandler分别为上述的“客户端类”和“监听和处理来自服务端的响应”。

那么TransportClient和TransportResponseHandler是怎么配合一起完成Client的工作呢？

如上所示，由TransportClient将用户的RPC，ChunkFetch，Stream的请求进行打包并发送到Server端，同时将用户提供的回调函数注册到TransportResponseHandler，在上面一节中说过，TransportResponseHandler是TransportChannelHandler的一部分，在TransportChannelHandler接收到数据包，并判断为响应包以后，将包数据路由到TransportResponseHandler中，在TransportResponseHandler中通过注册的回调函数，将响应包的数据返回给客户端

//以TransportResponseHandler中处理ChunkFetchSuccess响应包的处理逻辑
public void handle(ResponseMessage message) throws Exception {
    if (message instanceof ChunkFetchSuccess) {
      ChunkFetchSuccess resp = (ChunkFetchSuccess) message;
      ChunkReceivedCallback listener = outstandingFetches.get(resp.streamChunkId);
      if (listener == null) {
        //没有监听的回调函数
        logger.warn("Ignoring response for block {} from {} since it is not outstanding",
          resp.streamChunkId, getRemoteAddress(channel));
        resp.body().release();
      } else {
        outstandingFetches.remove(resp.streamChunkId);
        //回调函数，并把resp.body()对应的chunk数据返回给listener
        listener.onSuccess(resp.streamChunkId.chunkIndex, resp.body());
        resp.body().release();
      }
    }
//ChunkFetchFailure/RpcResponse/RpcFailure/StreamResponse/StreamFailure处理的方法是一致的

三、Spark Network的功能应用--BlockTransfer&&Shuffle

无论是BlockTransfer还是ShuffleFetch都需要跨executor的数据传输，在每一个executor里面都需要运行一个Server线程（后面也会分析到，对于Shuffle也可能是一个独立的ShuffleServer进程存在）来提供对Block数据的远程读写服务。

在每个executor里面，都有一个BlockManager模块，它提供了对当前Executor所有的Block的“本地管理”，并对进程内其它模块暴露getBlockData(blockId：BlockId)：ManagedBuffer的Block读取接口，但是这里GetBlockData仅仅是提供本地的管理功能，对于跨远程的Block传输，则由NettyBlockTransferService提供服务。

NettyBlockTransferService本身即是Server，为其它远程Executor提供Block的读取功能，同时它即为Client，为本地其它模块暴露fetchBlocks的接口，支持通过host/port拉取任何Executor上的一组的Blocks。

NettyBlockTransferService作为一个Client

从NettyBlockTransferService作为一个Server，我们基本可以推测NettyBlockTransferService作为一个Client支持fetchBocks的功能的基本方法：

• Client将一组Blockid表示为一个openMessage请求，发送到服务端，服务针对该组BlockId返回一人唯一的streamId
• Client针对该streamId发起size（blockids）个fetchChunk操作。

核心代码如下：

//发出openMessage请求
client.sendRpc(openMassage.toByteBuffer(), new RpcResponseCallback(){
    @Override
    public void onSuccess(ByteBuffer response){
        streamHandle = (StreamHandle)response;//获取streamId
        //针对streamid发出一组fetchChunk
        for(int i = 0; i < streamHandle.numChunks; i++){
            client.fetchChunk(streamHandle.streamId, i, chunkCallback);
        }
    }
})

同时，为了提高服务端稳定性，针对fetchBlocks操作NettyBlockTransferService提供了非重试版本和重试版本的BlockFetcher，分为为OneForOneBlockFetcher和RetryingBlockFetcher，通过参数（spark.[module].io.maxRetries）进行配置，默认是重试3次。

在Spark中，Block有各种类型，可以是ShuffleBlock，也可以是BroadcastBlock等等。对于ShuffleBlock的Fetch，除了由Executor内部的NettyBlockTransferService提供服务以外，也可以由外部的ShuffleService来充当Server的功能，并由专门的ExternalShuffleClient来与其进行交互，从而获取到相应Block数据。功能的原理和实现基本一致，但是问题来了？为什么需要一个专门的ShuffleService服务呢？主要原因是为了做到任务隔离，即减轻因为fetch带来对Executor的压力，让其专心地进行数据计算。

其实外部的ShuffleService最终是来自Hadoop的AuxiliaryService概念，AuxiliaryService为计算节点NodeManager常驻的服务线程，早期的MapReduce是进程级别的调度，ShuffleMap完成shuffle文件的输出以后，即立刻退出，在ShuffleReduce过程中由谁来提供文件的读取服务呢？即AuxiliaryService，每一个ShuffleMap都会将自己在本地的输出，注册到AuxiliaryService，由AuxiliaryService提供本地数据的清理以及外部读取的功能。

在目前Spark中，也提供了这样的一个AuxiliaryService：YarnShuffleService，但是对于Spark不是必须的，如果考虑到需要“通过减轻因为fetch带来对Executor的压力”，那么就可以尝试尝试。

同时，如果启用了外部的ShuffleService，对于shuffleClient也不是使用上面的NettyBlockTransferService，而是专门的ExternalShuffleClient，功能逻辑基本一致。

四、Spark Network的功能应用--新的RPC框架

Akka的通信模型是基于Actor，一个Actor可以理解为一个Service服务对象，它可以针对相应的RPC请求进行处理，如下所示，定义了一个最为基本的Actor：

class HelloActor extends Actor {
    def receive = {
        case "hello" => println("world")
        case _ => println("anything")
    }
}

Receive = PartialFunction[Any, Unit]

Actor内部只有唯一一个变量（当然也可以理解为函数），即Receive，它为一个偏函数，通过case语句可以针对Any信息进行相应的处理，这里Any消息在实际项目中就是消息包。

另外一个很重要的概念就是ActorSystem，它是一个Actor的容器，多个Actor可以通过name -> Actor注册到Actor中，在ActorSystem中可以根据请求不同将请求路由给相应的Actor。ActorSystem和一组Actor构成一个完整的Server端，此时客户端通过host：port与ActorSystem建立连接，通过指定name就可以相应的Actor进行通信，这里客户端就是ActorRef。所有Akka整个RPC通信系列是由Actor，ActorRef，ActorSystem组成。

Spark基于这个思想在上述的Network的基础上实现一套自己的RPC Actor模型，从而取代Akka。其中RpcEndpoint对于Actor，RpcEndpointRef对应ActorRef，RpcEnv即对应了ActorSystem。

下面具体进行分析它的实现原理。

private[spark] trait RpcEndpoint {
    def receive: PartialFunction[Any, Unit] = {
        case _ => throw new SparkException()
    }
    def receiveAndReply(context: RpcCallContext): PartialFunction[Any, Unit] = {
        case _ => context.sendFailure(new SparkException())
    }
    //onStart(), onStop()
}

RpcEndpoint与Actor一样，不同RPC Server可以根据业务需要指定相应receive/receiveAndReply的实现，在Spark内部现在有N多个这样的Actor，比如Executor就是一个Actor，在Spark内部现在有N多个这样的Actor，比如Executor就是一个Actor，它处理来自Driver的LaunchTask/KillTask等消息。

RpcEnv相对于ActorSystem：

• 首先它作为一个Server，它通过NettyRpcHandler来提供了Server的服务能力
• 其次它作为RpcEndpoint的容器，它提供了setupEndpoint(name, endpoint)接口，从而实现将一个RpcEndpoint以一个Name对应关系注册到容器中，从而通过Server对外提供Service
• 最后它作为Client的适配器，它提供了setupEndpoinRef/setupEndpointRefByURI接口，通过指定Server端的Host和PORt，并指定RpcEndpointName，从而获取一个与指定Endpoing通信的引用。

RpcEndpointRef即为与相应Endpoint通信的引用，它对外暴露了send/ask等接口，实现将一个Message发送到Endpoint中。

这就是新版本的PRC框架的基本功能，它的实现基本上与Akka无缝对接，业务的迁移功能很小，目前基本上都全部迁移完了。

RpcEnv内部实现原理

RpcEnv不仅从外部接口与Akka基本一致，在内部的实现上，也基本差不多，都是按照MailBox的设计思路来实现的；

如上图所示，RpcEnv即充当着Server，同时也为Client内部实现。当As Server，RpcEnv会初始化一个Server，并注册NettyRpcHandler，在前面描述过，RpcHandler的receive接口负责对每一个请求进行处理，一般情况下，简单业务可以在RpcHandler直接完成请求的处理，但是考虑到一个RpcEnv的Server上会挂载了很多个RpcEndpoint，每个RpcEndpoint的RPC请求频率不可控，因此需要对一定的分发机制和队列来维护这些请求，其中Dispatcher为分发器，InBox即为请求队列；

在将RpcEndpoint注册到RpcEnv过程中，也间接地将RpcEnv注册到Dispatcher分发器中，Dispatcher针对每个RpcEndpoint维护一个InBox，在Dispatcher维持一个线程池（线程池大小默认为系统可用的核数，当然也可以通过spark.rpc.netty.dispatcher.numThreads进行配置），线程针对每个InBox里面的请求进行处理。当然实际的处理过程是由RpcEndpoint来完成。

这就是RpcEnv As Server的基本过程。

其次RpcEnv也完成Client的功能实现，RpcEndpointRef是以RpcEndpoint为单位，即如果一个进程需要和远程机器上New个RpcEndpoint服务进行通信，就对应N个RpcEndpointRef（后端的实际的网络连接是公司，这个是TransportClient内部提供了连接池来实现的），当调用 一个RpcEndpointRef的ask/send等接口时候，会将把“消息内容 + RpcEndpointRef + 本地地址”一起打包为一个RequestMessage，交由RpcEnv进行发送。注意这里打包的消息里面包括RpcEndpointRef本身是很重要的，从而可以由Server端识别出这个短消息对应的是哪一个RpcEndpoint。

和发送端一样，在RpcEnv中，针对每个remote端的host:port维护一个队列，即OutBox，RpcEnv的发送仅仅是把消息放入相应的队列中，但是和发送端不一样的是：在OutBox中没有维护一个所谓的线程池来定时清理OutBox，而是通过一堆synchronized来实现的，这点舍得商榷。