本文作者：王晓平，阿里云智能计算平台事业部高级产品经理
以下内容根据演讲视频以及PPT整理而成。
本次的分享主要围绕以下三个方面：
一、EMR产品概述
二、EMR产品新特性
三、EMR Road Map
一、产品概述
- E-MapReduce（EMR）是什么
E-MapReduce是阿里云上云原生的开源大数据平台，一款利用开源大数据解决用户分析问题的大数据产品。在2016年6月，E-MapReduce开始公测，2016年9月开始商业化，目前为止E-MapReduce已经商业化三年多的时间。在2019年8月，阿里发布了E-MapReduce (EMR)敏捷版。在2019年10月，阿里巴巴将发布EMR4.0版本。EMR4.0版本的Hadoop将会升级到3.1.x。
- EMR产品特性：
EMR产品特性主要展现在以下三个方面。
100%开源组件：EMR产品所使用的大数据组件为100%开源组件。对用户来说，学习成本和迁移成本都相对较低。此外，EMR会根据社区的进度和Bug Fix进行升级，保证产品是根据社区持续升级，实现较好的用户体验。还有，EMR对Spark、Hadoop、Kafka等组件均有性能和应用性的增强。以Spark为例，EMR比较早的集成了Spark AE，推测执行的自动化和特性，同时包括基于Spark来进行物化视图的自研的产品功能。
成本优势：EMR产品相对于用户自建Hadoop更具有成本优势。首先，EMR集群支持弹性伸缩。此处的弹性伸缩指两方面。比如可以根据一个时间点，大部分用户在用开源大数据Hadoop时在每天晚上12点定时跑一个较大的日报任务，而日报任务可能并不需要全天都跑，可能在早上就会跑完。此时使用弹性伸缩有利于节省计算资源。同时也可以采用按负载伸缩的方式，设置YARN Root的队列的某一个指标进行伸缩。用户可以根据自己实际的application排队情况及container分配的情况进行伸缩。其次，EMR支持OSS作为数据存储系统。除HDFS之外可以使用OSS，将HDFS的schema改为OSS路径直接读写OSS。相对来说，可以实现用户的数据分层存储，当用户的热数据放在HDFS里，冷数据则可以放在OSS中。同时实现OSS的生命周期的管理。比如说相对温数据放在一个标准型里，但如果用户的数据是一年前或者几年前的数据，则可以放到归档型或者低频型的更便宜的OSS存储中。第三个特性是EMR在弹性伸缩的基础上同时支持竞价实例。ECS提供了一种比较便宜的实例类型，即竞价实例。用户可以自己出一个价格来实现成本节省。考虑到数据可靠性的影响，竞价实例只能用在计算节点上，若上面有HDFS的数据存储，则不允许使用竞价实例或者弹性伸缩。最后，EMR可以通过作业来拉起一个临时集群。当用户只是想要跑一个大数据的任务，可以通过集群模板设置集群的配置。当作业被触发时，EMR会先创建好临时集群，作业执行完毕，临时集群会被释放掉。通过临时集群的方式实现比较灵活的集群创建和管理。
企业级特性：EMR采用了MIT Kerberos和Apache Ranger实现用户鉴权和用户权限管理。同时提供了EMR APM实现集群和作业的监控。
- EMR开源软件栈
下图是EMR目前支持的开源软件栈。最底部是EMR的Docker和ECS。通过ECS是目前在公有云上的主要形态，专有云可以通过Docker的方式，在ECS之上部署一个EMR Agent，主要负责集群管理和集群运行数据的采集，检测集群端前是否出现问题。数据导入时EMR提供了Sqoop，使用开源的DataX组件、Flume组件或SLS将数据导入到EMR上。数据存储这一块EMR支持HDFS和OSS。在OSS之上又开发了jindoFS，jindoFS可以用OSS作为数据湖的概念，通过jindoFS catch的方式做数据加速，提升OSS读取数据的效率。EMR最新版本支持Kudu和Delta Lake，帮助用户有效的构建实时数仓。用户利用Kudu或Delta Lake+流式计算，如Spark或Flink实现实时用户画像、实时推荐等功能。资源调度方面，EMR目前主要使用YARN。计算引擎方面，EMR提供了较多的计算引擎，如Spark、Flink、TensorFlow、Storm、Impala和Presto等。同时在顶部的应用层面提供了NoteBook、Jupyter和Zepplin以及开源的Hue。EMR是一个半托管的形态，用户自建的系统也可以无缝迁移。阿里自研的EMR-Flow可实现工作流的调度。
- EMR集群特性
目前EMR支持五种集群类型。目前五种集群类型的购买是独立的，在购买集群的首页可以选择一个集群类型，如Hadoop，Kafka，或者ZooKeeper集群。
Hadoop大数据平台：一般用户都会购买一个Hadoop平台，然后再实现批计算、流式计算、数据仓库、Ad hoc查询、NoSQL和HBase等。
Kafka：若用户希望实现一个半托管的Kafka，可以购买EMR Kafka系统实现消息系统。
TensorFlow：TensorFlow目前在深度学习、机器学习方面非常受欢迎。EMR可以实现TensorFlow，既On YARN的执行和TensorFlow On Spark的运行。
Druid：EMR对于实时OLAP有一个独立的集群类型druid。
ZooKeeper：在集群功能较大的情况下，用户可以购买独立的ZooKeeper集群实现分布式协调系统。如Kafka、Druid、HDFS、YARN或HBase等都需要ZooKeeper。
- EMR半托管形态
如下图，EMR目前是半托管形态。用户可以通过ssh login的方式登录ECS节点，在ECS节点上部署EMR的服务，如工作流调度、智能诊断、弹性伸缩、资源池等功能。EMR有更低的迁移成本。如果用户是Hadoop基础体系，可拥有更低的迁移成本和学习成本。在用户人力资源不充沛的情况下可以通过EMR有效实现运维成本的节省。
- EMR集群节点类型
EMR集群节点类型主要分以下四种。
Master节点：Master节点部署了HDFS Name Node和YARN Resource Manager。此外，相应的HDFS、YARN、Hive、HBase等组件均已实现了HA机制。
Core节点：Core节点主要部署YARN NodeManager和DataNode。Core节点不支持弹性伸缩。
Task节点：用户可以使用Task进行弹性伸缩或者使用竞价实例的购买方式。如果用户有深度学习需求，可以通过YARN调度GPU资源，同时也可以在Task节点选择购买GPU实例。
Gateway节点：Gateway节点部署Haddop、Spark、Flink等组件的客户端，支持部署不同部门采用不同的参数和配置。因为用户可能会在不同客户端采用不同配置，从而实现用户隔离，用户可以购买Gateway节点实现资源配置上的隔离，同时减轻Master节点上的工作压力。
二、产品新特性
- EMR基础能力升级
计算能力升级：阿里云刚刚发布了第六代企业级实例，既CPU从Skylake升级到Cascade Lake，睿频从2.7GHz加速提升到3.2GHz。由下图可发现，相对于第五代企业级实例，第六代企业级实例CPU性能和内存读写性能都有显著提升。阿里云在2019年九月底上线第六代企业级实例，提供更高的计算性能和更低的产品价格，将技术的红利让给用户。
存储能力升级：EMR已支持ESSD云盘。ESSD云盘全称是企业级SSD云盘。ESSD云盘的单盘IOPS有较大提升，在EMR Kudu，HBase等场景下有较好的表现和性能。ESSD云盘分为PL1、PL2、PL3三种，目前EMR支持PL1级的ESSD云盘，从性能上PL1级已经基本满足用户需求。下图右下对比图分别是ESSD云盘和SSD云盘在块存储方面官网的标称的性能指标。通过对比图可以发现ESSD在单盘IOPS和单盘吞吐性能上都有较大幅度的提升。
- EMR软件栈升级
EMR Hadoop目前支持Hadoop2.7.2和Hadoop2.8.5两个版本，社区EMR3.0版本逐渐成熟之后EMR4.0会将版本升级到Hadoop3.1.2版本。同时，EMR 4.0 新增支持Kudu1.1.0和Delta Lake 0.3。EMR4.0中Apache Flink升级至1.8.1。在Apache社区Flink升级至1.9.0或1.9.1后，EMR会再考虑Apache Flink升级。EMR4.0支持OpenLDAP。如果用户使用的是OpenLDAP，则可以进行平滑迁移。下图右侧是当前EMR已经支持的一些版本，这些版本在EMR 4.0发布后会实时保持和社区更新同步，当前用户已经购买的Hadoop2.7.2和Hadoop2.8.5两个版本也会进行升级更新，保证用户平稳使用。
- EMR生态集成
EMR+DataWorks：EMR作为一个云原生软件，在云上有一系列生态集成，如OSS的集成和ES的集成。一部分用户同时使用了EMR和Elastic Research或云Elastic Research。EMR已经集成了Elastic Research组件，可实现数据的打通。如下图左侧，创建DataWorks项目时选择计算引擎，之前只能选择Maxcompute和实时计算，现在多了两个选择，一个是EMR，另一个是刚开始公测的交互式分析。用户在创建DataWorks作业时，可以将作业运行在一个已经存在的Hadoop集群上。在写的时候只要相应的输入accessKey和accessID，输入EMR的集群id，则可以将这个任务调度到EMR集群上。下图右侧展示了若用户目前以EMR作为计算引擎，只要用户购买了DataWorks相应付费版软件，就可以实现数据血缘跟踪，表和相应列的源数据信息的查看。
EMR+PAI：生态集成的另外一方面是阿里云上非常受欢迎的深度学习平台PAI。目前大数据+AI是一个非常重要的场景。EMR已经能够实现TensorFlow On YARN和 TensorFlow On Spark，可以通过YARN实现对TensorFlow作业的调度，作业可以跑在CPU以及GPU上。同时，TensorFlow也可以跑在Spark RDD上进行计算。EMR+PAI集成主要体现在将PAI这一个企业级分布式的深度学习计算框架部署在EMR上。因为PAI TensorFlow完全兼容于开源的TensorFlow，同时在显存和分布式通信方面有深度优化。另一方面，PAI的计算模型PAI-FastNN集成了11种经典的神经网络模型，能够跑在EMR上，实现开箱即用的效果。
4、EMR数据迁移
EMR正在与阿里云上另一款灾备产品HDR-BD进行集成实现数据灾备和迁移。目前支持社区Hadoop2.7.x/3.1.x，HDP，CDH版本。Source和Target集群双活，实现HDFS和Hive数据的迁移，同时支持迁移到OSS上。
三、Road Map
EMR在未来几个月的主要工作首先是在本地盘实例运维。大部分用户会使用ECS的大数据实例。大数据实例最大的特点是存储成本相对较低，对于数据量比较大的用户是一种比较好的成本优化方式。对于大数据来说，几千或者几万块盘在管理时如果出现单盘的损坏，对作业的稳定性会产生比较大的影响。EMR的主动运维能力主要体现在用户单键点击便可实现对磁盘的隔离，确定对坏盘的较为安全的处理方式。此外，EMR与PAI和DataWorks会有比较深入的融合，构建开源的大数据AI平台以及开源大数据数据仓库。在未来，EMR同时会基于Kudu，Delta以及目前较为流行的Flink，Spark Streaming等计算框架实现实时数仓的构建。在2019年底或2020年初，EMR会推出第二代企业级大数据实例。第二代企业级大数据实例的计算性能会大幅提升，同时成本会持平或小幅节省，将更大的成本优化的空间贡献给客户。