Capacity Scheduler以隊列爲單位劃分資源，每個隊列可以設定一定比例的資源最低保證和使用上限，每個用戶也可以設定一定的資源使用上限以防止濫用隊列中的資源。當一個隊列的資源有剩餘時，可暫時將剩餘資源給其他隊列使用。
在yarn-site.xml文件中指定使用CapacityScheduler
<property>
<name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>
Capacity Scheduler介紹：
容量調度器有個預定義的隊列，名字是root，所有的隊列都是root的子隊列。更多的子隊列可以被設置，通過配置yarn.scheduler.capacity.root.queues，逗號分開的子隊列即可(同一級隊列資源佔比加起來必須是100%)。如下所示：
<property>
<name>yarn.scheduler.capacity.root.queues</name>
<value>a,b</value>
<property>
子隊列還可以繼續設置子隊列:
<property>
<name>yarn.scheduler.capacity.root.a.queues</name>
<value>a1,a2,a3</value>
</description>
</property>
每個子隊列設置如下資源相關配置：
<property>
<name>yarn.scheduler.capacity.root.a.capacity</name>
<value>10</value>
</property>
系統繁忙時，a這個隊列最少可以佔用root隊列10%的資源(如果a這個隊列不是很繁忙，那麼這個隊列中的資源可能被其他隊列借走)。注意，子隊列值之和要等於100
<property>
<name>yarn.scheduler.capacity.root.a.maximum-capacity</name>
<value>100</value>
</property>
系統繁忙時，a這個隊列最多可以佔用root隊列100%的資源，該配置決定了隊列資源的上限。
<property>
<name>yarn.scheduler.capacity.root.a.user-limit-factor</name>
<value>1</value>
</property>
每個用戶可以使用隊列資源佔比，當前1表示可以使用100%的capacity資源
<property>
<name>yarn.scheduler.capacity.root.a.state</name>
<value>RUNNING</value>
</property>
隊列的狀態，可以爲STOPPED或者RUNNING,
<property>
<name>yarn.scheduler.capacity.root.a.acl_submit_applications</name>
<value>*</value>
</property>
<property>
<name>yarn.scheduler.capacity.root.a.acl_administer_queue</name>
<value>*</value>
</property>
這兩個設置用於限制那些用戶可以使用隊列，*表示不限制
除了以上這些，還有一些其他的配置：
<property>
<name>yarn.scheduler.capacity.maximum-applications</name>
<value>10000</value>
</property>
集羣中application最大數目
<property>
<name>yarn.scheduler.capacity.maximum-am-resource-percent</name>
<value>0.1</value>
</property>
集羣中用於運行應用程序ApplicationMaster的資源比例上限，該參數通常用於限制處於活動狀態的應用程序數目。所有隊列的ApplicationMaster資源比例上限可通過參數yarn.scheduler.capacity.maximum-am-resource-percent設置，而單個隊列可通過參數yarn.scheduler.capacity.<queue-path>.maximum-am-resource-percent設置適合自己的值
<property>
<name>yarn.scheduler.capacity.resource-calculator</name>
<value>org.apache.hadoop.yarn.util.resource.DominantResourceCalculator</value>
</property>
設置使用的資源分配算法，該算法會同時考慮CPU以及內存資源，讓所有Application的“主要資源佔比”資源儘可能的均等。
DRF算法說明：
DRF資源分配算法的設計思想是，讓所有Application的“主要資源佔比”儘量均等，對於Yarn來說資源指的就是CPU及內存。
DRF是基於Max-min fairness算法改進而來，不同的是Max-min fairness算法只支持某種單一資源的分配，該算法的詳細內容可以看參考中的鏈接，此處不展開細說。大概想法是給每個用戶都根據權重分配一定比例的資源，資源有的多的任務，將這些資源再按照權重分別給那些資源不夠的任務。
DRF首先會計算任務是CPU密集型資源還是內存密集型資源，哪個佔的比例大哪個就稱爲主資源。DRF就是將Max-min fairness算法應用在主資源上，最大化主資源。上一張論文中的經典例子：
系統中一共有9個CPU，18G內存，任務A需要(1CPU,4G內存)，任務B需要(3CPU,1G內存)，因爲1/9 < 4/18，所以任務A的主資源是內存，任務B的主資源是CPU。
每次迭代都要選擇一個用戶爲其分配資源，用戶的選擇辦法：選擇當前主資源佔比最小的用戶，即已經分配給用戶的主資源佔這種資源總量的比例哪個小，優先給哪個用戶分配資源。
所以個人覺得論文上的這圖好像有點問題，應該是ABABA纔對，因爲一開始A對主資源的需求比B要小，4/18 < 3/9。
Yarn實際應用中還會考慮任務設置的權重，資源分配的思路和這個是差不多的。
參考：
https://my.oschina.net/guol/blog/1574106(Yarn Web UI參數解析)
https://www.jianshu.com/p/7b1dbb772f93(Max-min fairness最大最小公平算法)
http://static.usenix.org/event/nsdi11/tech/full_papers/Ghodsi.pdf(DRF算法論文)