Capacity Scheduler以队列为单位划分资源，每个队列可以设定一定比例的资源最低保证和使用上限，每个用户也可以设定一定的资源使用上限以防止滥用队列中的资源。当一个队列的资源有剩余时，可暂时将剩余资源给其他队列使用。
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介绍：
容量调度器有个预定义的队列，名字是root，所有的队列都是root的子队列。更多的子队列可以被设置，通过配置yarn.scheduler.capacity.root.queues，逗号分开的子队列即可(同一级队列资源占比加起来必须是100%)。如下所示：
<property>
<name>yarn.scheduler.capacity.root.queues</name>
<value>a,b</value>
<property>
子队列还可以继续设置子队列:
<property>
<name>yarn.scheduler.capacity.root.a.queues</name>
<value>a1,a2,a3</value>
</description>
</property>
每个子队列设置如下资源相关配置：
<property>
<name>yarn.scheduler.capacity.root.a.capacity</name>
<value>10</value>
</property>
系统繁忙时，a这个队列最少可以占用root队列10%的资源(如果a这个队列不是很繁忙，那么这个队列中的资源可能被其他队列借走)。注意，子队列值之和要等于100
<property>
<name>yarn.scheduler.capacity.root.a.maximum-capacity</name>
<value>100</value>
</property>
系统繁忙时，a这个队列最多可以占用root队列100%的资源，该配置决定了队列资源的上限。
<property>
<name>yarn.scheduler.capacity.root.a.user-limit-factor</name>
<value>1</value>
</property>
每个用户可以使用队列资源占比，当前1表示可以使用100%的capacity资源
<property>
<name>yarn.scheduler.capacity.root.a.state</name>
<value>RUNNING</value>
</property>
队列的状态，可以为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>
这两个设置用于限制那些用户可以使用队列，*表示不限制
除了以上这些，还有一些其他的配置：
<property>
<name>yarn.scheduler.capacity.maximum-applications</name>
<value>10000</value>
</property>
集群中application最大数目
<property>
<name>yarn.scheduler.capacity.maximum-am-resource-percent</name>
<value>0.1</value>
</property>
集群中用于运行应用程序ApplicationMaster的资源比例上限，该参数通常用于限制处于活动状态的应用程序数目。所有队列的ApplicationMaster资源比例上限可通过参数yarn.scheduler.capacity.maximum-am-resource-percent设置，而单个队列可通过参数yarn.scheduler.capacity.<queue-path>.maximum-am-resource-percent设置适合自己的值
<property>
<name>yarn.scheduler.capacity.resource-calculator</name>
<value>org.apache.hadoop.yarn.util.resource.DominantResourceCalculator</value>
</property>
设置使用的资源分配算法，该算法会同时考虑CPU以及内存资源，让所有Application的“主要资源占比”资源尽可能的均等。
DRF算法说明：
DRF资源分配算法的设计思想是，让所有Application的“主要资源占比”尽量均等，对于Yarn来说资源指的就是CPU及内存。
DRF是基于Max-min fairness算法改进而来，不同的是Max-min fairness算法只支持某种单一资源的分配，该算法的详细内容可以看参考中的链接，此处不展开细说。大概想法是给每个用户都根据权重分配一定比例的资源，资源有的多的任务，将这些资源再按照权重分别给那些资源不够的任务。
DRF首先会计算任务是CPU密集型资源还是内存密集型资源，哪个占的比例大哪个就称为主资源。DRF就是将Max-min fairness算法应用在主资源上，最大化主资源。上一张论文中的经典例子：
系统中一共有9个CPU，18G内存，任务A需要(1CPU,4G内存)，任务B需要(3CPU,1G内存)，因为1/9 < 4/18，所以任务A的主资源是内存，任务B的主资源是CPU。
每次迭代都要选择一个用户为其分配资源，用户的选择办法：选择当前主资源占比最小的用户，即已经分配给用户的主资源占这种资源总量的比例哪个小，优先给哪个用户分配资源。
所以个人觉得论文上的这图好像有点问题，应该是ABABA才对，因为一开始A对主资源的需求比B要小，4/18 < 3/9。
Yarn实际应用中还会考虑任务设置的权重，资源分配的思路和这个是差不多的。
参考：
https://my.oschina.net/guol/blog/1574106(Yarn Web UI参数解析)
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算法论文)