在Mesos和YARN中，都用到了dominant resource fairness算法(DRF)，它不同於hadoop基於slot-based實現的fair scheduler和capacity scheduler，論文閱讀：Dominant Resource Fairness: Fair Allocation of Multiple Resource Types 。
考慮在一個包括多種資源類型(主要考慮CPU和MEM)的系統的公平資源分配問題，其中不同用戶對資源有不同的需求。為了解決這個問題，伯克利的幾位大牛提出了Dominant Resource Fairness(DRF)，一種針對不同資源類型的max-min fairness。並且在Mesos的設計和實現中評估了DRF，顯示了它可以比slot-based 公平調度算法得到更好的吞吐量。
DRF是一種通用的多資源的max-min fairness分配策略。DRF背后的直觀想法是在多環境下一個用戶的資源分配應該由用戶的dominant share（主導份額的資源）決定，dominant share是在所有已經分配給用戶的多種資源中，占據最大份額的一種資源。簡而言之，DRF試圖最大化所有用戶中最小的dominant share。
舉個例子，假如用戶A運行CPU密集的任務而用戶B運行內存密集的任務，DRF會試圖均衡用戶A的CPU資源份額和用戶B的內存資源份額。在單個資源的情形下，那么DRF就會退化為max-min fairness。
DRF有四種主要特性，分別是：sharing incentive、strategy-proofness、Pareto efficiency和envy-freeness。
DRF是通過確保系統的資源在用戶之間是靜態和均衡地進行分配來提供sharing incentive，用戶不能獲得比其他用戶更多的資源。此外，DRF是strategy-proof，用戶不能通過謊報其資源需求來獲得更多的資源。DRF是Pareto-efficient，在滿足其他特性的同時，分配所有可以利用的資源，不用取代現有的資源分配。最后，DRF是envy-free，用戶不會更喜歡其他用戶的資源分配。
考慮一個有9個cpu和18GB的系統，有兩個用戶：用戶A的每個任務都請求（1CPU，4GB）資源；用戶B的每個任務都請求（3CPU，1GB）資源。如何為這種情況構建一個公平分配策略？
對於用戶A，每個任務需要消耗的資源為<1/9,4/18>=<1/9,2/9>,所以A的dominant shares為內存，比例為2/9
對於用戶B，每個任務需要消耗的資源為<3/9,1/18>=<1/3,1/18>,所以B的dominant shares為cpu，比例為1/3
通過列不等式方程可以解得給用戶A分配3份資源，用戶B分配2份資源是一個很好的選擇。
DRF的算法偽代碼為：
使用DRF的思路，分配的過程如下表所示，注意，每一次選擇為哪個資源分配的決定，取決於上次分配之后，目前dominant share最小的那個用戶可以得到下一次的資源分配。
每次迭代都要選擇一個用戶為其分配資源，用戶的選擇辦法：選擇當前Si最小的用戶。
Si：已經分配給用戶i的主資源占這種資源總量的比例
在這個例子中，用戶A的CPU占總CPU 1/9，MEM占總MEM的 2/9，而用戶B的CPU占1/3，MEM占2/9，所以A的主資源為內存，B的主資源為CPU。基於這點，DRF會最大化A的內存的最小化分配，並會最大化B的CPU的最小分配。