YARN
YARN基本介绍
• Hadoop集群的资源管理系统（ResourceManger->RM）
• 更高级：集群操作系统
– 为应用程序提供了基本服务来更好地利用大的、动态的、并行的基础设施资源
• Hadoop2.0对MapReduce框架做了彻底的重构
• Hadoop2.0中的MapReduce成为MRv2或者Yarn
• 负责集群的资源管理和调度
• 使得多种计算框架可以运行在一个集群中
• 在Yarn中，Job的概念换成了application
• 特点：
– 良好的扩展性、高可用
– 对多种类型应用进行统一管理和调度
– 自带了多种用户调度器，适合共享集群环境
– 相比传统模式，提高了资源利用率、降低运维成本和数据共享成本
Hadoop1.0 和 Hadoop2.0 对比
Hadoop1.0
• JobTracker必须不断跟踪所有TaskTracker和所有map、reduce任务， TaskTracker上的任务都是JobTracker来分配的
• 优化方向：
– 我们减少了单个 JobTracker 的职责，将部分职责委派给 TaskTracker，因为集群中有许多 TaskTracker。在新设计中，这个概念通过将 JobTracker 的双重职责（集群资源管理和任务协调）分开为两种不同类型的进程来反映
– 不再拥有JobTracker，引入集群管理器，负责跟踪集群中的活动节点和可用资源，并将它们分配给任务
– 对于提交给集群的每个作业，会启动一个专用的、短暂的 JobTracker 来控制该作业中的任务的执行，短暂的 JobTracker 由在从属节点上运行的 TaskTracker 启动
Hadoop2.0
• ResourceManager（RM） 代替集群管理器
• ApplicationMaster（AM） 代替一个专用且短暂的 JobTracker
• NodeManager（NM） 代替 TaskTracker
• 一个分布式应用程序代替一个 MapReduce 作业
• 重构的根本思想：将 JobTracker 两个主要的功能分离成单独的组件，这两个功能是资源管理和任务调度 / 监控
• 原框架中核心的 JobTracker 和 TaskTracker 不见了，取而代之的是 ResourceManager, ApplicationMaster 与 NodeManager 三个部分
• MapReduce经历了完全重构，不再是Hadoop的核心组件，而成为Yarn上的一 种应用框架，称为MRv2（MapReduce的第二版）
（hadoop1.0 和 hadoop2.0）
RM（ResourceManage）
• RM处理客户端请求，接收JobSubmitter提交的作业，按照作业的上下文 (Context) 信息，以及从 NodeManager（NM） 收集来的状态信息，启动调度 过程，分配一个 Container 作为 App Mstr
• RM拥有为系统中所有应用资源分配的决定权，是中心服务，做的事情就是调度 、启动每一个Job所属的Application、另外监控Application的存在情况
• 与运行在每个节点上的NM进程交互，通过心跳通信，达到监控NM的目的
• RM有一个可插拔的调度器组件Scheduler
– Scheduler是一个纯粹的调度器：
• 不负责应用程序的监控和状态跟踪
• 不保证应用程序失败或者硬件失败的情况下对Task的重启
NM（NodeManage）
• 是slave进程，类似TaskTracker的角色，是每个机器框架代理
• 处理来自RM的任务请求
• 接收并处理来自ApplicationMaster的Container启动、停止等各种请求
• 负责启动应用程序的Container（执行应用程序的容器），并监控他们的资源使用情况（CPU、内存、磁盘和网络），并报告给RM
• 总的来说，在单节点上进行资源管理和任务管理
AM（ApplicationMaster）
• 应用程序的Master，每一个应用对应一个AM，在用户提交一个应用程序时，一 个AM的轻量型进程实例会启动，AM协调应用程序内的所有任务的执行 • 负责一个Job生命周期内的所有工作，类似旧的JobTracker
• 每一个Job都有一个AM，运行在RM以外的机器上
• 与RM协商资源
– 与Scheduler协商合适的Container
• 与NM协同工作与Scheduler协商合适的Container进行Container的监控
• 是一个普通Container的身份运行
Container
• 是任务运行环境的抽象封装
• Container只是使用NM上指定资源的权利
• AM必须向NM提供更多的信息来启动Container
• 描述任务的运行资源（节点、内存、cpu）、启动命令和运行环境
Yarn 框架对于旧的 MapReduce 框架的优势
• 减小了 JobTracker（也就是现在的 RM）的资源消耗，并且让监测每一个 Job 子任务 (tasks) 状态的程序分布式化了，更安全、更优美
• AM是一个可变更的部分，用户可以对不同的编程模型写自己的 AM，让更多类型的编程模型能够跑在 Hadoop 集群中
• 对于资源的表示以内存为单位，比之前以剩余 slot 数目更合理
• 老的框架中，JobTracker 一个很大的负担就是监控 job 下的 tasks 的运行状况 ，现在，这个部分就扔给 ApplicationMaster 做了
• 资源表示成内存量，那就没有了之前的 map slot/reduce slot 分开造成集群资 源闲置的尴尬情况
Yarn 框架的运行过程
• Client请求Resource Manager运行一个 Application Master实例（step 1）；
• Resource Manager选择一个Node Manager，启 动一个Container并运行Application Master实例（ step 2a、step 2b）；
• Application Master根据实际需要向Resource Manager请求更多的Container资源（step 3）；
• Application Master通过获取到的Container资源执行分布式计算（step 4a、step 4b）
Yarn 的容错能力
• RM挂掉：单点故障，新版本可以基于Zookeeper实现HA高可用集群，可通过 配置进行设置准备RM，主提供服务，备同步主的信息，一旦主挂掉，备立即做 切换接替进行服务
• NM挂掉：不止一个，当一个挂了，会通过心跳方式通知RM，RM将情况通知对 应AM，AM作进一步处理
• AM挂掉：若挂掉，RM负责重启，其实RM上有一个RMApplicationMaster， 是AM的AM，上面保存已经完成的task，若重启AM，无需重新运行已经完成的 task
Yarn 的调度器
• FIFO Scheduler：按提交顺序，最简单，大应用占用所有集群资源，不适合共享集群
• Capacity Scheduler：专有队列运转小任务，预先占一定集群资源，导致大任务执行时间落后于FIFO
• Fair Scheduler：不需要预占，动态调整，公平共享
参考资料
八斗大数据
浙公网安备 33010602011771号