Yarn框架

一种新的Hadoop资源管理器,一个通用资源管理系统

提供统一的资源管理与任务调度及监控,提高了集群管理效率,资源使用率和数据共享效率

MRv1存在的主要问题

jobTracker单点故障,如果他挂掉 整个系统无法运转

jobTracker负载过重 限制了集群扩展 随着节点规模的增大 成为集群的瓶颈

仅支持MR计算框架 适合批处理 基于磁盘的计算

资源与计算没有很好的解耦设计 一个集群只能使用一个计算框架 ,造成管理复杂,资源利用率低的难题

Yarn的特点

资源管理与计算框架解耦设计,一个集群资源共享给上层各个计算框架 按需分配,大大提高资源利用率

运维成本显著下降,只需运维一个集群 同时运行满足多种业务需求的计算框架

集群内数据共享一致 数据不再需要集群间拷贝转移,达到共享互用

避免单点故障 集群资源扩展得到合理解决

Yarn

YARN总体上仍然是Master/Slave结构，在整个资源管理框架中，ResourceManager为Master，NodeManager为Slave。YARN主要由ResourceManager、NodeManager、ApplicationMaster和Container等几个组件构成。

2.1概略介绍

• Master/Slave结构，1个ResourceManager和多个NodeManager
• Yarn由Client、ResourceManager、NodeManager、ApplicationMaster组成
• Client向ResourceManager提交启动任务、杀死任务等命令请求
• ApplicationMaster由对应的计算框架编写的应用程序完成。每个应用程序对应一个ApplicationMaster，ApplicationMaster向ResourceManager申请资源用于在NodeManager上启动相应的Task
• NodeManager向ResourceManager通过心跳信息汇报NodeManager监控状况、任务执行状况、领取任务等

2.2详细介绍

• Client：面向用户提交的Driver代码，作为用户编程的接口，与ResourceManager交互。
• ResourceManager：整个集群只有一个是存活(active)的，负责集群资源的统一管理和调度

1. 负责整个集群的资源分配和调度
2. 处理来自客户端的请求，启动、杀死应用程序
3. 启动、监控ApplicationMaster，一旦一个AM挂了之后，RM将会在另一个NodeManager上启动该AM
4. 监控NodeManager，接收NM的心跳汇报信息，获取NM的资源使用情况和Container运行状态

• NodeManager：整个集群中有多个，负责单节点资源管理和使用。

1. 负责单个节点上的资源管理和任务调度
2. 处理来自ApplicationMaster的命令
3. 接收并处理来自ResourceManager的Container启动、停止的各种命令，主要是对ApplicationMaster相关的操作。
4. 周期性向ResourceManager汇报本节点上的资源使用情况和Container的运行状态
5. ApplicationMaster：每个应用程序特有，负责应用程序的管理

• 数据切分

1. 为应用程序/作业向ResourceManager申请资源(Container)，并分配给内部任务
2. 与NodeManager通信以启动、停止任务
3. 任务监控和容错(在任务执行失败时重新为该任务申请资源以重启任务)
4. 处理ResourceManager发来的命令，让NodeManager重启任务、杀死Container等

• Container：对任务运行环境的抽象

1. 任务运行资源的抽象，封装了某个节点上的多维度资源，如内存、cpu、磁盘、网络等
2. 任务命令启动、停止的执行单元
3. 任务运行环境，任务运行在Container中，一个Container中既可以运行ApplicationMaster也可以运行具体的MapReduce、MPI、Spark等任务

运行流程

用户向YARN中提交应用程序/作业，其中包括ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等。

2) ResourceManager为作业分配第一个Container，并与对应的NodeManager通信，要求它在这个Container中启动该作业的ApplicationMaster。

3) NodeManager启动一个Container运行ApplicationMaster。

4) ApplicationMaster首先向ResourceManager注册，这样用户可以直接通过ResourceManager查询该作业的运行状态；然后它将为各个任务申请资源并监控任务的运行状态。

如果Container没有完全申请到位，则会先使用已经分配到位的部分Container资源进行后续的第5、6、7步骤，其余Container部分由ApplicationMaster采用轮询的方式通过RPC请求向ResourceManager申请和领取资源，直到全部资源分配到位。

5) 一旦ApplicationMaster申请到资源后，便与对应的NodeManager通信，要求它启动任务。

6) NodeManager执行ApplicationMaster发送的命令，启动Container任务。

7)各个Container通过RPC向ApplicationMaster汇报自己的状态和进度，以让ApplicationMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务。

在作业运行过程中，用户可以随时通过RPC向ApplicationMaster查询作业当前运行状态。

8) 作业完成后，ApplicationMaster向ResourceManager申请注销并关闭自己。

• Yarn调度策略

1、MRv1的调度方式

集中式调度器，资源调度和应用程序的管理功能集中到单一进程完成，扩展性差。

• 集群规模受限，集群达到一定规模(4000个节点)后，JobTracker压力过大容易发生单点故障
• 新的调度策略难以融入到现有代码中，之前仅支持MapReduce作业，现在要支持Spark等作业，而将新的作业的调度策略加入到集中式调度中是极难的工作

2、Yarn双层调度架构

为了克服集中式调度器的不足，双层调度器是一种很容易被想到的解决之道，它可看作是一种分而治之的机制或者是策略下放机制：双层调度器仍保留一个精简化的集中式资源调度器，但具体任务相关的调度策略则下放到各个应用程序调度器完成。

• 将传统的集中式调度器一分为二，即资源调度器(ResourceManager)和应用程序调度器(ApplicationMaster)
• ResourceManager即简化了的集中式资源调度器，具体作业的资源调度和管理由应用程序调度器ApplicationMaster负责

3、常用调度策略

理想情况下，我们应用对Yarn资源的请求应该立刻得到满足，但现实情况资源往往是有限的，特别是在一个很繁忙的集群，一个应用资源的请求经常需要等待一段时间才能的到相应的资源。在Yarn中，负责给应用分配资源的就是Scheduler。其实调度本身就是一个难题，很难找到一个完美的策略可以解决所有的应用场景。为此，Yarn提供了多种调度器和可配置的策略供我们选择。

3.1 FIFO Scheduler(First In First Out，先进先出)

默认的调度策略，把用户提交的作业顺序排成一个队列，所有用户共享，是一个先进先出的队列。

无法控制用户的资源使用，大的应用可能会占用所有集群资源，导致其他应用被阻塞，造成集群的可用性差，所以不适用于共享集群。一般不在生产环境中使用。

3.2 Capacity Scheduler(容器调度器)

允许多用户共享整个集群，每个用户或组织分配专门的队列，不支持抢占式。队列内部默认使用FIFO，也支持Fair调度。

3.3 Fair Scheduler(公平调度器)

目标是为所有用户分配公平的资源。也支持多用户共享集群，也可划分多队列。队列内部不是FIFO，而是采用公平分配的方式。

3.4 总结

、Yarn shell 应用

使用yarn执行任务，指定任务使用的资源队列名为oncourse。

2.1步骤拆解：

• 新建资源队列oncourse
• 修改MapReduce代码中的Driver代码，使之可以使用yarn命令指定的系统配置参数，如指定所使用的资源队列
• 修改yarn jar指定系统配置参数
• 查看执行结果
• 查看任务使用的资源队列情况

2.2详细执行：

• 新建资源队列，参考上节的配置说明
• 修改MapReduce代码中的Driver代码

新增类GenericOptionsParser：hadoop自带的解析工具类，解析传入的系统配置参数值