大数据笔记之YARN

Hadoop2.0

由HDFS,MR,YARN三部分组成。其中HDFS：支持NN Federation、HA。

MapReduce：运行在YARN上的MR，编程模型不变。

YARN：资源管理系统。

YARN框架

 

1. ResourceManager:处理客户端请求，启动/监控ApplicationMaster，监控NodeManager，资源分配与调度。
2. NodeManager：单个节点上的资源管理，处理来自ResourceManager的命令，处理来自ApplicationMaster的命令。
3. ApplicationMater：数据切分，为应用程序申请资源，并分配给内部任务，任务监控。

MRv2任务管理

MRv2的运行环境有YARN提供，YARN将MRv1的TaskTrack拆分为resourceManager（主要负责各节点的运行情况合理地分配资源）和 applicationManager（负责单一任务的调度以及向resourceManager请求资源）。如果集群中有多个作业，则需要多个applicationManager，解决负载过重问题。

MRv2任务流程

1. 用户向YARN中提交应用程序，其中包括ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等。
2. ResourceManager为该应用程序分配第一个Container，并与对应的NodeManager通信，要求它在这个Container中启动应用程序的ApplicationMaster。
3. ApplicationMaster首先向ResourceManager注册，这样，用户可以直接通过ResourceManage查看应用程序运行状态，然后，它将为各个任务申请资源，并监控它的运行状态，直到运行结束，即重复步骤4~7。
4. ApplicationMaster采用轮询的方式通过RPC协议向ResourceManager申请和领取资源。
5. 一旦ApplicationMaster申请到资源后，则与对应的NodeManager通信，要求其启动任务。
6. NodeManager为任务设置好运行环境（包括环境变量、jar包、二进制程序等）后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务。
7. 各个任务通过某个RPC协议向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。在应用程序运行过程中，用户可随时通过RPCApplicationMaster查询应用程序的当前运行状态。
8. 应用程序运行完成后，ApplicationMaster向ResourceManager注销，并关闭自己。

Yarn调度框架

• 双层调度框架

RM将资源分配给AM，AM将资源进一步分配给各个Task

• 基于资源预留的调度策略

资源不够时，会给Task预留，知道资源充足。

• YARN资源调度器

核心概念：Container——支持COU和内存两种资源调度方式，允许配置每个节点、每个任务可以用的CPU和内存资源总量（代码直接实现）。

提供多种资源调度其：FIFO,Fair Scheduler，Capacity Scheduler……

多租户资源调度器：支持资源按比例分配，支持层级队列划分方式，支持资源抢占。

• YARN资源隔离方案

支持内存和CPU两种资源隔离：内存是“关键！”的资源，CPU是“影响速度”的资源。

内存隔离：1.基于线程监控的方案。2.基于Cgroups的方案。

CPU隔离：默认不对CPU资源进行隔离，基于Cgroups的方案。

YARN支持的框架