如何规划和配置YARN和MapReduce 2

来源：http://zh.hortonworks.com/blog/how-to-plan-and-configure-yarn-in-hdp-2-0/

在HDP2.0 Beta中，Yarn作为MapReduce的资源管理器，并且可以被其他的编程模型所使用，这简化了MapReduce，让MapReduce做它最擅长的数据处理工作。使用Yarn，能够在Hadoop上运行多种类型的应用，这些应用共享资源管理。

 

这篇文章中我们将会讲解在企业版HDP2.0中如何规划和配置集群处理能力，这将会涉及到Yarn和MapReduce 2。我们假设集群中每个结点配置为48G RAM，12块硬盘，2个6核心CPU（共12核).

Yarn管理了集群中所有可用资源，处理集群中所有应用（比如MapReduce）的请求。Yarn以Container为单位为应用分配处理能力，Container是处理能力和资源（memory、cpu等）的封装。

配置Yarn

     在Hadoop集群中，平衡RAM、CPU和Disk的使用率至关重要，以免处理能力不会被任何一种资源所限制。一般来说，1块Disk和一个Core分配给一到两个Container能够更好的平衡集群的利用率，因此在我们的例子中每个Node 12 Disk, 12 Cores，允许最多分配20个Container。

     每个Node有48G RAM, 一些RAM需要保留给OS使用，因此我们分配40G给Yarn，8G给OS。以下属性配置了Node上Yarn能够使用的最大内存：

yarn-site.xml中：

     <name>yarn.nodemanager.resource.memory-mb</name>

<value>40960</value>

以下步骤是如何划分集群中所有资源给Container的一个指导，可以指定分配给每个Container的最大RAM，我们最多有20个Container，因此每个Container最小有2G RAM（共40G/20Containers)。

yarn-site.xml中：

     <name>yarn.scheduler.minimum-allocation-mb</name>

<value>2048</value>

Yarn给每个Container分配RAM至少 yarn.scheduler.minimum-allocation-mb大小。

配置MapReduce 2

      MR v2是基于Yarn的，使用Yarn Containers调度和执行Map Reduce tasks. 在Yarn上配置MR v2资源利用时需要考虑以下三个方面：

      1、每个Map Reduce Task的物理RAM限制

      2、每个Task的JVM Heap大小

      3、每个Task的虚拟内存大小

你可以定义每个Task的最大内存，每个Map Reuce Task都是运行在单独的Container中，所以Task的最大内存大小应该大于或等于Yarn为Container分配的最小大小。

 我们的例子中，每个Container的最小RAM（ yarn.scheduler.minimum-allocation-mb ）为2G，我们为Map Task Container分配4G, Ruduce Task  Container分配8G，

       mapred-site.xml中：

            <name>mapreduce.map.memory.mb</name>

 <value>4096</value>

<name>mapreduce.reduce.memory.mb</name>

<value>8192</value>

每个Container都会启动JVM运行MapReduce Task， JVM的Heap大小应该小于以上Map Reduce RAM的定义，这样就不会超过为Container分配的RAM边界。

mapres-site.xml中：

<name>mapreduce.map.java.opts</name>

<value>-Xmx3072</value>

<name>mapreduce.reduce.java.opts</name>

<value>-Xml6144m</value>




以上配置了MapReduce Task使用的堆（ 物理内存） 上限。每个MapReduce Task的虚拟内存上限由Container的虚拟内存率决定，以下属性配置此值，默认是2.1

yarn-site.xml中：

              <name>yarn.nodemanager.vmem-pmem-ratio</name>

             <value>2.1</value>




通过以上配置每个Map Task的内存分配如下：

物理内存4G

Map Task Container中JVM Heap上限3G

虚拟内存上限4*2.1=8.4G

在Yarn和MR v1中，再也没有为Map Reduce Task提前分配好的静态slots,整个集群为job按需动态分配Map Reduce资源。在我们的例子中，通过以上配置，YARN在每个Node上最多分配10(40/4)个mapper或最多分配5(40/8)个Reducer,或者范围内Map Reduce Task的组合.

下一步：

在HDP 2.0 Beta版中，可以使用   Apache Ambari   配置YARN和Map Reduce 2.