Yarn

1 Hadoop1.x 和 Hadoop2.x 架构区别
在 Hadoop1.x 时代， Hadoop 中的 MapReduce 同时处理业务逻辑运算和资源的调度，耦合性较大。
在 Hadoop2.x 时代， 增加了 Yarn。 Yarn 只负责资源的调度， MapReduce 只负责运算。

2 Yarn 概述
Yarn 是一个资源调度平台，负责为运算程序提供服务器运算资源，相当于一个分布式的操作系统平台，而 MapReduce 等运算程序则相当于运行于操作系统之上的应用程序。

3 Yarn 基本架构
YARN 主要由 ResourceManager、 NodeManager、 ApplicationMaster 和 Container 等组件构成。

4 Yarn 工作机制
1 Yarn 运行机制

2 工作机制详解
0） Mr 程序提交到客户端所在的节点。
1） Yarnrunner 向 Resourcemanager 申请一个 Application。
2） rm将该应用程序的资源路径返回给 yarnrunner。
3）该程序将运行所需资源提交到 HDFS 上。
4）程序资源提交完毕后，申请运行 mrAppMaster。
5） RM 将用户的请求初始化成一个 task。
6）其中一个 NodeManager 领取到 task 任务。
7）该 NodeManager 创建容器 Container， 并产生 MRAppmaster。
8）Container 从 HDFS 上拷贝资源到本地。
9）MRAppmaster 向 RM 申请运行 maptask 资源。
10）RM 将运行 maptask 任务分配给另外两个 NodeManager， 另两个 NodeManager 分别领取任务并创建容器。
11）MR 向两个接收到任务的 NodeManager 发送程序启动脚本， 这两个 NodeManager分别启动 maptask， maptask 对数据分区排序。
12）MrAppMaster 等待所有 maptask 运行完毕后，向 RM 申请容器， 运行 reduce task。
13）reduce task 向 maptask 获取相应分区的数据。
14）程序运行完毕后， MR 会向 RM 申请注销自己。

5 作业提交全过程
1 作业提交过程之 YARN

作业提交全过程详解
1） 作业提交
第 0 步： client 调用 job.waitForCompletion 方法，向整个集群提交 MapReduce 作业。
第 1 步： client 向 RM 申请一个作业 id。
第 2 步： RM 给 client 返回该 job 资源的提交路径和作业 id。
第 3 步： client 提交 jar 包、切片信息和配置文件到指定的资源提交路径。
第 4 步： client 提交完资源后，向 RM 申请运行 MrAppMaster。

2） 作业初始化
第 5 步： 当 RM 收到 client 的请求后，将该 job 添加到容量调度器中。
第 6 步： 某一个空闲的 NM 领取到该 job。
第 7 步： 该 NM 创建 Container， 并产生 MRAppmaster。
第 8 步：下载 client 提交的资源到本地。

3） 任务分配
第 9 步： MrAppMaster 向 RM 申请运行多个 maptask 任务资源。
第 10 步： RM 将运行 maptask 任务分配给另外两个 NodeManager， 另两个 NodeManager分别领取任务并创建容器。

4） 任务运行
第 11 步： MR 向两个接收到任务的 NodeManager 发送程序启动脚本， 这两个NodeManager 分别启动 maptask， maptask 对数据分区排序。
第 12步：MrAppMaster等待所有 maptask运行完毕后，向 RM申请容器，运行reduce task。
第 13 步： reduce task 向 maptask 获取相应分区的数据。
第 14 步： 程序运行完毕后， MR 会向 RM 申请注销自己。

5） 进度和状态更新
YARN 中的任务将其进度和状态(包括 counter)返回给应用管理器, 客户端每秒(通过mapreduce.client.progressmonitor.pollinterval 设置)向应用管理器请求进度更新, 展示给用户。

6） 作业完成
除了向应用管理器请求作业进度外, 客户端每 5 分钟都会通过调用 waitForCompletion()来检查作业是否完成。 时间间隔可以通过 mapreduce.client.completion.pollinterval 来设置。 作业完成之后, 应用管理器和 container 会清理工作状态。作业的信息会被作业历史服务器存储以备之后用户核查。

2 作业提交过程之 MapReduce

3 作业提交过程之读数据

4 作业提交过程之写数据

6 资源调度器
目前， Hadoop 作业调度器主要有三种： FIFO、 Capacity Scheduler 和 Fair Scheduler。Hadoop2.7.2 默认的资源调度器是 Capacity Scheduler。
具体设置详见： yarn-default.xml 文件

<property>
    <description>The class to use as the resource scheduler</description>
    <name>yarn.resourcemanager.scheduler.class</name>
    <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacty.CapacityScheduler</value>
</property>

1 先进先出调度器（FIFO）

2 容量调度器（Capacity Scheduler）

3 公平调度器（Fair Scheduler）

7 任务的推测执行
1 作业完成时间取决于最慢的任务完成时间
一个作业由若干个 Map 任务和 Reduce 任务构成。因硬件老化、软件 Bug 等，某些任务可能运行非常慢。

典型案例：系统中有 99%的 Map 任务都完成了，只有少数几个 Map 老是进度很慢，完不成，怎么办？

2 推测执行机制：
发现拖后腿的任务，比如某个任务运行速度远慢于任务平均速度。为拖后腿任务启动一个备份任务，同时运行。谁先运行完，则采用谁的结果。

3 执行推测任务的前提条件
1） 每个 task 只能有一个备份任务；
2） 当前 job 已完成的 task 必须不小于 0.05（5%）
3） 开启推测执行参数设置。 Hadoop2.7.2 mapred-site.xml 文件中默认是打开的。

<property>
    <name>mapreduce.map.speculative</name>
    <value>true</value>
    <description>If true, then multiple instances of some map tasks may be executed in parallel.</description>
</property>

<property>
    <name>mapreduce.reduce.speculative</name>
    <value>true</value>
    <description>If true, then multiple instances of some reduce tasks may be executed in parallel.</description>
</property>

4 不能启用推测执行机制情况
1）任务间存在严重的负载倾斜；
2）特殊任务，比如任务向数据库中写数据。

5 算法原理：