【Yarn】一篇文章带你熟识Yarn

目录

介绍

基本架构

ResourceManager

NodeManager

ApplicationMaster

注意点

---

• 介绍

Apache Hadoop YARN （Yet Another Resource Negotiator，另一种资源协调者）是一种新的 Hadoop 资源管理器，它是一个通用资源管理系统和调度平台，可为上层应用提供统一的资源管理和调度。

它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。

可以把yarn理解为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，Yarn为这些程序提供运算所需的资源（内存、cpu）。Yarn资源管理只包括内存与CPU,Yarn回去汇总集群内所有节点上的CPU总和数，和内存总数量。（不包括磁盘和网络）

1.yarn并不清楚用户提交的程序的运行机制

2.yarn只提供运算资源的调度（用户程序向yarn申请资源，yarn就负责分配资源）

3.yarn中的管理者叫ResourceManager

4.yarn中具体提供运算资源的角色叫NodeManager

5.yarn与运行的用户程序完全解耦，意味着yarn上可以运行各种类型的分布式运算程序，比如mapreduce、storm，spark，tez ……

6.spark、storm等运算框架都可以整合在yarn上运行，只要他们各自的框架中有符合yarn规范的资源请求机制即可

7.yarn成为一个通用的资源调度平台.企业中以前存在的各种运算集群都可以整合在一个物理集群上，提高资源利用率，方便数据共享

 

特点：

1.支持多计算框架

2.资源利用率高，运行成本低，数据共享

 

意义：

降低了企业硬件的成本（多个集群变成一个集群），减少了资源的了浪费，运营成本低。

 

• 基本架构

YARN是一个资源管理、任务调度的框架，主要包含三大模块： ResourceManager（RM）、NodeManager（NM）、ApplicationMaster（AM）。

 

ResourceManager：负责所有资源的监控、分配和管理，一个集群只有一个；

NodeManager：负责每一个节点的维护，一个集群有多个。

ApplicationMaster：负责每一个具体应用程序的调度和协调，一个集群有多个；

Container：容器（cpu 和 内存） 

 

对于所有的applications，RM拥有绝对的控制权和对资源的分配权。而每个AM则会和RM协商资源，同时和NodeManager通信来执行和监控task。

 

• ResourceManager

1.ResourceManager负责整个集群的资源管理和分配，是一个全局的资源管理系统。

2.NodeManager以心跳的方式向ResourceManager汇报资源使用情况（目前主要是CPU和内存的使用情况）。RM只接受NM的资源回报信息，对于具体的资源处理则交给NM自己处理。

3.YARN Scheduler根据application的请求为其分配资源，不负责application job的监控、追踪、运行状态反馈、启动等工作。

4.一个集群中只有一个对外提供服务的ResourceManager（集群中可能有多个ResourceManager）集群可能会有多个ResourceManager。

 

• NodeManager

1.NodeManager是每个节点上的资源和任务管理器，它是管理这台机器的代理，负责该节点程序的运行，以及该节点资源的管理和监控。YARN集群每个节点都运行一个NodeManager。

2.NodeManager定时向ResourceManager汇报本节点资源（CPU、内存）的使用情况和Container的运行状态。当ResourceManager宕机时NodeManager自动连接RM备用节点。

3.NodeManager接收并处理来自ApplicationMaster的Container启动、停止等各种请求。

4.一个集群中有多个NodeManager，通常NodeManager与DataNode部署在相同的节点上。

 

• ApplicationMaster

1.用户提交的每个应用程序均包含一个ApplicationMaster，它可以运行在ResourceManager以外的机器上。

2.负责与RM调度器协商以获取资源（用Container表示）。

3.将得到的任务进一步分配给内部的任务(资源的二次分配)。

4.与NM通信以启动/停止任务。

5.监控所有任务运行状态，并在任务运行失败时重新为任务申请资源以重启任务。

6.当前YARN自带了两个ApplicationMaster实现，一个是用于演示AM编写方法的实例程序DistributedShell，它可以申请一定数目的Container以并行运行一个Shell命令或者Shell脚本；另一个是运行MapReduce应用程序的AM—MRAppMaster。

注：RM只负责监控AM，并在AM运行失败时候启动它。RM不负责AM内部任务的容错，任务的容错由AM完成。

 

• 注意点

1.集群在任务分配的时候，是谁分配的任务，分配到哪个或哪些节点？

Yarn(RM,NM)

 

2.在集群（集群正常）提交任务的时候，任务偶尔能成功执行，偶尔执行失败？原因是什么？

任务在进行分配时，若分配的节点上有必须的数据，那么执行成功，若运行的节点上没有数据或缺失部分数据，那么执行失败。

              

3.谁进行的任务的分配？

RM(Yarn的管理者)