Yarn架构、工作流程、调度

昱东i

已于 2022-05-08 17:49:35 修改

阅读量1.7k

点赞数

分类专栏： hadoop 文章标签： yarn hadoop big data hdfs

于 2021-12-03 01:26:04 首次发布

本文链接：https://blog.csdn.net/qq_45494908/article/details/121690061

版权

hadoop 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

Yarn架构

ResourceManager(RM)

负责对各NM上的资源进行统一管理和调度。将AM分配空闲的Container运行并监控其
运行状态。对AM申请的资源请求分配相应的空闲Container。主要由两个组件构成：调度器和应用程序管理器。

调度器(Scheduler)

调度器根据容量、队列等限制条件（如每个队列分配一定的资源，最多执行一定数量的作
业等），将系统中的资源分配给各个正在运行的应用程序。调度器仅根据各个应用程序的资源需求进行资源分
配，而资源分配单位是Container，从而限定每个任务使用的资源量。Shceduler不负责监控或者跟踪应用程序的
状态，也不负责任务因为各种原因而需要的重启（由ApplicationMaster负责）。总之，调度器根据应用程序的资
源要求，以及集群机器的资源情况，为应用程序分配封装在Container中的资源。
调度器是可插拔的，例如CapacityScheduler、FairScheduler。

应用程序管理器(Applications Manager)

应用程序管理器负责管理整个系统中所有应用程序，包括应用程序提交、与调度器协商资源以启动AM、监控AM运行状态并在失败时重新启动等，跟踪分给的Container的进度、状态也是其职责。

NodeManager(NM)

NM是每个节点上的资源和任务管理器。它会定时地向RM汇报本节点上的资源使用情况和
各个Container的运行状态；同时会接收并处理来自AM的Container 启动/停止等请求。

Container

是YARN中的资源抽象，它封装了某个节点上的多维度资源，如内存、CPU、磁盘、网络等，当AM向RM申请资源时，RM为AM返回的资源便是用Container 表示的。 YARN会为每个任务分配一个Container且该任务只能使用该Container中描述的资源。

ApplicationMaster(AM)

用户提交的应用程序均包含一个AM，负责应用的监控，跟踪应用执行状态，重启失败任务等。ApplicationMaster是应用框架，它负责向ResourceManager协调资源，并且与NodeManager协同工作完成Task的执行和监控。
MapReduce就是原生支持的一种框架，可以在YARN上运行Mapreduce作业。有很多分布式应用都开发了对应的应用程序框架，用于在YARN上运行任务，例如Spark，Storm等。

工作流程

在这里插入图片描述

总结:
启动主程序，领取资源：1-4
运行任务，直到完成： 5-9

Client向 RM提交应用程序(作业)，其中包括ApplicationMaster程序、启动命令、用户程序等。
RM的Applications Manager为该应用程序分配第一个Container，并与所在的NodeManager通信，要求它在这个Container中运行这个ApplicationMaster。
ApplicationMaster启动后首先向ResourceManager注册，这样用户可以通过ResourceManage查看作业的运行状态（web界面可查看），直到运行结束。
ApplicationMaster开始运行任务，采用轮询的方式通过RPC协议向ResourceManager申请和领取资源。（哪台NM机器，领取多少container(内存 CPU）)

ApplicationMaster申请到资源后，便与对应的NM通信，要求启动Container来运行task任务。
NM为task任务设置好运行的环境(Container容器)，将任务启动命令写在脚本里，通过脚本启动task任务。
各个task任务通过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。
Client也可随时通过RPC向ApplicationMaster查询应用程序的当前运行状态。
应用程序运行完成后，ApplicationMaster向ResourceManager注销并关闭自己。

这个时候在web可以看任务是否完成，成功还是失败。
在这里插入图片描述

三种调度器

FIFO 调度：大任务在前，小任务也要等大任务结束后才能运行，等待很久。
Capacity 调度：有一个专门的队列预留给小任务，没有小任务时存在资源浪费。
Fair 调度：动态分配的。第二个任务提交后，会有一定延迟才能获取到资源，因为需要等待第一个任务释放占用的container。

调度器

资源管理

资源管理由ResourceManager和NodeManager共同完成，其中，ResourceManager中的调度器负责资源的分配，而NodeManager则负责资源的供给和隔离。
NodeManager需按照要求为任务提供相应的资源，保证这些资源应具有独占性，为任务运行提供资源隔离。
YARN允许用户配置每个节点上可用的物理内存资源，注意，这里是“可用的”，因为一个节点上的内存会被若干个服务共享，比如一部分给YARN，一部分给HDFS，一部分给HBase等，YARN配置的只是自己可以使用的，配置参数如下：

（1）yarn.nodemanager.resource.memory-mb
表示该节点上YARN可使用的物理内存总量，默认是8192（MB），注意，如果你的节点内存资源不够8GB，
则需要调减小这个值，而YARN不会智能的探测节点的物理内存总量。
（2）yarn.nodemanager.vmem-pmem-ratio
任务每使用1MB物理内存，最多可使用虚拟内存量，默认是2.1。
（3） yarn.nodemanager.pmem-check-enabled
是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true。
（4） yarn.nodemanager.vmem-check-enabled
是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true。
（5）yarn.scheduler.minimum-allocation-mb
单个任务可申请的最少物理内存量，默认是1024（MB），如果一个任务申请的物理内存量少于该值，则该对应的值改为这个数。
（6）yarn.scheduler.maximum-allocation-mb
单个任务可申请的最多物理内存量，默认是8192（MB）。

默认情况下，YARN采用了线程监控的方法判断任务是否超量使用内存，一旦发现超量，则直接将其杀死。
由于Cgroups对内存的控制缺乏灵活性（即任务任何时刻不能超过内存上限，如果超过，则直接将其杀死或报OOM），而Java进程在创建瞬间内存将翻倍，之后骤降到正常值，这种情况下，采用线程监控的方式更加灵活（当发现进程树内存瞬间翻倍超过设定值时，可认为是正常现象，不会将任务杀死），因此YARN未提供Cgroups内存隔离机制。