yarn sls学习（理论）

Hadoop2.0版本，引入了Yarn。核心：HDFS+Yarn+Mapreduce

Yarn是资源调度框架。能够细粒度的管理和调度任务。此外，还能够支持其他的计算框架，比如spark等。

hadoop原理理解参考：

https://blog.csdn.net/wjlwangluo/article/details/76423147

yarn scheduler load simulater

https://i-blog.csdnimg.cn/blog_migrate/b9320fdcde283f8f300ff4eba67b98f8.png

通过在同同一JVM上处理和分派nm/am事件来模拟nm和am来实现去除网络原因的真实rm。（翻译）

目标：在不使用实际集群并使用真实工作日志的情况下按比例执行调度器。能模拟真实的工作负载。

每个nm和am都会建一个对应的模拟器，模拟器在线程池（thread pool）里运行。模拟器重新使用rm，并在模拟器之外建立包装器（wrapper）。调度包装器记录模拟器的表现并生成多个日志。

 

yarn架构 ：（主从关系，Master/slave，RM管理NM）

rm（ResourceManager）控制整个集群并管理应用程序向基础计算资源分配。全局。（包括两个组成部分，1.调度器 resource scheduler，2.应用程序管理器application manager）

——1.处理客户端请求

——2.启动或监控am

——3.监控NodeManager

——4.资源的分配与调度

am（ApplicationMaster）管理在yarn内运行的每个应用程序实例。节点。负责接收client端传输的job请求，为应用（MapReduce程序）分配第一个container（资源池）来运行第一个application Master（更小的管理器），还有就是负责监控application Master，如果遇到失败重启application master

——1.负责数据切分

——2.为应用程序申请资源并分配给内部的任务

——3.任务的监控与容错

resource scheduler为了让每一个节点都充分利用起来，合理的分配和调度的一中管理器。不负责任何具体和应用程序相关的工作。

——1.容量调度器

——2.公平调度器

——3.队列调度器

application master当我们正常提交一个MapReduce任务的时候，在后台jps查看进行的时候，多了一个MRApplication的进程。其实就是一个java程序，他的类名就是MRApplication。application manager让node manager开辟一个application master。监控MAP任务和reduce任务，用户提交的每一个程序都会产生一个application master

——1.与RM调度器协商获得资源

——2.与NM通信，以启动任务、停止任务。

——3.监控旗下的任务的执行状态（map，reduce），如果失败，则重新启动任务

nm（NodeManager）管理yarn中的每个节点。

——1.管理单个节点上的资源

——2.处理来自rm和am的命令

container是yarn中的资源抽象，rm给am的资源便是container。cpu，内存，磁盘，网络，IO。（小虚拟机？）

将节点的资源切分出来组成一个可以独立运行任务的容器，用来运行任务

HDFS中，namenode管理DataNode

第二步中，建立了一个临时文件夹hdfs://...JOB129330，在之后会删除

第三步中，将工程打包上传