MapReduce v1的不足
- Jobtraker受内存限制,导致扩展性受限。因为其需要存储每个作业的信息。另一方面,其采用粗粒度的锁导致心跳时间边长。
- 中心化架构的通病,一旦Jobtraker崩溃,会导致整个集群崩溃。
- 以mapreduce为中心,MapReduce不支持其他的编程模型,如机器学习,图算法
- tasktraker的Map 槽和Reduce槽是固定的,不是动态分配的资源。
Yarn(yet another resource negotiator)
ResurceManager(RM):
RM是一个全局的资源管理器,集群只有一个,负责整个系统的资源管理和分配,包括处理客户端请求、启动/监控APP master、监控nodemanager、资源的分配与调度。它主要由两个组件构成:调度器(Scheduler)和应用程序管理器(Applications Manager,ASM)。
调度器
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。需要注意的是,该调度器是一个“纯调度器”,它不再从事任何与具体应用程序相关的工作,比如不负责监控或者跟踪应用的执行状态等,也不负责重新启动因应用执行失败或者硬件故障而产生的失败任务,这些均交由应用程序相关的ApplicationMaster完成。调度器仅根据各个应用程序的资源需求进行资源分配,而资源分配单位用一个抽象概念“资源容器”(Resource Container,简称Container)表示,Container是一个动态资源分配单位,它将内存、CPU、磁盘、网络等资源封装在一起,从而限定每个任务使用的资源量。此外,该调度器是一个可插拔的组件,用户可根据自己的需要设计新的调度器,YARN提供了多种直接可用的调度器,比如Fair Scheduler和Capacity Scheduler等。
应用程序管理器
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ApplicationMaster、监控ApplicationMaster运行状态并在失败时重新启动它等。
App Master (ApplicationMaster(AM)):
- 与RM协调资源与NA来协同工作来共同执行和监控container以其他们的资源消耗
- 与RM协商获取合适资源的container,并获取其状态,监控其进程。
- 可以为一个用于提供一个AppMaster,也可以为一组提供AppMaster,如pig, hive.
Container :
- 分配给具体应用的资源抽象表现形式,包括内存、cpu、disk
NodeManager(NM)
- 负责节点本地资源的管理,包括启动应用程序的Container,监控它们的资源使用情况,并报告给RM
客户端(Client)
- 是集群中一个能向RM提交应用的实例,并且指定了执行应用所需要的AM类型
数据本地化的实现
数据节点和节点管理器NM运行在同一节点,保证数据块在本地。