MRAppMaster详细分析

一 MRAppMaster介绍

MRAppMaster是MapReduce的ApplicationMaster实现，它使得Map

Reduce可以直接运行在YARN上，它主要作用在于管理作业的生命周期：

1.1作业的管理：作业的创建，初始化以及启动等

1.2向RM申请资源和再分配资源

1.3Container的启动与释放

1.4监控作业运行状态

1.5作业恢复

 

二 所涉及到的类

Job:表示一个MapReduce作业，负责监控作业的运行状态，他维护了一个作业的状态机，以实现异步执行各种作业相关操作

 

Task:表示一个MapReduce作业的某个任务，负责监控一个任务的运行状态。它维护了一个任务状态机，以实现各种任务相关的操作

 

TaskAttempt:表示一个任务运行实例。一般正常情况一个Task就一个TaskAttempt，如果启用了推测执行，或者遇到了Task失败，那么可能有多个，但是只要有一个执行成功，就会kill掉其他的

 

TaskCleaner:负责清理失败任务或被杀死的任务所使用的 目录和产生的垃圾数据。

在YARN中，任务实例是运行在Container中的，因此Container的状态变化往往伴随TaskAttempt的状态变化。比如TaskAttempt运行完毕，会清理Container占用的空间，而Container空间的清理实际上就是任务实例空间的清理。任务实例运行完毕后，需要向MRAppMaster

请求提交结果，一旦提交完成，该任务的其他实例会被杀死。

当一个Container运行结束后，MRAppMaster可直接从ResourceManager上获知。各个任务运行实例需定期向MRAppMaster汇报进度和状态，否则MRAppMaster认为该任务处于僵死状态，会将它杀死，每次汇报均会触发一个TA_UPDATE事件。

当任务执行失败，MRAppMaster会向RM申请释放这个失败任务的Container，然后重新为这个任务分配资源。

 

Speculator:执行推测执行功能。当一个作业的某个任务速度明显慢于其他任务时，会为该任务启动一个备份任务，谁先完成，就把另一个结束掉

 

ContainerLuancher:负责与NM通信，已启动一个Container.当RM为作业分配资源后，ContainerLuancher会将任务执行相关信息填充到Container中，包括运行所需要的资源，任务运行命令，任务运行环境等，然后要求NM启动Container

 

TaskAttemptListener:负责管理各个任务的心跳信息，如果一个任务一段时间内未汇报心跳，则认为他挂了，会将其从系统中移除。

 

 

JobHistoryEventHandler:负责对作业的各个时间进行记录。当MRAppMaster出现故障的时候，YARN会将其重新调度到，另一个节点。

 

三 MRAppMaster工作流程

3.1用户向YARN中（RM）提交应用程序，其中包括ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等。

3.2ResourceManager为该应用程序分配第一个Container，ResouceManag与某个NodeManager通信，启动应用程序ApplicationMaster，NodeManager接到命令后，首先从HDFS上下载文件(缓存），然后启动ApplicationMaser。

3.3 当ApplicationMaster启动后，它与ResouceManager通信，以请求和获取资源。ApplicationMaster获取到资源后，与对应NodeManager通信以启动任务。

注：

1.如果该应用程序第一次在给节点上启动任务，则NodeManager首先从HDFS上下载文件缓存到本地，这个是由分布式缓存实现的，然后启动该任务。

 2.分布式缓存并不是将文件缓存到集群中各个结点的内存中，而是将文件换到各个结点的磁盘上，以便执行任务时候直接从本地磁盘上读取文件。

4ApplicationMaster首先向ResourceManager注册，这样用户可以直接通过ResourceManage查看应用程序的运行状态，然后它将为各个任务申请资源，并监控它们的运行状态，直到运行结束，即重复步骤5~8

5ApplicationMaster采用轮询的方式通过RPC协议向ResourceManager申请和领取资源

6一旦ApplicationMaster申请到资源后，ApplicationMaster就会将启动命令交给NodeManager,要求它启动任务。启动命令里包含了一些信息使得Container可以与ApplicationMaster进行通信。

7NodeManager为任务设置好运行环境（包括环境变量、JAR包、二进制程序等）后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务（Container）。

8在应用程序运行过程中，用户可随时通过RPC向ApplicationMaster查询应用程序的当前运行状态

9应用程序运行完成后，ApplicationMaster向ResourceManager注销并关闭自己

 

二 首先,MRAppMaster继承了CompositeService，即MRAppMaster是一种服务，那我们首先看启动方法serviceStart():

#调用createJob方法创建Job

#创建Job初始化事件JobEvent

#调用JobEventDispatcher#handle，处理job初始化事件

#设置Job的类加载器

#作业初始化失败，构造JOB_INIT_FAILED事件，并交由事件分发器JobEventDispatcher处理;如果成功调用startJobs方法启动作业

 

三 其次我们知道MRAppMaster启动就会创建并初始化job，那么是如何初始化的呢？

 

最终是通过JobImpl静态内部类InitTransition的transition()方法来实现。

#调用setupJob完成作业启动前的部分初始化工作

#创建作业已提交事件

#调用createSplits创建分片, 并获取任务分片元数据信息

#确定MapTask数目：分片元数据信息数组长度，即有多少分片就有多少MapTask数量

#确定ReduceTask数目：取决于作业参数mapreduce.job.reduces

#根据分片元数据信息计算inputLength输入长度，也就是作业大小

#根据作业大小，决定运行作业的方式Uber或者NON-Uber模式

#创建MapTask和 ReduceTask

 

四 再次，作业初始化之后，我们就需要开启job呢，具体实现如下：

#构造JOB-START事件，然后将该事件交由分发器处理

#调用JobImpl的静态内部类StartTransition#transition来处理

设置作业起始时间

构造提交作业的Setup事件CommiterJobSetupEvent，并交给事件分发器处理

最后调度作业MapTask和 ReduceTask,如果没有Task了，则声称JOB_INIT事件。

 

 

五 资源申请和再分配

ContainerAllocator是MRAppMaster中负责资源申请和分配的模块。用户提交的作业被分解成MapTask和ReduceTask后，这些Task所需的资源统一由ContainerAllocator模块负责从ResourceManager中申请，而一旦ContainAllocator得到资源后，需采用一定的策略进一步分配给作业的各个任务。

 

六 资源申请和再分配

一旦MRAppMaster收到新分配的Container后，会将这Container进一步分配给各个任务，Container分配过程如下：

1.判断新收到的Container包含的资源是否满足，如果不满足，则通过下次心跳通知ResourceManager释放该Container.

2.判断收到的Container所在的节点是否被加入到黑名单中，如果是，则寻找一个与该Container匹配的任务，并重新为该任务申请资源，同时通过下次心跳通知ResourceManager释放该Container.

3.根据Container的优先级，将它分配给对应类型的任务。

 

七 Container启动与释放

当ContainerAllocator为某个任务申请到资源后，会将运行该任务相关的所有信息封装到Container中，并要求对应的节点启动该Container。需要注意的是，Container中运行的任务对应的数据处理引擎与MRv1中完全一致，仍为MapTask和 ReduceTask。正因为如此，MRv1的程序与YARN中的MapReduce程序完全兼容。

 

ContainerLaunche负责与各个NodeManager通信，已启动或者释放Container。在YARN中，运行的Task所需的全部信息被封装到Container中，包括所需的资源、依赖的外部文件、JAR包、运行时环境变量、运行命令等。ContainerLauncher通过RPC协议ContainerManager与NodeManager通信，以控制Container的启动和释放，进而控制任务的执行(比如启动任务、杀死任务等）。

有多种可能触发停止/杀死一个Container,常见的有：

1.推测执行时一个任务运行完成，需杀死另一个相同输入数据的任务。

2.用户发送一个杀死任务请求。

3.任意一个任务运行结束时，YARN会触发一个杀死任务的命令，以释放对应的Container占用的资源。

 

八 推测执行机制

为了防止执行速度慢的任务拖慢整体的执行进度，使用推测执行机制，Hadoop会为该任务启动一个备份任务，让该备份任务与原始任务同时处理同一份数据，谁先运行完，则将谁的结果作为最终结果。

注：

1.每个任务最多只能有一个备份任务实例

2.启动备份的时候，必须保证已经有足够多的Map任务已经完成，根据这些完成的任务来估算是否来启动备份任务。

 

这种算法的优点是可最大化备份任务的有效率，其中有效率指有效备份任务数与所有备份任务数的比值，有效任务是指完成时间早于原始任务完成时间的备份任务(即带来实际收益的备份任务）。备份任务的有效率越高，推测执行算法越优秀，带来的收益也就越大。

推测执行机制实际上采用了经典的算法优化方法，以空间换时间，它同时启动多个相同的任务处理相同的数据，并让这些任务竞争以缩短数据的处理时间。