Hadoop Yarn 之旅
Yarn 资源调度器
Yarn 是一个资源调度平台，负责为运算程序提供服务器运算资源，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 基础架构
YARN 主要组件构成 :
- ResourceManager
- NodeManager
- ApplicationMaster
- Container
ResourceManager（ RM） 主要作用 :
- 处理客户端请求
- 监控NodeManager
- 启动或监控ApplicationMaster
- 资源的分配与调度
NodeManager（ NM） 主要作用 :
- 管理单个节点上的资源
- 处理来自 ResourceManager 的命令
- 处理来自 ApplicationMaster 的命令
ApplicationMaster（ AM） 主要作用 :
- 为应用程序申请资源并分配给内部的任务
- 任务的监控与容错
Container 主要作用 :
- 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
Yarn 工作机制
- MR 程序提交到客户端所在的节点
- YarnRunner 向 ResourceManager 申请一个 Application
- RM 将该应用程序的资源路径返回给 YarnRunner
- 该程序将运行所需资源提交到 HDFS 上
- 程序资源提交完毕后，申请运行 mrAppMaster
- RM 将用户的请求初始化成一个 Task
- 其中一个 NodeManager 领取到 Task 任务
- 该 NodeManager 创建容器 Container， 并产生 MRAppmaster
- Container 从 HDFS 上拷贝资源到本地
- MRAppmaster 向 RM 申请运行 MapTask 资源
- RM 将运行 MapTask 任务分配给另外两个 NodeManager， 另两个 NodeManager 分别领取任务并创建容器
- MR 向两个接收到任务的 NodeManager 发送程序启动脚本， 这两个 NodeManager分别启动 MapTask， MapTask 对数据分区排序
- MrAppMaster 等待所有 MapTask 运行完毕后，向 RM 申请容器， 运行 ReduceTask
- ReduceTask 向 MapTask 获取相应分区的数据
- 程序运行完毕后， MR 会向 RM 申请注销自己
作业提交全过程
HDFS、 YARN、 MapReduce三者关系
作业提交过程之YARN
作业提交过程之HDFS & MapReduce
作业提交全过程详解 :
- 作业提交
- Client 调用 job.waitForCompletion 方法，向整个集群提交 MapReduce 作业
- Client 向 RM 申请一个作业 id
- RM 给 Client 返回该 job 资源的提交路径和作业 id
- Client 提交 jar 包、切片信息和配置文件到指定的资源提交路径
- Client 提交完资源后，向 RM 申请运行 MrAppMaster
- 作业初始化
- 当 RM 收到 Client 的请求后，将该 job 添加到容量调度器中
- 某一个空闲的 NM 领取到该 Job
- 该 NM 创建 Container， 并产生 MRAppmaster
- 下载 Client 提交的资源到本地
- 任务分配
- MrAppMaster 向 RM 申请运行多个 MapTask 任务资源
- RM 将运行 MapTask 任务分配给另外两个 NodeManager， 另两个 NodeManager 分别领取任务并创建容器
- 任务运行
- MR 向两个接收到任务的 NodeManager 发送程序启动脚本， 这两个NodeManager 分别启动 MapTask， MapTask 对数据分区排序
- MrAppMaster等待所有MapTask运行完毕后，向RM申请容器， 运行ReduceTask
- ReduceTask 向 MapTask 获取相应分区的数据
- 程序运行完毕后， MR 会向 RM 申请注销自己
- 进度和状态更新
YARN 中的任务将其进度和状态 (包括 counter ) 返回给应用管理器, 客户端每秒(通过 mapreduce.client.progressmonitor.pollinterval 设置)向应用管理器请求进度更新, 展示给用户
- 作业完成
除了向应用管理器请求作业进度外, 客户端每 5 秒都会通过调用 waitForCompletion()来检查作业是否完成。 时间间隔可以通过 mapreduce.client.completion.pollinterval 来设置。
作业完成之后, 应用管理器和 Container 会清理工作状态。 作业的信息会被作业历史服务器存储以备之后用户核查
Yarn 调度器和调度算法
Hadoop 作业调度器主要有三种： FIFO、 容量（Capacity Scheduler） 和公平（Fair Scheduler）
Apache Hadoop3.1.3 默认的资源调度器是 Capacity Scheduler
CDH 框架默认调度器是 Fair Scheduler。
具体设置详见： yarn-default.xml 文件
<property>
<description>The class to use as the resource scheduler.</description>
<name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>
先进先出调度器（FIFO）
FIFO 调度器（First In First Out） ：单队列，根据提交作业的先后顺序，先来先服务
优点：简单易懂
缺点：不支持多队列，生产环境很少使用
容量调度器（Capacity Scheduler）
Capacity Scheduler 是 Yahoo 开发的多用户调度器
容量调度器特点
-
多队列： 每个队列可配置一定的资源量，每个队列采用FIFO调度策略。
-
容量保证：管理员可为每个队列设置资源最低保证和资源使用上限
-
灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。
-
多租户：
支持多用户共享集群和多应用程序同时运行。
为了防止同一个用户的作业独占队列中的资源，该调度器会对同一用户提交的作业所占资源量进行限定
容量调度器资源分配算法
队列资源分配
从root开始，使用深度优先算法， 优先
选择资源占用率最低的队列分配资源。
2）作业资源分配
默认按照提交作业的优先级和提交时间
顺序分配资源。
3）容器资源分配
按照容器的优先级分配资源；
如果优先级相同，按照数据本地性原则：
（ 1）任务和数据在同一节点
（ 2）任务和数据在同一机架
（ 3）任务和数据不在同一节点也不在同一机架
公平调度器（Fair Scheduler）
DRF策略
DRF（Dominant Resource Fairness） ， 我们之前说的资源， 都是单一标准， 例如只考虑内存（也是Yarn默认的情况） 。 但是很多时候我们资源有很多种， 例如内存， CPU， 网络带宽等， 这样我们很难衡量两个应用应该分配的资源比例。
那么在YARN中， 我们用DRF来决定如何调度：
假设集群一共有100 CPU和10T 内存， 而应用A需要（2 CPU, 300GB） ， 应用B需要（6 CPU， 100GB） 。
则两个应用分别需要A（2%CPU, 3%内存） 和B（6%CPU, 1%内存） 的资源， 这就意味着A是内存主导的, B是CPU主导的， 针对这种情况， 我们可以选择DRF策略对不同应用进行不同资源（CPU和内存） 的一个不同比例的限制