Hadoop：Yarn设计原理

一、Yarn基本架构

YARN主要由ResourceManager、NodeManager、ApplicationMaster和Container组成，之间通过RPC通讯

1、ResourceManager：是一个全局的资源管理器，负责整个系统的资源管理和分配。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）

2、NodeManager：是每个节点上的资源和任务管理器，一方面，它会定时地向ResourceManager汇报本节点上的资源使用情况和各个Container的运行状态；另一方面，它接收并处理来自ApplicationMaster的Container启动/停止等各种请求

3、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，ResourceManager为ApplicationMaster返回的资源便是用Container表示

4、ApplicationMaster：用户提交的每个应用程序均包含一个ApplicationMaster，主要功能包括：

  1）与ResourceManager调度器协商以获取资源（用Container表示）

  2）将得到的任务进一步分配给内部的任务

  3）与NodeManager通信以启动/停止任务

  4）监控所有任务运行状态，并在任务运行失败时重新为任务申请资源以重启任务

注意：MapTask、ReduceTask都运行在Container里面，ApplicationMaster也运作在Container里面，ApplicationMaster负责协调分发Task到Container

 

二、Yarn工作流程

当用户向YARN中提交一个应用程序后，YARN将分两个阶段运行该应用程序：第一个阶段是启动ApplicationMaster；第二个阶段是由ApplicationMaster创建应用程序，为它申请资源，并监控它的整个运行过程，直到运行完成。

如图2-11所示，YARN的工作流程分为以下几个步骤：

步骤1　用户向YARN中提交应用程序，其中包括ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等

步骤2　ResourceManager为该应用程序分配第一个Container，并与对应的NodeManager通信，要求它在这个Container中启动应用程序的ApplicationMaster

步骤3　ApplicationMaster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，并监控它的运行状态，直到运行结束，即重复步骤4~7

步骤4　ApplicationMaster采用轮询的方式通过RPC协议向ResourceManager申请和领取资源

步骤5　一旦ApplicationMaster申请到资源后，便与对应的NodeManager通信，要求它启动任务

步骤6　NodeManager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

步骤7　各个任务通过某个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。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。

步骤8　应用程序运行完成后，ApplicationMaster向ResourceManager注销并关闭自己

 

三、Yarn作业提交全过程

作业提交
第 1 步： Client 调用 job.waitForCompletion 方法，向整个集群提交 MapReduce 作业。
第 2 步： Client 向 RM 申请一个作业 id。
第 3 步： RM 给 Client 返回该 job 资源的提交路径和作业 id。
第 4 步： Client 提交 jar 包、切片信息和配置文件到指定的资源提交路径。
第 5 步： Client 提交完资源后，向 RM 申请运行 MrAppMaster。

作业初始化
第 6 步： 当 RM 收到 Client 的请求后，将该 job 添加到容量调度器中
第 7 步： 某一个空闲的 NM 领取到该 Job。
第 8 步： 该 NM 创建 Container， 并产生 MRAppmaster。
第 9 步：下载 Client 提交的资源到本地。

任务分配
第 10 步： MrAppMaster 向 RM 申请运行多个 MapTask 任务资源。
第 11 步： 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
第 12 步： 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。
第13步： MrAppMaster等待所有MapTask运行完毕后，向RM申请容器， 运行ReduceTask。
第 14 步： ReduceTask 向 MapTask 获取相应分区的数据。
第 15 步： 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。

MR任务执行

当ApplicationMaster在Container启动之后，也就是MapReduce具体的运行过程，会通过InputFormat阶段从HDFS拉取对应的数据分片，执行Map、Shuffle、Reduce进行数据处理，最后通过OutputFormat将数据写到HDFS或其他存储引擎上。

 

四、Yarn调度器

4.1 FIFO调度器

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

4.2 容量调度器（Capacity Scheduler）

  

Yarn默认调度器，特点如下：

• 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

资源分配算法：

4.3 公平调度器（Fair Scheduler）

4.3.1 与容量调度器对比

1）与容量调度器相同点

• 多队列：支持多队列多作业
• 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线
• 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。

2）与容量调度器不同点

核心调度策略不同

• 容量调度器：优先选择资源利用率低的队列
• 公平调度器：优先选择对资源的缺额比例大的

每个队列可以单独设置资源分配方式

• 容量调度器： FIFO、 DRF
• 公平调度器： FIFO、 DRF、FAIR

4.3.2 公平调度器缺额

 

• 公平调度器设计目标是：在时间尺度上，所有作业获得公平的资源。某一时刻一个作业应获资源和实际获取资源的差距叫“缺额”
• 调度器会优先为缺额大的作业分配资源

4.3.3 公平调度器策略

1） FIFO策略

公平调度器每个队列资源分配策略如果选择FIFO的话， 此时公平调度器相当于上面讲过的容量调度器

2） Fair策略

Fair 策略（默认） 是一种基于最大最小公平算法实现的资源多路复用方式， 默认情况下， 每个队列内部采用该方式分配资源。 这意味着， 如果一个队列中有两个应用程序同时运行， 则每个应用程序可得到1/2的资源；如果三个应用程序同时运行， 则每个应用程序可得到1/3的资源

具体资源分配流程和容量调度器一致；

（1） 选择队列

（2） 选择作业

（3） 选择容器

以上三步， 每一步都是按照公平策略分配资源

➢ 实际最小资源份额： mindshare = Min（资源需求量， 配置的最小资源）

➢ 是否饥饿： isNeedy = 资源使用量 < mindshare（实际最小资源份额）

➢ 资源分配比： minShareRatio = 资源使用量 / Max（mindshare, 1）

➢ 资源使用权重比： useToWeightRatio = 资源使用量 / 权重

 

3） 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。

 

 

参考资料
《Hadopp技术内幕：深入解析YARN架构设计与实现原理》

《尚硅谷大数据课程》