YARN应用场景、原理与资源调度

1.Hadoop YARN产生背景

　　源于MapReduce1.0

　　运维成本 如果采用“一个框架一个集群”的模式，则可能需要多个管理员管理这些集群，进而增加运维成本，而共享模式通常需要少数管理员即可完成多个框架的统一管理。

　　数据共享 随着数据量的暴增，跨集群间的数据移动不仅需花费更长的时间，且硬件成本也会大大增加，而共享集群模式可让多种框架共享数据和硬件资源，将大大减小数据移动带来的成本。

　　直接源于MRv1在几个方面的缺陷：

　　　　　　　　　　　　　　　　扩展性受限
　　　　　　　　　　　　　　　　单点故障
　　　　　　　　　　　　　　　　难以支持MR之外的计算

　　多计算框架各自为战，数据共享困难

　　　　　　　　　　　　　　　　MR：离线计算框架

　　　　　　　　　　　　　　　   Storm：实时计算框架

Spark：内存计算框架

2.Hadoop YARN基本构成

ResourceManager

整个集群只有一个，负责集群资源的统一管理和调度
详细功能
处理客户端请求
启动/监控ApplicationMaster
监控NodeManager
资源分配与调度

NodeManager

整个集群有多个，负责单节点资源管理和使用
详细功能
单个节点上的资源管理和任务管理
处理来自ResourceManager的命令
处理来自ApplicationMaster的命令

ApplicationMaster

每个应用有一个，负责应用程序的管理
详细功能
数据切分
为应用程序申请资源，并进一步分配给内部任务
任务监控与容错

Container

对任务运行环境的抽象
描述一系列信息
任务运行资源（节点、内存、CPU）
任务启动命令
任务运行环境

3.YARN容错性

ResourceManager
存在单点故障；
正在基于ZooKeeper实现HA。
NodeManager
失败后，RM将失败任务告诉对应的AM；
AM决定如何处理失败的任务。
ApplicationMaster
失败后，由RM负责重启；
AM需处理内部任务的容错问题；
RMAppMaster会保存已经运行完成的Task，重启后无需重新运行

4.YARN调度框架

双层调度框架
RM将资源分配给AM
AM将资源进一步分配给各个Task
基于资源预留的调度策略
资源不够时，会为Task预留，直到资源充足
与“all or nothing”策略不同（Apache Mesos）

5.Hadoop YARN资源调度

YARN资源调度器

多类型资源调度
采用DRF算法（论文：“Dominant Resource Fairness: Fair Allocation of Multiple Resource Types”）
目前支持CPU和内存两种资源
提供多种资源调度器
FIFO
Fair Scheduler
Capacity Scheduler
多租户资源调度器
支持资源按比例分配
支持层级队列划分方式
支持资源抢占

YARN资源隔离方案

支持内存和CPU两种资源隔离
内存是一种“决定生死”的资源
CPU是一种“影响快慢”的资源
内存隔离
基于线程监控的方案
基于Cgroups的方案
CPU隔离
默认不对CPU资源进行隔离
基于Cgroups的方案

YARN支持的调度语义

支持的语义
请求某个特定节点/机架上的特定资源量
将某些节点加入（或移除）黑名单，不再为自己分配这些节点上的资源
请求归还某些资源
不支持的语义
请求任意节点/机架上的特定资源量
请求一组或几组符合某种特质的资源
超细粒度资源
动态调整Container资源

6.Hadoop YARN上的计算框架

离线计算框架：MapReduce
DAG计算框架：Tez
流式计算框架：Storm
内存计算框架：Spark