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 主要由 ResourceManager 、 NodeManager 、 ApplicationMaster 和 Container 等组件
构成。
Yarn工作机制
（ 1 ） MR 程序提交到客户端所在的节点。 （ 2 ） YarnRunner 向 ResourceManager 申请一个 Application 。 （ 3 ） RM 将该应用程序的资源路径返回给 YarnRunner 。 （ 4 ）该程序将运行所需资源提交到 HDFS 上。 （ 5 ）程序资源提交完毕后，申请运行 mrAppMaster 。 （ 6 ） RM 将用户的请求初始化成一个 Task 。 （ 7 ）其中一个 NodeManager 领取到 Task 任务。 （ 8 ）该 NodeManager 创建容器 Container ，并产生 MRAppmaster 。 （ 9 ） Container 从 HDFS 上拷贝资源到本地。 （ 10 ） MRAppmaster 向 RM 申请运行 MapTask 资源。 （ 11 ） 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。 （ 12 ） 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。 （ 13 ） MrAppMaster 等待所有 MapTask 运行完毕后，向 RM 申请容器，运行 ReduceTask 。 （ 14 ） ReduceTask 向 MapTask 获取相应分区的数据。 （ 15 ）程序运行完毕后， MR 会向 RM 申请注销自己。 |
作业提交全过程
作业提交全过程详解
（ 1 ）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 。 （ 2 ）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。 （ 3 ）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。 （ 4 ）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。 （ 5 ）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。 （ 6 ）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 ），这个建议大家去看看操作系统，很详细。
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）
1 、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。
2 、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
3 、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。
4 、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。
公平调度器（Fair Scheduler）
1 ）与容量调度器相同点
（ 1 ）多队列：支持多队列多作业
（ 2 ）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
（ 3 ）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。
（ 4 ）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
（ 1 ）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
（ 2 ）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 、 FAIR 、 DRF
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
公平调度器队列资源分配方式
Fair 策略(操作系统有详细的介绍）
公平调度器资源分配算法
公平调度器队列资源分配方式
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
版权声明：本文为ab31ab原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。