Yarn源码分析之MRAppMaster：作业运行方式Local、Uber、Non-Uber

基于作业大小因素，MRAppMaster提供了三种作业运行方式：本地Local模式、Uber模式、Non-Uber模式。其中，

        1、本地Local模式：通常用于调试；

        2、Uber模式：为降低小作业延迟而设计的一种模式，所有任务，不管是Map Task，还是Reduce Task，均在同一个Container中顺序执行，这个Container其实也是MRAppMaster所在Container；

        3、Non-Uber模式：对于运行时间较长的大作业，先为Map Task申请资源，当Map Task运行完成数目达到一定比例后再为Reduce Task申请资源。

         在Yarn中，作业运行的资源，统一被抽象为容器Container，在MRAppMaster中关于作业运行时需要的资源的分配与加载代码中，容器分配申请服务、容器分配完成后加载服务中，都有关于Uber模式和Non-Uber模式的处理，如下：

        1、容器分配申请路由服务

         容器分配申请路由服务ContainerAllocatorRouter继承自AbstractService，是Hadoop中一个典型的服务，其正常提供服务需要经历初始化init、启动start等过程，而在服务启动的serviceStart()方法中，存在以下关于Uber模式和Non-Uber模式的处理：

// 如果Job在Uber模式下运行，启动构造容器分配器LocalContainerAllocator实例
if (job.isUber()) {
  MRApps.setupDistributedCacheLocal(getConfig());
  this.containerAllocator = new LocalContainerAllocator(
      this.clientService, this.context, nmHost, nmPort, nmHttpPort
      , containerID);
} else {

/ 否则构造RM容器分配器RMContainerAllocator实例
  this.containerAllocator = new RMContainerAllocator(
      this.clientService, this.context);
}

        可见，如果Job在Uber模式下运行，启动构造容器分配器LocalContainerAllocator实例，否则构造RM容器分配器RMContainerAllocator实例。而LocalContainerAllocator代表的是本地容器分配器，其构造过程中传入的containerID为MRAppMaster的成员变量containerID，什么意思呢？不就正好说明LocalContainerAllocator所使用的容器，也就是Uber模式下所使用的容器，就是MRAppMaster所在Container，与上面所介绍的Uber模式正好一致，而Non-Uber模式下则需要使用Yarn的RMContainerAllocator，通过与ResourceManager进行通信来申请容器的分配，总的原则就是：先为Map Task申请资源，当Map Task运行完成数目达到一定比例后再为Reduce Task申请资源。

        2、容器加载路由服务

        容器加载路由服务ContainerLauncherRouter同样继承自AbstractService，也是Hadoop中一个典型的服务，我们同样看下服务启动serviceStart()方法，如下：

// 如果Job在Uber模式下运行，启动构造本地容器加载器LocalContainerLauncher实例
if (job.isUber()) {
  this.containerLauncher = new LocalContainerLauncher(context,
      (TaskUmbilicalProtocol) taskAttemptListener);
} else {
/ 否则，构造容器加载器ContainerLauncherImpl实例
  this.containerLauncher = new ContainerLauncherImpl(context);
}

        也是针对Uber模式和Non-Uber模式分别处理，如果Job在Uber模式下运行，启动构造本地容器加载器LocalContainerLauncher实例；否则，构造容器加载器ContainerLauncherImpl实例。

        另外，由于Uber模式下不管是Map Task，还是Reduce Task，均在同一个Container中顺序执行，所以MapReduce的推测执行机制对于Uber模式是不适用的，故在MRAppMaster服务启动的serviceStart()方法中，对于Uber模式，会禁用推测执行机制，相关代码如下：

if (job.isUber()) {
/ Uber模式下禁用推测执行机制，即Disable Speculation
  speculatorEventDispatcher.disableSpeculation();
  LOG.info("MRAppMaster uberizing job " + job.getID()
      + " in local container ("uber-AM") on node "
      + nmHost + ":" + nmPort + ".");
} else {
  // send init to speculator only for non-uber jobs.
  // This won't yet start as dispatcher isn't started yet.
/ Non-Uber模式下发送SpeculatorEvent事件，初始化speculator
  dispatcher.getEventHandler().handle(
      new SpeculatorEvent(job.getID(), clock.getTime()));
  LOG.info("MRAppMaster launching normal, non-uberized, multi-container "
      + "job " + job.getID() + ".");
}

        可以看到，Uber模式下禁用推测执行机制，即Disable Speculation，Non-Uber模式下发送SpeculatorEvent事件，初始化speculator，因此，对于Uber模式，会禁用推测执行机制。

        在作业的抽象实现JobImpl中，会针对Uber模式进行一些特定参数设置，如下：

if (isUber) {
  LOG.info("Uberizing job " + jobId + ": " + numMapTasks + "m+"
      + numReduceTasks + "r tasks (" + dataInputLength
      + " input bytes) will run sequentially on single node.");

  // make sure reduces are scheduled only after all map are completed
  // mapreduce.job.reduce.slowstart.completedmaps参数设置为1，
  // 即全部Map任务完成后才会为Reduce任务分配资源
  conf.setFloat(MRJobConfig.COMPLETED_MAPS_FOR_REDUCE_SLOWSTART,
                    1.0f);
  // uber-subtask attempts all get launched on same node; if one fails,
  // probably should retry elsewhere, i.e., move entire uber-AM:  ergo,
  // limit attempts to 1 (or at most 2?  probably not...)
  // 参数mapreduce.map.maxattempts、mapreduce.reduce.maxattempts设置为1，即Map、Reduce任务的最大尝试次数均为1
  conf.setInt(MRJobConfig.MAP_MAX_ATTEMPTS, 1);
  conf.setInt(MRJobConfig.REDUCE_MAX_ATTEMPTS, 1);

  // disable speculation
  // 参数mapreduce.map.speculative、mapreduce.reduce.speculative设置为false，即禁用Map、Reduce任务的推测执行机制
  conf.setBoolean(MRJobConfig.MAP_SPECULATIVE, false);
  conf.setBoolean(MRJobConfig.REDUCE_SPECULATIVE, false);
}

        主要包括：

        1、mapreduce.job.reduce.slowstart.completedmaps参数设置为1，即全部Map任务完成后才会为Reduce任务分配资源；

        2、参数mapreduce.map.maxattempts、mapreduce.reduce.maxattempts设置为1，即Map、Reduce任务的最大尝试次数均为1；

        3、参数mapreduce.map.speculative、mapreduce.reduce.speculative设置为false，即禁用Map、Reduce任务的推测执行机制；