Hadoop YARN

Hadoop YARN

一、概述：

　　Hadoop1.0之前只有MapReduce的运行框架JobTracker，集群里面只有两种节点，一个是master，一个是worker。master既做资源调度又做程序调度，worker只是用来参与计算的。Hadoop2.0之后加入了YARN集群，Yarn集群的主节点承担了资源调度，Yarn集群的从节点中会选出一个节点（这个由redourcemanager决定）进行应用程序的调度。

1、JobTracker（Hadoop1.0）MR1

1.1、JobTracker：是集群事务的集中处理点，JobTracker和NameNode是单点，存在单点故障

1.2、JobTracker：既要维护Job的状态又要维护Job的task的状态

1.3、在TaskTracker端，用Map/Reduce Task作为资源的表示过于简单，没有考虑到 CPU、内存等资源情况，两个需要消耗大内存的 Task 调度到一起，很容易出现 OOM！

1.4、TaskTracker 把资源强制划分为 Map/Reduce Slot，当只有 MapTask 时，Reduce Slot 不能用；当只有 Reduce Task 时，Map Slot 不能用，容易造成资源利用不足。

图-1 JobTracker

2、YARN（Hadoop2.0）

2.1、Yarn架构设计是主从架构：分为 ResourceManager 和 NodeManager 。ResourceManager：负责统计和反馈集群整体信息，Node Manager：负责反馈节点信息和启动/停止。yarn与运行的用户程序完全解耦，可以运行各种类型的分布式运算程序如：mapreduce、storm程序、spark程序、tez等

2.2、YARN/MRv2：将 JobTracker 主要的资源管理功能和作业调度功能分开作为两个独立的进程，即Resource Scheduler和Applications Management

2.3、Resource Scheduler调度资源通过Resource Request和Container

2.4、Client 的各种应用以共享、安全、多租户的形式使用整个集群资源

2.5、Yarn架构中的Resource Manager通过反馈信息感知整个集群拓扑结构，保证集群资源调度和数据访问的高效性

图-2YARN

 

二、ResourceManager

1、ResourceManager主要处理6种事件：NODE_REMOVED、NODE_ADDED、APPLICATION_ADDED、APPLICATION_REMOVED、CONTAINER_EXPIRED、NODE_UPDATE

三、Resource Scheduler

1、调度策略

1.1、FIFO Scheduler（先进先出）

图-3  FIFO Scheduler

1、FIFO Scheduler策略：把提交的应用按先后顺序排成一个FIFO队列。在进行资源分配的时候，Resource Scheduler按队列先后顺序分配资源，待前面的应用需求满足后，再给下一个分配。大的应用可能会占用所有集群资源，这就导致其它应用被阻塞

1.2、Capacity Scheduler（预先分配资源模式）

图-4 Capacity Scheduler

1、Capacity Scheduler策略，支持多队列。每个队列有独立的资源，队列的结构和资源是可以进行配置的（属性yarn.sheduler.capacity..），子队列每个队列的资源是在父队列获得的全部资源的基础上再分配

2、队列以分层方式组织资源,设计了多层级别的资源限制条件，比如队列资源限制、用户资源限制、用户应用程序数目限制，以更好的让多用户共享一个Hadoop集群

3、队列里的应用以FIFO方式调度，每个队列可设定一定比例的资源最低保证和使用上限

4、当一个队列资源不够用而另一个队列的资源有剩余时，Capacity Scheduler根据“弹性队列”（queue elasticity)）可暂时将剩余资源共享给资源不够用的队列

5、每个队列有严格的访问控制。用户只能向自己的队列里面提交任务，而且不能修改或者访问其他队列的任务，但是一个用户可属于一个或多个队列

6、yarn支持动态修改调整容量、权限等的分配，可以在运行时直接修改。

7、yarn支持管理员操作：在运行时，添加一个队列；但是不能删除一个队列；在运行时暂停某个队列；将一个队列被设置成了stopped，用户不能向次队列或者子队列上提交任务

8、Capacity Scheduler策略：有一个专门的队列用来运行小任务，为小任务专门设置一个队列会预先占用一定的集群资源

1.3、Fair Scheduler（公平调度模式）

图-5 Fair Scheduler

1、Fair Scheduler策略，支持多队列。每个队列有独立的资源，每个队列中的资源可以配置。同一队列中的Job都会分配到资源，但是优先级越高分配的资源越多。

2、Fair Scheduler调度器的使用：通过yarn-site.xml配置文件中的yarn.resourcemanager.scheduler.class参数进行配置配置FairScheduler类的全限定名： org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler

3、Fairs  Scheduler策略：不需要预先占用一定的系统资源，Fair Scheduler会为所有运行的Job动态的调整系统资源

2、Resource Request（可序列化Java对象）

2.1、ApplicationMaster向资源调度器申请资源，需向它发送一个ResourceRequest列表，列表中每个ResourceRequest描述了一个资源单元的详细需求

2.2、ResourceRequest示例

message ResourceRequestProto {

optional PriorityProto priority = 1; // 资源优先级

optional string resource_name = 2; // 资源名称（期望资源所在的host、rack名称等）

optional ResourceProto capability = 3; // 资源量（仅支持CPU和内存两种资源）

optional int32 num_containers = 4; // 满足以上条件的资源个数

optional bool relax_locality = 5 [default = true];  //是否支持本地性松弛

3、Container

3.1、一般而言，一个Container可用于运行一个任务（ApplicationMaster、各类Task（map task、reduce task））

3.2、Container可能在任意节点上，它们的位置通常而言是随机的

3.3、Container是动态资源分配的概念。用户可以根据需求，在Yarn设定Container的范围内，设置运行 Application Master 和各类 Task 的Container

3.4、Container只能位于一个节点上。因此，Container包含的资源，最大也就是一个NodeManager的资源大小

3.4、Container分为两大类：

　　　　1、运行ApplicationMaster的Container：由ResourceManager申请和启动的，并要求对应的Node Manager启动引用程序的ApplicationMaster

　　　　2、运行各类Task的Container：由ApplicationMaster向ResourceManager申请的，并由ApplicationMaster根据反馈信息与NodeManager通信，NodeManager启动。

3.5、资源调度器向申请资源的ApplicationMaster返回分配到的资源描述Container。Container可看做一个可序列化Java对象

message ContainerProto {

optional ContainerIdProto id = 1; //container id,在整个集群中，Id是全局唯一的

optional NodeIdProto nodeId = 2; //container（资源）所在节点,NodeManager的ID

optional string node_http_address = 3;

optional ResourceProto resource = 4; //container资源量,Container具体会占用多少的资源，目前包含：CPU core+ Memory in MB

optional PriorityProto priority = 5; //container优先级,本Container优先分配给哪个任务来运行

optional hadoop.common.TokenProto container_token = 6; //container token，用于安全认证,使用Container之前，必须拥有该Container的token标记

    }

四、Application Master

1、用户提交程序时，可指定唯一的Applications Master所需要的资源。默认情况下，运行ApplicationMaster的Container的内存大小是 1.5G，CPU CORE是 1

2、MRAppMaster是MapReduce的ApplicationMaster实现，使得MapReduce计算框架可以运行于YARN之上。

3、MRAppMaster负责管理MapReduce作业的生命周期：创建MapReduce作业----->轮询的方式通过RPC协议向ResourceManager申请资源----->与NodeManage通信要求其启动Container，运行任务----->监控作业的运行状态----->当任务失败时重新启动任务等

4、各个任务通过摸个PRC协议向Application Master汇报自己的状态和进度。如果container出现故障或任务失败，AM会重新向调度器申请资源或重新启动任务。当容器运行完成， ApplicationMaster 将会向 ResourceManager 注销这个容器；如果是整个作业运行完成，其也会向 ResourceManager 注销自己。

5、AM出现故障后，ASM会重启它，而由AM自己从之前保存的应用程序执行状态中恢复应用程序

6、ApplicationMaster需将该任务运行环境（包含运行命令、环境变量、依赖的外部文件等）连同资源调度器返回的Container中的资源信息封装到ContainerLaunchContext对象中。每个ContainerLaunchContext和对应的Container信息（被封装到了ContainerToken中）将再次被封装到StartContainerRequest中，App Mstr通过StartContainerRequest与对应的NodeManager通信，要求NodeManager启动Container，运行task。

message ContainerLaunchContextProto {

repeated StringLocalResourceMapProto localResources = 1; //Container启动以来的外部资源

optional bytes tokens = 2;

repeated StringBytesMapProto service_data = 3;

repeated StringStringMapProto environment = 4; //Container启动所需的环境变量

repeated string command = 5; //Container内部运行的任务启动命令，如果是MapReduce的话，Map/Reduce Task启动命令就在该字段中

repeated ApplicationACLMapProto application_ACLs = 6;

    }

五、Node Manager

1、Node Manager提供给Resource Manager的资源包括CPU+内存

1.1、yarn.nodemanager.resource.memory-mb：设定总的内存数量，默认值为8G，该值可以大于实际内存

1.2、yarn.nodemanager.resource.cpu-vcores：设定该节点提供的虚拟CPU数量，默认是8核，该值可以大于实际核心数量

2、一个container所占用的系统资源是根据其运行的程序和启动的程序的命令决定的，这也是为什么Node Manager提供给Resource Manager可以大于系统本身的资源

3、Node Manager与ApplicationMaster和ResourceManager交互，

　　3.1、主动通过ResourceTrackerProtocol协议向 ResourceManager 注册，并向ResourceManager 汇报各个Container的运行状态和节点健康状态。

　　　　  Node Manager还会向 ResourceManager 领取 Container 相关命令并执行如：重新初始化Container，清理Container等

　　3.1、接受来自ApplicationMaster的ContainerManagementProtocol协议，获取Container的运行状态或执行与 Container 相关的命令如启动，杀死Container等

4、NodeManager内部架构：

图-6 NodeManager内部架构

4.1、NodeStatusUpdater： 这个组件是NodeManager与RM通信的唯一通道，包括NM注册之后向RM的注册汇报资源，以及周期性的汇报节点信息和Container的运行状态，同时RM会返回给待清理的Container列表，待清理的应用程序，诊断信息等

4.2、ContainerManager： 该组件是NodeManager最核心的组件之一，它内部有很多子组件组成，如上图所示
　　　　-RPC Server：该协议实现了ContainerManagementProtocol协议，实现AM与NM之前的通信通道，通过该协议接受来自各个AM的启动或者杀死Container的命令
　　　　-ResourceLocalizationService：负责Container所需资源的本地化，按照资源描述将资源从HDFS上下载所需资源，并将这些资源均摊给各个磁盘以防数据热点
　　　　-ContainerLauncher： 维护一个线程池以并行的方式完成Container的操作，比如来自AM的启动Container，来自AM或者RM的kill Container
　　　　-AuxServices：NM允许用户添加附属服务
　　　　-ContainersMonitor： 监控Container资源的使用状况，周期性的检查Container资源使用情况，一旦有Container超过它允许使用资源的上限则kill掉
　　　　-Loghandler：可插拔的组件，控制Container日志保存的方式
　　　　-ContainerEventDispatcher： Container的事件调度器，负责将ContainerEvent类型的事件调度给对应Container的状态机ContainerImpl
　　　　-ApplicationEventDispatcher：Application的事件调度器,负责将ApplicationEvent类型的事件调度给Application的状态机ApplicationImpl

4.3、ContainerExecutor：它可与底层的操作系统交互，安全存放Container的文件和目录，进而安全的启动和清理Container

4.4、NodeHealthCheckerService： 周期性的运行一个向磁盘写文件的脚本,检测节点的健康状态，并汇报给RM

4.5、DeletionService：NodeManager删除文件组件

4.6、Security: 安全模块

4.7、WebServer： web页面展示该节点上应用程序的状态

 六、附录

第一部分：yarn的内存管理

1、yarn.nodemanager.resource.memory-mb   该节点上yarn可以使用的物理内存总量

2、yarn.scheduler.minimum-allocation-mb    单个任务可以使用最小物理内存量，默认1024m

3、yarn.scheduler.maximum-allocation-mb  单个任务可以申请的最多的内存量，默认8192m

4、yarn.scheduler.increment-allocation-mb: 2048

5、yarn.nodemanager.vmem-pmem-ratio  任务使用1m物理内存最多可以使用虚拟内存量，默认是2.1

6、yarn.nodemanager.pmem-check-enabled  是否启用一个线程检查每个任务证使用的物理内存量，如果任务超出了分配值，则直接将其kill，默认是true

7、yarn.nodemanager.vmem-check-enabled  是否启用一个线程检查每个任务证使用的虚拟内存量，如果任务超出了分配值，则直接将其kill，默认是true

第二部分：yarn cpu的管理

1、yarn.nodemanager.resource.cpu-vcores   该节点上yarn可使用的虚拟cpu个数，默认是8个。推荐将该值为与物理cpu核数相同

2、yarn.scheduler.minimum-allocation-vcores  单个任务可申请最小cpu个数，默认1

3、yarn.scheduler.maximum-allocation-vcores    单个任务可以申请最多虚拟cpu个数，默认是32.

4、vcore : 虚拟核   1个物理核为2个虚拟核