129 lines
7.5 KiB
Markdown
129 lines
7.5 KiB
Markdown
# 集群资源管理器——YARN
|
||
|
||
<nav>
|
||
<a href="#一hadoop-yarn-简介">一、hadoop yarn 简介</a><br/>
|
||
<a href="#二YARN架构">二、YARN架构</a><br/>
|
||
<a href="#1-ResourceManager">1. ResourceManager</a><br/>
|
||
<a href="#2-NodeManager">2. NodeManager</a><br/>
|
||
<a href="#3-ApplicationMaster">3. ApplicationMaster </a><br/>
|
||
<a href="#4-Contain">4. Contain</a><br/>
|
||
<a href="#三YARN工作原理简述">三、YARN工作原理简述</a><br/>
|
||
<a href="#四YARN工作原理详述">四、YARN工作原理详述</a><br/>
|
||
<a href="#五提交作业到YARN上运行">五、提交作业到YARN上运行</a><br/>
|
||
</nav>
|
||
|
||
|
||
|
||
## 一、hadoop yarn 简介
|
||
|
||
**Apache YARN** (Yet Another Resource Negotiator) 是hadoop 2.0 引入的集群资源管理系统。用户可以将各种服务框架部署在YARN上，由YARN进行统一地管理和资源分配。
|
||
|
||
<div align="center"> <img width="600px" src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/yarn-base.png"/> </div>
|
||
|
||
|
||
|
||
## 二、YARN架构
|
||
|
||
<div align="center"> <img width="600px" src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/Figure3Architecture-of-YARN.png"/> </div>
|
||
|
||
### 1. ResourceManager
|
||
|
||
`ResourceManager`通常在独立的机器上以后台进程的形式运行，它是整个集群资源的主要协调者和管理者。`ResourceManager`负责给用户提交的所有应用程序分配资源，它根据应用程序优先级、队列容量、ACLs、数据位置等信息，做出决策，然后以共享的、安全的、多租户的方式制定分配策略，调度集群资源。
|
||
|
||
### 2. NodeManager
|
||
|
||
`NodeManager`是YARN集群中的每个具体节点的管理者。主要负责该节点内所有容器的生命周期的管理，监视资源和跟踪节点健康。具体如下：
|
||
|
||
- 启动时向`ResourceManager`注册并定时发送心跳消息，等待`ResourceManager`的指令；
|
||
- 维护`Container`的生命周期，监控`Container`的资源使用情况；
|
||
- 管理任务运行时的相关依赖，根据`ApplicationMaster`的需要，在启动`Container`之前将需要的程序及其依赖拷贝到本地。
|
||
|
||
### 3. ApplicationMaster
|
||
|
||
在用户提交一个应用程序时，YARN会启动一个轻量级的进程`ApplicationMaster`。`ApplicationMaster`负责协调来自 `ResourceManager`的资源，并通过`NodeManager` 监视容器内资源的使用情况，同时还负责任务的监控与容错。具体如下：
|
||
|
||
- 根据应用的运行状态来决定动态计算资源需求；
|
||
- 向`ResourceManager`申请资源，监控申请的资源的使用情况；
|
||
- 跟踪任务状态和进度，报告资源的使用情况和应用的进度信息；
|
||
- 负责任务的容错。
|
||
|
||
### 4. Contain
|
||
|
||
`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，RM为AM返回的资源是用`Container`表示的。YARN会为每个任务分配一个`Container`，该任务只能使用该`Container`中描述的资源。`ApplicationMaster`可在`Container`内运行任何类型的任务。例如，`MapReduce ApplicationMaster`请求一个容器来启动 map 或 reduce 任务，而`Giraph ApplicationMaster`请求一个容器来运行 Giraph 任务。
|
||
|
||
|
||
|
||
|
||
|
||
## 三、YARN工作原理简述
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/yarn工作原理简图.png"/> </div>
|
||
|
||
1. `Client`提交作业到YARN上；
|
||
|
||
2. `Resource Manager`选择一个`Node Manager`，启动一个`Container`并运行`Application Master`实例；
|
||
|
||
3. `Application Master`根据实际需要向`Resource Manager`请求更多的`Container`资源（如果作业很小, 应用管理器会选择在其自己的JVM中运行任务）；
|
||
|
||
4. `Application Master`通过获取到的`Container`资源执行分布式计算。
|
||
|
||
|
||
|
||
## 四、YARN工作原理详述
|
||
|
||
<div align="center"> <img width="600px" src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/yarn工作原理.png"/> </div>
|
||
|
||
|
||
|
||
#### 1. 作业提交
|
||
|
||
client调用job.waitForCompletion方法，向整个集群提交MapReduce作业 (第1步) 。新的作业ID(应用ID)由资源管理器分配(第2步)。作业的client核实作业的输出, 计算输入的split, 将作业的资源(包括Jar包，配置文件, split信息)拷贝给HDFS(第3步)。 最后, 通过调用资源管理器的submitApplication()来提交作业(第4步)。
|
||
|
||
#### 2. 作业初始化
|
||
|
||
当资源管理器收到submitApplciation()的请求时, 就将该请求发给调度器(scheduler), 调度器分配container, 然后资源管理器在该container内启动应用管理器进程, 由节点管理器监控(第5步)。
|
||
|
||
MapReduce作业的应用管理器是一个主类为MRAppMaster的Java应用，其通过创造一些bookkeeping对象来监控作业的进度, 得到任务的进度和完成报告(第6步)。然后其通过分布式文件系统得到由客户端计算好的输入split(第7步)，然后为每个输入split创建一个map任务, 根据mapreduce.job.reduces创建reduce任务对象。
|
||
|
||
#### 3. 任务分配
|
||
|
||
如果作业很小, 应用管理器会选择在其自己的JVM中运行任务。
|
||
|
||
如果不是小作业, 那么应用管理器向资源管理器请求container来运行所有的map和reduce任务(第8步)。这些请求是通过心跳来传输的, 包括每个map任务的数据位置，比如存放输入split的主机名和机架(rack)，调度器利用这些信息来调度任务，尽量将任务分配给存储数据的节点, 或者分配给和存放输入split的节点相同机架的节点。
|
||
|
||
#### 4. 任务运行
|
||
|
||
当一个任务由资源管理器的调度器分配给一个container后，应用管理器通过联系节点管理器来启动container(第9步)。任务由一个主类为YarnChild的Java应用执行， 在运行任务之前首先本地化任务需要的资源，比如作业配置，JAR文件, 以及分布式缓存的所有文件(第10步。 最后, 运行map或reduce任务(第11步)。
|
||
|
||
YarnChild运行在一个专用的JVM中, 但是YARN不支持JVM重用。
|
||
|
||
#### 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分钟都会通过调用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， OutputCommiter的作业清理方法也会被调用。作业的信息会被作业历史服务器存储以备之后用户核查。
|
||
|
||
|
||
|
||
## 五、提交作业到YARN上运行
|
||
|
||
这里以提交Hadoop Examples中计算Pi的MApReduce程序为例，相关Jar包在Hadoop安装目录的`share/hadoop/mapreduce`目录下：
|
||
|
||
```shell
|
||
# 提交格式: hadoop jar jar包路径 主类名称 主类参数
|
||
# hadoop jar hadoop-mapreduce-examples-2.6.0-cdh5.15.2.jar pi 3 3
|
||
```
|
||
|
||
|
||
|
||
## 参考资料
|
||
|
||
1. [初步掌握Yarn的架构及原理](https://www.cnblogs.com/codeOfLife/p/5492740.html)
|
||
|
||
2. [Apache Hadoop 2.9.2 > Apache Hadoop YARN](http://hadoop.apache.org/docs/stable/hadoop-yarn/hadoop-yarn-site/YARN.html)
|
||
|
||
|
||
|