默默无闻的Yarn

题记

为何忽然想起来写一篇关于yarn的文章呢,是由于今天同事想我讨教spark提交任务的方式有哪几种,我回答到local、yarn cluster、yarn client等。我刚想向他解释这几种提交方式的区别,没想到他却问我,什么是yarn?说实话,我有点措不及防,由于yarn如今确实不多被人注意和讨论,当初仍是在学习Hadoop2的时候,来对yarn这个新加入的资源管理组件进行调研的。在如今提交任务的时候,老是 --master yarn的一笔带过,却不多的去关注yarn了,因此我说yarn是默默无闻的。
https://images2015.cnblogs.co...
clipboard.pngnode

1、YARN基本服务组件

YARN是Hadoop 2.0中的资源管理系统,它的基本设计思想是将MRv1中的JobTracker拆分红了两个独立的服务:一个全局的资源管理器ResourceManager和每一个应用程序特有的ApplicationMaster。其中ResourceManager负责整个系统的资源管理和分配,而ApplicationMaster负责单个应用程序的管理。网络

YARN整体上仍然是master/slave结构,在整个资源管理框架中,resourcemanager为master,nodemanager是slave。Resourcemanager负责对各个nademanger上资源进行统一管理和调度。当用户提交一个应用程序时,须要提供一个用以跟踪和管理这个程序的ApplicationMaster,它负责向ResourceManager申请资源,并要求NodeManger启动能够占用必定资源的任务。因为不一样的ApplicationMaster被分布到不一样的节点上,所以它们之间不会相互影响。架构

YARN的基本组成结构,YARN主要由ResourceManager、NodeManager、ApplicationMaster和Container等几个组件构成。app

  • ResourceManager是Master上一个独立运行的进程,负责集群统一的资源管理、调度、分配等等;
  • NodeManager是Slave上一个独立运行的进程,负责上报节点的状态;
  • App Master和Container是运行在Slave上的组件,
  • Container是yarn中分配资源的一个单位,包涵内存、CPU等等资源,yarn以Container为单位分配资源。

Client向ResourceManager提交的每个应用程序都必须有一个Application Master,它通过ResourceManager分配资源后,运行于某一个Slave节点的Container中,具体作事情的Task,一样也运行与某一个Slave节点的Container中。RM,NM,AM乃至普通的Container之间的通讯,都是用RPC机制。
https://images2015.cnblogs.co...
clipboard.png框架

YARN的架构设计使其愈来愈像是一个云操做系统,数据处理操做系统。分布式

1.Resourcemanager
RM是一个全局的资源管理器,集群只有一个,负责整个系统的资源管理和分配,包括处理客户端请求、启动/监控APP master、监控nodemanager、资源的分配与调度。它主要由两个组件构成:调度器(Scheduler)和应用程序管理器(Applications Manager,ASM)。oop

  • 调度器(Scheduler)

调度器根据容量、队列等限制条件(如每一个队列分配必定的资源,最多执行必定数量的做业等),将系统中的资源分配给各个正在运行的应用程序。须要注意的是,该调度器是一个“纯调度器”,它再也不从事任何与具体应用程序相关的工做,好比不负责监控或者跟踪应用的执行状态等,也不负责从新启动因应用执行失败或者硬件故障而产生的失败任务,这些均交由应用程序相关的ApplicationMaster完成。调度器仅根据各个应用程序的资源需求进行资源分配,而资源分配单位用一个抽象概念“资源容器”(Resource Container,简称Container)表示,Container是一个动态资源分配单位,它将内存、CPU、磁盘、网络等资源封装在一块儿,从而限定每一个任务使用的资源量。此外,该调度器是一个可插拔的组件,用户可根据本身的须要设计新的调度器,YARN提供了多种直接可用的调度器,好比Fair Scheduler和Capacity Scheduler等。性能

  • 应用程序管理器(Applications Manager,ASM)

应用程序管理器负责管理整个系统中全部应用程序,包括应用程序提交、与调度器协商资源以启动ApplicationMaster、监控ApplicationMaster运行状态并在失败时从新启动它等。学习

2.ApplicationMaster(AM)spa

管理YARN内运行的应用程序的每一个实例。
功能:

(1)数据切分
 (2)为应用程序申请资源并进一步分配给内部任务。
 (3)任务监控与容错

负责协调来自resourcemanager的资源,并经过nodemanager监视容易的执行和资源使用状况。

3.NodeManager(NM)

Nodemanager整个集群有多个,负责每一个节点上的资源和使用。
功能:

(1)单个节点上的资源管理和任务。
   (2)处理来自于resourcemanager的命令。
   (3)处理来自域app master的命令。

Nodemanager管理着抽象容器,这些抽象容器表明着一些特定程序使用针对每一个节点的资源。
Nodemanager定时地向RM汇报本节点上的资源使用状况和各个Container的运行状态(cpu和内存等资源)

4.Container
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返回的资源即是用Container表示的。YARN会为每一个任务分配一个Container,且该任务只能使用该Container中描述的资源。须要注意的是,Container不一样于MRv1中的slot,它是一个动态资源划分单位,是根据应用程序的需求动态生成的。目前为止,YARN仅支持CPU和内存两种资源,且使用了轻量级资源隔离机制Cgroups进行资源隔离。
功能:

(1)对task环境的抽象
    (2)描述一系列信息
    (3)任务运行资源的集合(cpu、内存、io等)
    (4)任务运行环境

2、YARN的资源管理

一、资源调度和隔离是yarn做为一个资源管理系统,最重要且最基础的两个功能。资源调度由resourcemanager完成,而资源隔离由各个nodemanager实现。
二、Resourcemanager将某个nodemanager上资源分配给任务(这就是所谓的“资源调度”)后,nodemanager需按照要求为任务提供相应的资源,甚至保证这些资源应具备独占性,为任务运行提供基础和保证,这就是所谓的资源隔离。
三、当谈及到资源时,咱们一般指内存、cpu、io三种资源。Hadoop yarn目前为止仅支持cpu和内存两种资源管理和调度。
四、内存资源多少决定任务的生死,若是内存不够,任务可能运行失败;相比之下,cpu资源则不一样,它只会决定任务的快慢,不会对任务的生死产生影响。
Yarn的内存管理:

yarn容许用户配置每一个节点上可用的物理内存资源,注意,这里是“可用的”,由于一个节点上内存会被若干个服务贡享,好比一部分给了yarn,一部分给了hdfs,一部分给了hbase等,yarn配置的只是本身可用的,配置参数以下:
yarn.nodemanager.resource.memory-mb
表示该节点上yarn可使用的物理内存总量,默认是8192m,注意,若是你的节点内存资源不够8g,则须要调减这个值,yarn不会智能的探测节点物理内存总量。
yarn.nodemanager.vmem-pmem-ratio
任务使用1m物理内存最多可使用虚拟内存量,默认是2.1
yarn.nodemanager.pmem-check-enabled
是否启用一个线程检查每一个任务证使用的物理内存量,若是任务超出了分配值,则直接将其kill,默认是true。
yarn.nodemanager.vmem-check-enabled
是否启用一个线程检查每一个任务证使用的虚拟内存量,若是任务超出了分配值,则直接将其kill,默认是true。
yarn.scheduler.minimum-allocation-mb
单个任务可使用最小物理内存量,默认1024m,若是一个任务申请物理内存量少于该值,则该对应值改成这个数。
yarn.scheduler.maximum-allocation-mb
单个任务能够申请的最多的内存量,默认8192m
Yarn cpu管理:

目前cpu被划分为虚拟cpu,这里的虚拟cpu是yarn本身引入的概念,初衷是考虑到不一样节点cpu性能可能不一样,每一个cpu具备计算能力也是不同的,好比,某个物理cpu计算能力多是另一个物理cpu的2倍,这时候,你能够经过为第一个物理cpu多配置几个虚拟cpu弥补这种差别。用户提交做业时,能够指定每一个任务须要的虚拟cpu个数。在yarn中,cpu相关配置参数以下:
yarn.nodemanager.resource.cpu-vcores
表示该节点上yarn可以使用的虚拟cpu个数,默认是8个,注意,目前推荐将该值为与物理cpu核数相同。若是你的节点cpu合数不够8个,则须要调减少这个值,而yarn不会智能的探测节点物理cpu总数。
yarn.scheduler.minimum-allocation-vcores
单个任务可申请最小cpu个数,默认1,若是一个任务申请的cpu个数少于该数,则该对应值被修改成这个数
yarn.scheduler.maximum-allocation-vcores
单个任务能够申请最多虚拟cpu个数,默认是32.

总结

YARN(Yet Another Resource Negotiator),也称Hadoop2.0,是新一代的通用资源管理系统。它在Hadoop 1.0(MRv1)的基础上,提供了更强大的可伸缩性和灵活性。对原有的架构进行了去中心化的处理,将资源管理和任务协调分为两个不一样的进程来处理。此外,它特定的ApplicationMaster支持在容器(cpu、内存、磁盘和网络IO等资源)内运行任何类型的任务,给创造新的分布式应用程序框架提供了条件,从而除了MapReduce以外,它还能够运行Giraph、Storm、Spark、Tez/Impala、MPI 等,只须要使用特定的ApplicationMaster便可。

相关文章
相关标签/搜索