更快、更強——解析Hadoop新一代MapReduce框架Yarn-CSDN.NET http://www.csdn.net/article/2014-02-10/2818355

Yarn架構
Yarn/MRv2最基本的想法是將原JobTracker主要的資源管理和job調度/監視功能分開作為兩個單獨的守護進程。有一個全局的ResourceManager(RM)和每個Application有一個ApplicationMaster(AM)，Application相當于map-reduce job或者DAG jobs。ResourceManager和NodeManager(NM)組成了基本的數據計算框架。ResourceManager協調集群的資源利用，任何client或者運行著的applicatitonMaster想要運行job或者task都得向RM申請一定的資源。ApplicatonMaster是一個框架特殊的庫，對于MapReduce框架而言有它自己的AM實現，用戶也可以實現自己的AM，在運行的時候，AM會與NM一起來啟動和監視tasks。

背景

Yarn是一個分布式的資源管理系統，用以提高分布式的集群環境下的資源利用率，這些資源包括內存、IO、網絡、磁盤等。其產生的原因是為了解決原MapReduce框架的不足。最初MapReduce的committer們還可以周期性的在已有的代碼上進行修改，可是隨著代碼的增加以及原MapReduce框架設計的不足，在原MapReduce框架上進行修改變得越來越困難，所以MapReduce的committer們決定從架構上重新設計MapReduce,使下一代的MapReduce(MRv2/Yarn)框架具有更好的擴展性、可用性、可靠性、向后兼容性和更高的資源利用率以及能支持除了MapReduce計算框架外的更多的計算框架。

必須牢記yarn只是一個資源管理的框架，并不是一個計算框架，計算框架可以運行在yarn上。

摘要：本文介紹了Hadoop 自0.23.0版本后新的MapReduce框架（Yarn)原理、優勢、運作機制和配置方法等；著重介紹新的Yarn框架相對于原框架的差異及改進。
編者按：對于業界的大數據存儲及分布式處理系統來說，Hadoop 是耳熟能詳的卓越開源分布式文件存儲及處理框架，對于 Hadoop 框架的介紹在此不再累述，隨著需求的發展，Yarn 框架浮出水面，@依然光榮復興的 博客給我們做了很詳細的介紹，讀者通過本文中新舊 Hadoop MapReduce 框架的對比，更能深刻理解新的 yarn 框架的技術原理和設計思想。

背景

Yarn是一個分布式的資源管理系統，用以提高分布式的集群環境下的資源利用率，這些資源包括內存、IO、網絡、磁盤等。其產生的原因是為了解決原MapReduce框架的不足。最初MapReduce的committer們還可以周期性的在已有的代碼上進行修改，可是隨著代碼的增加以及原MapReduce框架設計的不足，在原MapReduce框架上進行修改變得越來越困難，所以MapReduce的committer們決定從架構上重新設計MapReduce,使下一代的MapReduce(MRv2/Yarn)框架具有更好的擴展性、可用性、可靠性、向后兼容性和更高的資源利用率以及能支持除了MapReduce計算框架外的更多的計算框架。

原MapReduce框架的不足

JobTracker是集群事務的集中處理點，存在單點故障
JobTracker需要完成的任務太多，既要維護job的狀態又要維護job的task的狀態，造成過多的資源消耗
在taskTracker端，用map/reduce task作為資源的表示過于簡單，沒有考慮到CPU、內存等資源情況，當把兩個需要消耗大內存的task調度到一起，很容易出現OOM
把資源強制劃分為map/reduce slot,當只有map task時，reduce slot不能用；當只有reduce task時，map slot不能用，容易造成資源利用不足。

Yarn架構
Yarn/MRv2最基本的想法是將原JobTracker主要的資源管理和job調度/監視功能分開作為兩個單獨的守護進程。有一個全局的ResourceManager(RM)和每個Application有一個ApplicationMaster(AM)，Application相當于map-reduce job或者DAG jobs。ResourceManager和NodeManager(NM)組成了基本的數據計算框架。ResourceManager協調集群的資源利用，任何client或者運行著的applicatitonMaster想要運行job或者task都得向RM申請一定的資源。ApplicatonMaster是一個框架特殊的庫，對于MapReduce框架而言有它自己的AM實現，用戶也可以實現自己的AM，在運行的時候，AM會與NM一起來啟動和監視tasks。
ResourceManager
ResourceManager作為資源的協調者有兩個主要的組件：Scheduler和ApplicationsManager(AsM)。
Scheduler負責分配最少但滿足application運行所需的資源量給Application。Scheduler只是基于資源的使用情況進行調度，并不負責監視/跟蹤application的狀態，當然也不會處理失敗的task。RM使用resource container概念來管理集群的資源，resource container是資源的抽象，每個container包括一定的內存、IO、網絡等資源，不過目前的實現只包括內存一種資源。
ApplicationsManager負責處理client提交的job以及協商第一個container以供applicationMaster運行，并且在applicationMaster失敗的時候會重新啟動applicationMaster。下面闡述RM具體完成的一些功能。

資源調度：Scheduler從所有運行著的application收到資源請求后構建一個全局的資源分配計劃，然后根據application特殊的限制以及全局的一些限制條件分配資源。
資源監視：Scheduler會周期性的接收來自NM的資源使用率的監控信息，另外applicationMaster可以從Scheduler得到屬于它的已完成的container的狀態信息。
Application提交：
client向AsM獲得一個applicationIDclient將application定義以及需要的jar包
client將application定義以及需要的jar包文件等上傳到hdfs的指定目錄，由yarn-site.xml的yarn.app.mapreduce.am.staging-dir指定
client構造資源請求的對象以及application的提交上下文發送給AsM
AsM接收application的提交上下文
AsM根據application的信息向Scheduler協商一個Container供applicationMaster運行，然后啟動applicationMaster
向該container所屬的NM發送launchContainer信息啟動該container,也即啟動applicationMaster、AsM向client提供運行著的AM的狀態信息。

AM的生命周期：AsM負責系統中所有AM的生命周期的管理。AsM負責AM的啟動，當AM啟動后，AM會周期性的向AsM發送heartbeat，默認是1s，AsM據此了解AM的存活情況，并且在AM失敗時負責重啟AM，若是一定時間過后(默認10分鐘)沒有收到AM的heartbeat，AsM就認為該AM失敗了。

關于ResourceManager的可用性目前還沒有很好的實現，不過Cloudera公司的CDH4.4以后的版本實現了一個簡單的高可用性，使用了Hadoop-common項目中HA部分的代碼，采用了類似hdfs namenode高可用性的設計，給RM引入了active和standby狀態，不過沒有與journalnode相對應的角色，只是由zookeeper來負責維護RM的狀態，這樣的設計只是一個最簡單的方案，避免了手動重啟RM，離真正的生產可用還有一段距離。
NodeManager
NM主要負責啟動RM分配給AM的container以及代表AM的container，并且會監視container的運行情況。在啟動container的時候，NM會設置一些必要的環境變量以及將container運行所需的jar包、文件等從hdfs下載到本地，也就是所謂的資源本地化；當所有準備工作做好后，才會啟動代表該container的腳本將程序啟動起來。啟動起來后，NM會周期性的監視該container運行占用的資源情況，若是超過了該container所聲明的資源量，則會kill掉該container所代表的進程。
另外，NM還提供了一個簡單的服務以管理它所在機器的本地目錄。Applications可以繼續訪問本地目錄即使那臺機器上已經沒有了屬于它的container在運行。例如，Map-Reduce應用程序使用這個服務存儲map output并且shuffle它們給相應的reduce task。
在NM上還可以擴展自己的服務，yarn提供了一個yarn.nodemanager.aux-services的配置項，通過該配置，用戶可以自定義一些服務，例如Map-Reduce的shuffle功能就是采用這種方式實現的。
NM在本地為每個運行著的application生成如下的目錄結構：

ApplicationMaster
ApplicationMaster是一個框架特殊的庫，對于Map-Reduce計算模型而言有它自己的ApplicationMaster實現，對于其他的想要運行在yarn上的計算模型而言，必須得實現針對該計算模型的ApplicationMaster用以向RM申請資源運行task，比如運行在yarn上的spark框架也有對應的ApplicationMaster實現，歸根結底，yarn是一個資源管理的框架，并不是一個計算框架，要想在yarn上運行應用程序，還得有特定的計算框架的實現。由于yarn是伴隨著MRv2一起出現的，所以下面簡要概述MRv2在yarn上的運行流程。
MRv2運行流程：

MR JobClient向resourceManager(AsM)提交一個job
AsM向Scheduler請求一個供MR AM運行的container，然后啟動它
MR AM啟動起來后向AsM注冊
MR JobClient向AsM獲取到MR AM相關的信息，然后直接與MR AM進行通信
MR AM計算splits并為所有的map構造資源請求
MR AM做一些必要的MR OutputCommitter的準備工作
MR AM向RM(Scheduler)發起資源請求，得到一組供map/reduce task運行的container，然后與NM一起對每一個container執行一些必要的任務，包括資源本地化等
MR AM 監視運行著的task 直到完成，當task失敗時，申請新的container運行失敗的task
當每個map/reduce task完成后，MR AM運行MR OutputCommitter的cleanup 代碼，也就是進行一些收尾工作
當所有的map/reduce完成后，MR AM運行OutputCommitter的必要的job commit或者abort APIs
MR AM退出。

在Yarn上寫應用程序
在yarn上寫應用程序并不同于我們熟知的MapReduce應用程序，必須牢記yarn只是一個資源管理的框架，并不是一個計算框架，計算框架可以運行在yarn上。我們所能做的就是向RM申請container,然后配合NM一起來啟動container。就像MRv2一樣，jobclient請求用于MR AM運行的container，設置環境變量和啟動命令，然后交由NM去啟動MR AM，隨后map/reduce task就由MR AM全權負責，當然task的啟動也是由MR AM向RM申請container，然后配合NM一起來啟動的。所以要想在yarn上運行非特定計算框架的程序，我們就得實現自己的client和applicationMaster。另外我們自定義的AM需要放在各個NM的classpath下，因為AM可能運行在任何NM所在的機器上。