yarn使用场景 yarn应用场景

董西成的PPT，本文主要是通过PPT整理出来，具体文章的链接没有找到

前言：Yarn 是什么？

资源管理器，它是一个 通用资源管理系统，可为上层应用提供统一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。

YARN的基本思想是将JobTracker的两个主要功能（资源管理和作业调度/监控 ）分离，主要方法是创建一个全局的ResourceManager（RM）和若干个针对应用程序的ApplicationMaster（AM）。这里的应用程序是指传统的MapReduce作业或作业的DAG（有向无环图）。

一.Hadoop YARN产生背景

• Mapreduce1.0版本固有的问题

• 扩展性受限
• 单点故障
• 难以支持MR之外的计算

• 资源利用率

• 运维成本和数据共享【多计算框架各自为战，数据共享困难】

• MR：离线计算框架
  Storm：实时计算框架
  Spark：内存计算框架
• 运维成本 如果采用“一个框架一个集群”的模式，则可能需要多个管理员管理这些集群，进而增加运维成本， 而共享模式通常需要少数管理员即可完成多个框架 的统一管理。

• 数据共享

• 随着数据量的暴增，跨集群间的数据移动不仅需花 费更长的时间，且硬件成本也会大大增加，而共享集群模式可让多种框架共享数据和硬件资源，将大大减小数据移动带来的成本。

Yarn 产生背景总结：

1) 源于MRv1的缺陷：

扩展性受限;

单点故障;

难以支持MR之外的计算框架；

2) 多计算框架各自为战，数据共享困难，资源利用率低；

　 　MR: 离线计算框架

　 　Storm：实时计算框架

　 　Spark：内存计算框架

二. Hadoop YARN基本构成与资源调度

1.YARN基本架构

• YARN基本架构
• ResourceManager

• 整个集群只有一个，负责集群资源的统一管理和调度
• 详细功能
  处理客户端请求
  启动/监控ApplicationMaster
  监控NodeManager
  资源分配与调度

• NodeManager

• 整个集群有多个，负责单节点资源管理和使用
• 详细功能
  单个节点上的资源管理和任务管理
  处理来自ResourceManager的命令
  处理来自ApplicationMaster的命令

• ApplicationMaster

• 每个应用有一个，负责应用程序的管理
• 详细功能
  数据切分
  为应用程序申请资源，并进一步分配给内部任务
  任务监控与容错

• Container

• 对任务运行环境的抽象
• 描述一系列信息
  任务运行资源（节点、内存、CPU）
  任务启动命令
  任务运行环境

Yarn 的基本组成

    Master/Slave结构，1个ResourceManager对应多个NodeManager；

YARN由Client、ResourceManager、NodeManager、ApplicationMaster组成；

Client向ResourceManager提交任务、杀死任务等；

ApplicationMaster由对应的应用程序完成；每个应用程序对应一个ApplicationMaster，

ApplicationMaster向ResourceManager申请资源用于在NodeManager上启动相应的Task；

NodeManager向ResourceManager通过心跳信息：汇报NodeManager健康状况、任务执行状况、领取任务等；

2.YARN运行过程

Yarn 工作原理解说：

1）用户向YARN中提交应用程序/作业，其中包括ApplicaitonMaster程序、启动ApplicationMaster的命令、用户程序等；

2）ResourceManager为作业分配第一个Container，并与对应的NodeManager通信，要求它在这个Containter中启动该作业的ApplicationMaster；

3）ApplicationMaster首先向ResourceManager注册，这样用户可以直接通过ResourceManager查询作业的运行状态；然后它将为各个任务申请资源并监控任务的运行状态，直到运行结束。即重复步骤4-7；

4）ApplicationMaster采用轮询的方式通过RPC请求向ResourceManager申请和领取资源；

5）一旦ApplicationMaster申请到资源后，便与对应的NodeManager通信，要求它启动任务；

6）NodeManager启动任务；

7）各个任务通过RPC协议向ApplicationMaster汇报自己的状态和进度，以让ApplicaitonMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务；

在作业运行过程中，用户可随时通过RPC向ApplicationMaster查询作业当前运行状态；

8）作业完成后，ApplicationMaster向ResourceManager注销并关闭自己；

3.YARN的容错性

• ResourceManager
  存在单点故障；
  正在基于ZooKeeper实现HA。
• NodeManager
  失败后，RM将失败任务告诉对应的AM；
  AM决定如何处理失败的任务。
• ApplicationMaster
  失败后，由RM负责重启；
  AM需处理内部任务的容错问题；
  RMAppMaster会保存已经运行完成的Task，重启后无需重新运行。

4.YARN调度框架

• 双层调度框架
  RM将资源分配给AM
  AM将资源进一步分配给各个Task
• 基于资源预留的调度策略
  资源不够时，会为Task预留，直到
  资源充足
  与“all or nothing”策略不同（Apache Mesos）

5.YARN资源调度器

• 多类型资源调度

• 采用DRF算法
  （论文：“Dominant Resource Fairness: Fair Allocation of Multiple Resource Types”）
  目前支持CPU和内存两种资源

• 提供多种资源调度器

• FIFO
• Fair Scheduler
• Capacity Scheduler

• 多租户资源调度器

• 支持资源按比例分配
• 支持层级队列划分方式
• 支持资源抢占

6.YARN资源隔离方案

• 支持内存和CPU两种资源隔离

• 内存是一种“决定生死”的资源
• CPU是一种“影响快慢”的资源

• 内存隔离

• 基于线程监控的方案
• 基于Cgroups的方案

• CPU隔离

• 默认不对CPU资源进行隔离
• 基于Cgroups的方案

7.YARN支持的调度语义

• 支持的语义

• 请求某个特定节点/机架上的特定资源量
• 将某些节点加入（或移除）黑名单，不再为自己分配这些节点上的资源
• 请求归还某些资源

• 不支持的语义

• 请求任意节点/机架上的特定资源量
• 请求一组或几组符合某种特质的资源
• 超细粒度资源
• 动态调整Container资源

三.Hadoop YARN上的计算框架

1.YARN设计目标

• 通用的统一资源管理系统

• 同时运行长应用程序和短应用程序

• 长应用程序

• 通常情况下，永不停止运行的程序
• Service、HTTP Server等

• 短应用程序

• 短时间（秒级、分钟级、小时级）内会运行结束的程序
• MR job、Spark Job等

2.以YARN为核心的生态系统

【1】离线计算框架：MapReduce

• 将计算过程分为两个阶段，Map和Reduce

• Map 阶段并行处理输入数据
• Reduce阶段对Map结果进行汇总

• Shuffle连接Map和Reduce两个阶段

• Map Task将数据写到本地磁盘
• Reduce Task从每个Map Task上读取一份数据

• 仅适合离线批处理

• 具有很好的容错性和扩展性
• 适合简单的批处理任务

• 缺点明显

• 启动开销大、过多使用磁盘导致效率低下等

【2】DAG计算框架：Tez

• 多个作业之间存在数据依赖关系，并形成一个依赖关系有向 图（ Directed Acyclic Graph），该图的计算称为“DAG计算”
• Apache Tez：基于YARN的DAG计算框架

• 运行在YARN之上，充分利用YARN的资源管理和容错等功能；
• 提供了丰富的数据流(dataflow）API；
• 扩展性良好的“Input-Processor-Output”运行时模型；
• 动态生成物理数据流关系。
  
  未使用Tez
  
  使用Tez

Tez 应用场景

• 直接编写应用程序

• Tez提供了一套通用编程接口
• 适合编写有依赖关系的作业

• 优化Pig、Hive等引擎

• 下一代Hive：Stinger
• 好处1：避免查询语句转换成过多的MapReduce作业后产 生大量不必要的网络和磁盘IO
• 好处2：更加智能的任务处理引擎

【3】流式计算框架：Storm

• 流式（Streaming）计算，是指被处理的数据像流水一样不断流入系统，而系统需要针对每条数据进行实时处理和计算，并永不停止（直到用户显式杀死进程）；
• 传统做法：由消息队列和消息处理者组成的实时处理网络 进行实时计算；

• 缺乏自动化
• 缺乏健壮性
• 伸缩性差
  
  

【4】内存计算框架：Spark

• 克服MapReduce在迭代式计算和交互式计算方面的不足；
• 引入RDD（ Resilient Distributed Datasets）数据表示模型；
• RDD是一个有容错机制，可以被并行操作的数据集合，能够被缓存到内存或磁盘上。

spark on yarn

四.MapReduce 2.0与YARN

• 一个MR应用程序的成功运行需要若干模块：

• 任务管理和资源调度
• 任务驱动模块（MapTask、ReduceTask）
• 用户代码（Mapper、Reducer…）

• MapReduce 2.0和YARN区别：

• YARN是一个资源管理系统，负责资源管理和调度
• MapReduce只是运行在YARN上的一个应用程序
• 如果把YARN看做“ android”，则MapReduce只是一个“ app”

• MapReduce2.0组成：
• YARN(整个集群只有一个)
• MRAppMaster（一个应用程序一个）
• 用户代码（ Mapper、 Reducer…）
• MapReduce 1.0和MapReduce 2.0区别：

• MapReduce 1.0是一个独立的系统，直接运行在Linux之上
• MapReduce 2.0则是运行YARN上的框架，且可与多种框架一起 运行在YARN上

五.总结

本博客主要介绍了YARN的产生背景，整体架构，运行在yarn上面的hadoop生态系统，最后介绍了Mapreduce2.0与YARN的区别。YARN是一个资源调度的框架和平台，可以理解为一个操作系统，在这个“操作系统上面可以安装运行N多个软件，比如storm，spark等系统，完成某一项特定的功能。YARN的功能就是为这些应用提供资源和任务调动，HDFS就相当于一块硬盘，用来存储软件系统所需要的数据。