Apache Hadoop YARN

YARN的概述

Apache Yarn（Yet Another Resource Negotiator的缩写）是hadoop集群资源管理器系统，Yarn从hadoop 2引入，最初是为了改善MapReduce的实现，但是它具有通用性，同样执行其他分布式计算模式。

在MapReduce1中，具有如下局限性：

1、扩展性差：jobtracker兼顾资源管理和作业控制跟踪功能跟踪任务，启动失败或迟缓的任务，记录任务的执行状态，维护计数器），压力大，成为系统的瓶颈
2、可靠性差：采用了master/slave结构，master容易单点故障
3、资源利用率低：基于槽位的资源分配模型，槽位是一种粗粒度的资源划分单位，通常一个任务不会用完一个槽位的资源，hadoop1分为map slot和reduce slot，而它们之间资源不共享，造成一些资源空闲。
4、不支持多框架：不支持多种计算框架并行

yarn很好解决了MapReduce1中的局限性：yarn基本思想；一个全局的资源管理器resourcemanager和与每个应用对用的ApplicationMaster，Resourcemanager和NodeManager组成全新的通用系统，以分布式的方式管理应用程序。

所以针对MapReduce1，yarn就有了如下特点：

1、支持非mapreduce应用的需求
2、可扩展性
3、提高资源是用率
4、用户敏捷性
5、可以通过搭建为高可用

YARN是做什么的

YARN在Hadoop中的功能作用有两个，第一是负责Hadoop集群中的资源管理(resource management)，第二是负责对任务进行调度和监控(scheduling/monitoring)。YARN分别提供了相应的组件完成这两项工作。

如何管理资源

YARN在管理资源上采用的是master/slave架构。在整个YARN集群中，在其中一个节点上运行ResourceManager进程作为master，其余每个节点上都运行一个NodeManager进程作为slave。
ResourceManager负责对集群中的所有资源进行统一的管理和调度。NodeManager进程负责单个节点上的资源管理，它监控一个节点上的资源使用情况(如cpu，内存，硬盘，网络等)并将其report给ResourceManager。
ResourceManager有两个主要的组件：Scheduler和ApplicationsManager。
其中的Scheduler就负责为集群中运行的各个application分配所需要的资源。Scheduler只负责资源的调度，它不做任何对application监控或跟踪的工作，此外，在任务由于各种原因执行失败时，它也不负责对任务进行重启。
Scheduler根据application对资源的需求执行其资源调度功能。它将cpu、内存、硬盘、网络等资源合并成一个整体，抽象成Container进行资源分配。Container就是Scheduler进行资源分配的一个单位，也是运行各个任务的容器。
此外，Scheduler是一个可插拔的组件，用户可根据自己的需要设计新的Scheduler，YARN提供了多种可直接使用的调度器，比如Fair Scheduler和Capacity Scheduler等。

如何调度/监控任务

ApplicationMaster组件负责跟踪和管理一次提交的作业(job)，它负责为job的运行向ResourceManager中的Scheduler组件申请资源，并通过NodeManger启动和监控这个job的所有task。
当向ResourceManager提交一个job时，必须为其指定一个ApplicationMaster组件。ResourceManager中的ApplicationsManager组件会对所有job的ApplicationMaster进行管理，它首先会为ApplicationMaster组件分配资源，使其运行在一个slave节点的Container中。并负责监控ApplicationMaster的运行状态，在Container出现异常时对ApplicationMaster进行重启。
ApplicationsManager负责管理整个集群中的所有job，包括job的提交、与Scheduler协商资源以启动ApplicationMaster、监控ApplicationMaster运行状态并在失败时重新启动它等。

YARN架构

上面我们已经介绍了YARN中的全部组件的作用，现在我们详细说一下YARN的架构。
先看图中的Node Statue线，这条线展现了YARN集群的master/slave架构。ResourceManager是集群中的master节点，作为老大统一管理集群中的所有资源分配。集群中可以存在多个NodeManager节点，NodeManager负责其所在机器上的资源管理，并将资源使用情况report给ResourceManager节点。
Container是YARN中的资源抽象，它封装了一个节点上的多维度资源，如内存、CPU、磁盘、网络等。从图中可以看到，一个NodeManager节点上同时存在多个Container。提交作业的每个task都运行在一个Container中。
再看MapReduce Status和Resource Request这两条线，它展现了ApplicationMaster的作用。首先，对于每个提交的作业都必须要有一个ApplicationMaster(如这里的两个作业分别对应一个ApplicationMaster)。ApplicationMaster对作业的所有任务进行跟踪监控和管理，可以看到作业下的每个任务都将执行statue汇报给ApplicationMaster。此外，ApplicationMaster还负责向ResourceManager申请资源。
最后，Job Submission这条线展现了每次提交新的作业时，都是将任务提交给ResourceManager，由ResourceManager全局管理。常见的操作有提交一个作业、杀死一个作业等。

YARN执行流程

提交一个作业到YARN的详细执行流程如下：

1. Client向YARN提交一个job，首先向ResourceManager中的ApplicationManager申请资源，用于运行本作业的ApplicationMaster。
2. ApplicationManager给集群中的一个NodeManager发命令，通知其创建一个Container并运行作业的ApplicationMaster。
3. NodeManager创建一个Container并启动作业的ApplicationMaster。
4. ApplicationMaster将自己注册到ApplicationManager，使得ApplicationManager可以监控到Job的执行状态，Client也可以通过ApplicationManager对作业进行控制。
5. Scheduler将资源分配信息发给ApplicationMaster。
6. ApplicationMaster将获取到的资源分配信息发送给各个NodeManager。
7. 各个NodeManager接收到资源分配命令，创建Container并启动对应的task。
8. 各个task直接与ApplicationMaster进行通信，汇报心跳和任务执行进度。
9. 所有的Task都执行完毕，将讲过反馈给ApplicationMaster。ApplicationMaster再将任务执行的结果反馈ApplicationManager。

参考： https://segmentfault.com/a/1190000018775822