新一代mapreduce体系架构介绍-YARN

最近研究了下新一代的mapreduce框架YARN，这里先对YARN框架的引入和架构做个介绍，后续针对每一块做深入分析

从Hadoop0.23版本开始对于mapduce计算框架，就完全是新的架构了(YARN)。老的版本MRv1 Jobtracker中存在单点，功能比较多的问题，负责资源管理调度和job的生命周期管理(task调度，跟踪task过程状态，task处理容错)，这样当大量的任务需要处理时，单个的jobtracker无论在内存还是其他资源方面总存在瓶颈，在伸缩性、资源利用率、运行除mapreduce的其他任务等方面都会有限制。

MRv2 Yarn框架把资源调度和task管理监控分离开来，由资源管理器NodeManager负责资源调度，每一个application(job)由一个AppMaster负责对task进行调度管理监控，并且可以监控AppMaster的状态，有问题可以在其他节点重启。

MRv1 mapreduce框架使用slot做资源表示单位，并且map slot和reduce slot分离的，这样资源不能共享，资源利用率不高，yarn使用节点的cpu、内存等资源作为资源表示单位，大大提高了资源利用率。

MRv1只支持批量的mapreduce计算，MRv2 yarn框架提供ApplicationMaster插件式的框架库，支持除了mapreduce外的其他的计算，如实时近实时的流处理，MPI等等，使得hadoop成为一个资源和数据共享的基础计算框架，减少集群运维成本，提高资源利用率。

MRv2 JobHistory 从JobTracker中分离出来，减轻JobTracker的压力。

上图是yarn的架构，主要包括以下这几种角色

ResourceManager(RM)：主要接收客户端任务请求，接收和监控NodeManager(NM)的资源情况汇报，负责资源的分配与调度，启动和监控ApplicationMaster(AM)。

NodeManager：主要是节点上的资源管理，启动Container运行task计算，上报资源、container情况给RM和任务处理情况给AM。

ApplicationMaster：主要是单个Application(Job)的task管理和调度，向RM进行资源的申请，向NM发出launch Container指令，接收NM的task处理状态信息。

下面简单介绍一下提交一个job的处理过程，

1、client submit一个job到RM，进入RM中的Scheduler队列供调度

2、RM根据NM汇报的资源情况(NM会定时汇报资源和container使用情况)，请求一个合适的NM launch container，以启动运行AM

3、AM启动后，注册到RM上，以使client可以查到AM的信息，便于client直接和AM通信

4、AM启动后，根据Job 相关的split的task情况，会和RM协商申请container资源

5、RM分配给AM container资源后，根据container的信息，向对应的NM 请求launch container

6、NM启动container运行task，运行过程中向AM汇报进度状态信息，类似于MRv1中 task的汇报；同时NM也会定时的向RM汇报container的使用情况。

7、在application(job)执行过程中，client可以和AM通信，获取application相关的进度和状态信息。

8、在application(job)完成后，AM通知RM clear自己的相关信息，并关闭，释放自己占用的container。