大数据学习笔记4 - Hadoop的优化与发展（Hadoop 2.0）
前面介绍了Hadoop核心组件HDFS和MapReduce，Hadoop发展之初在架构设计和应用性能方面仍然存在不足，Hadoop的优化与发展一方面体现在两个核心组件的架构设计改进，一方面体现在Hadoop生态系统其他组件的不断丰富。此文介绍Hadoop2.0中添加的新特性。
一、HDFS 2.0新特性
这对HDFS的改进，HDFS 2.0主要增加了HDFS HA 以及HDFS联邦等新特性。
（一）HDFS HA
HA即High Availability，用于解决HDFS 1.0中的单点故障问题。
HDFS 1.0中，存在一个名称节点，一个第二名称节点，第二名称节点不是名称节点的备份，它的主要功能是解决当数据操作记录较多时，EdlirLog文件过大的问题，并不能提供热备份功能，当名称节点故障时无法提供实时切换，第二名称节点不能立即对外提供服务，需要停机恢复。
一旦唯一的名称节点出现故障，就会导致整个集群不可用，这就是“单点故障问题”。为解决这一问题，HDFS 2.0采用HA架构，集群包含两个名称节点，一个活跃（Active）状态，一个待机（Standby）状态：
Active状态的名称节点负责对外处理客户端请求；
Standby状态的节点负责提供热备份，保存足够的元数据信息，Active节点故障时提供快速恢复能力。
Standby名称节点作为备份节点，需要存储与Active节点一致的元数据信息，那么HA又是如何保证Active名称节点的信息实时同步到Standby名称节点的呢？
两个名称节点之间的状态同步借助于共享存储系统实现，如NFS、QJM或Zookeeper。Active名称节点给将数据写入到共享存储系统，Standby节点监听共享存储系统，若有新写入，则从公共存储系统读取数据并加载到自己的内存，以此保证数据同步。
为了能让Standby节点随时接替Active节点对外提供服务，Standby节点也需要保存集群中各个块的位置信息，HA又是如何处理这个问题的呢？
HA架构下给数据节点配置两个名称节点地址，并把块的位置信息和心跳信息同时发送到两个名称节点。
当集群中存在两个名称节点时，需要保证某一时刻仅一个名称节点处于Active状态，这又是如何实现的呢？
HA使用Zookeeper确保任意时刻只有一个名称节点提供对外服务。
（二）HDFS联邦
HDFS HA解决了单点故障问题，但仍只有一个Active节点，仍存在可扩展性、系统性能、隔离性问题。单个工作名称节点，会造成集群横向扩展困难、单个节点吞吐量限制、一个程序消耗过多资源导致其他程序无法顺利运行等问题。
HDFS 联邦机制解决了上述问题，设计多个相互独立的名称节点，分别进行各自命名空间和块的管理，相互之间属于联邦关系，需不要彼此协调。兼容性方面，HDFS
联邦具有良好的向后兼容性，针对单名称节点的部署配置不需要做任何修改就可以继续工作。
1、HDFS 联邦的架构设计
HDFS联邦的名称节点提供命名空间和块管理功能，所有名称节点共享底层的数据节点存储资源。每个数据节点向集群中所有名称节点注册，周期性地向名称节点发送心跳信息报告自身状态，并处理所有名称节点的指令。
不同于HDFS 1.0中的单个命名空间，联邦提供多个独立的命名空间，每个命名空间管理属于自己的一组块，一个命名空间下的一组块成为一个“块池”，每个数据节点为多个块池提供块的存储。一个块池是一组块的逻辑集合，属于逻辑概念，块池中的各个块实际是存储在各个数据节点中的，数据节点是物理概念。HDFS联邦架构如下图：
联邦中一个名称节点失效，不会影响与它相关的数据节点为其他名称节点提供服务。
2、HDFS联邦的访问方式
对于联邦中的多个命名空间，可以采用客户端挂载表的方式进行数据共享和访问。把各个命名空间挂载到全局挂载表，实现数据全局共享，客户端通过访问不同的挂载点来访问不同的子命名空间，命名空间挂载到个人的挂载表中就成为应用程序可见的命名空间。
注意，HDFS联邦不能解决单点故障问题，每个联邦内的名称节点都存在单点故障问题，需要为每个名称节点部署备份名称节点。
二、新一代资源管理框架YARN
1、MapReduce1.0的缺陷
在MapReduce1.0采用Master/Slave架构下，包含一个JobTracker负责作业的调度和资源管理，若干个TaskTracker负责执行JobTracker指派的任务。这样的架构存在单点故障问题，JobTracker故障后系统不可用；JobTracker任务过重，既负责作业调度和失败恢复，又负责资源管理分配，当任务过多时增加失败风险；TaskTracker端的资源分配不考虑硬件的实际使用情况，多个大资源任务分配到同一个TaskTracker时容易造成内存溢出；资源等量划分为slot，又分为Map槽、Reduce槽，不可混用，造成资源浪费。
2、YARN架构
为解决上述问题，Hadoop 2.0中将MapReduce重新设计，生成MapReduce2.0和YARN。YARN的基本设计思路是为JobTracker组件“放权”，把原JobTracker的功能（资源管理、任务调度、任务监控）进行拆分。YARN包括ResourceManager、ApplicationMaster和Node Manager。YARN设计思路如下图：
（1）ResourceManager（RM）是全局资源管理器，负责整个系统的资源管理和分配。包括调度器和应用程序管理器两个组件。
- 1）调度器负责资源管理和分配，接收来自Application的应用程序资源请求，根据容量、队列等限制条件，把集群中的资源以容器的形式分配给提出申请的应用程序，容器的选择一般遵循就近选择，实现计算向数据靠拢。容器是动态资源分配单位，封装了一定数量的CPU等资源，为每个应用分配相应资源，而不再是1.0中槽的概念。调度器可插拔，用户可使用YARN提供的调度器，也可以自定义。
- 2）应用程序管理器负责系统中全部应用程序的管理，如程序提交、与调度器协商资源以启动ApplicationMaster、监控ApplicationMaster运行状态并在失败时重启等。
Hadoop平台上，用户应用程序以作业（Job）形式提交，一个Job被分解成若干任务（包括Map任务、Reduce任务）进行分布式执行，ResourceManager接收用户提交的作业，按照作业上下文信息以及从NodeManager收集来的容器状态信息，启动调度过程，为用户作业启动一个ApplicationMaster。
（2）ApplicationMaster负责任务调度和监控，它的功能包括：
- 当用户提交作业时，Application与ResourceManager协商获取资源；
- 把获得的容器资源进一步分配给内部的各个任务（Map或Reduce任务），实现资源二次分配；
- 与NodeManager交互，进行程序的启动、运行、监控、停止，监控资源使用情况，对任务的进度和状态进行监控，在任务失败时重启任务；
- 定时向ResourceManager发送心跳信息，报告监控数据；
- 作业完成时，向ResourceManager注销容器。
（3）NodeManager负责执行原TaskTracker任务。
NodeManager是驻留在一个YARN集群中的每个节点上的代理，负责容器的生命周期管理，监控容器资源使用情况，并通过心跳向ResourceManager汇报这些信息，同时，接收来自ApplicationMaster的启动/停止容器的各种请求。NodeManager主要负责抽象的容器，只处理与容器相关的事情，而不具体负责每个任务自身状态的管理（这些工作由ApplicationMaster完成）
3、YARN工作流程
在YARN框架中执行一个MapReduce程序时，从提交到完成需要经历的步骤：
- 向YARN提交用户编写的客户端程序，提交内容包括：ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等。
- YARN中ResourceManager负责接收和处理来自客户端的请求。接到请求后，调度器为应用程序分配容器；应用程序管理器与容器所在的NodeManager通信，为该程序在该容器中启动一个Application Master。
- Application Manager创建后向ResourceManager注册，从而使用户可以通过ResourceManager直接查看应用运行状态
接下来是具体的应用程序执行步骤。
- ApplicationManager采用轮询方式通过RPC协议向ResourceManager申请资源。
- ResourceManager以容器形式向提出申请的ApplicationMaster分配资源，ApplicationMaster申请到资源后就与该容器所在NodeManager通信，要求它启动任务。
- ApplicationMaster要求容器启动任务时，为任务设置好运行环境（包括环境变量、JAR包、二进制程序等）然后将任务启动命令写到脚本中，最后通过在容器中运行脚本来启动任务。
- 各个任务通过某RPC协议向ApplicationMaster汇报自己的状态和进度，让ApplicationMaster可以随时掌握各个任务的运行状态，从而可以在任务失败时重启任务。
- 程序运行完成后，ApplicationMaster和ResourceManager的应用程序管理器注销并关闭自己。若ApplicationMaster失败，ResourceManager中的应用程序管理器会监测到失败并重启，直至任务执行完毕。
YARN的发展目标是实现“一个集群多个框架”，即在一个集群上部署一个统一的资源调度框架YARN，在YARN上可以部署各种计算框架，如MapReduce、HBase、Storm、Spark等，由YARN为这些计算框架提供统一的资源调度管理服务，实现一个集群不同应用负载混搭，并能够根据各种计算框架的负载需求调整各自占用的资源，实现集群资源共享和资源弹性收缩。
