Hadoop学习14--Hadoop之一点点理解yarn

yarn是一个分布式的资源管理系统。

它诞生的原因是原来的MapReduce框架的一些不足：

1、JobTracker单点故障隐患

2、JobTracker承担的任务太多，维护Job状态，Job的task的状态等

3、在taskTracker端，使用map/reduce task表示资源过于简单，没有考虑cpu、内存等使用情况。当把多个需要消耗大量内存的task调度到一起时，很容易出现问题

演化后的基本组件

下面具体解释：

yarn是一个资源管理的框架，而非计算的框架，理解这点很重要。

图中的Application相当于1.x版本中的map/reduce job。

图中的Container是一个逻辑概念，是一组资源（内存、cpu等）的统称。

AM：每一个Application对应一个AM。

ResourceManager：主要来做资源的协调者。有两个重要的组件：

　　Scheduler：【资源调度】从所有运行着的Application收到资源请求后，构建一个全局的分配计划。然后根据Application特殊的限制以及全局的一些限制条件分配资源。【资源监视】周期性的接受来自NM的资源使用率监控信息。注意这和job的执行情况无关，只是监视资源。另外可以为AM提供其已完成的container的状态信息。

　　Asm：接收资源请求，向Scheduler申请一个Container提供给AM，并启动AM。向client提供AM运行状态。总结一句话，就是用来管理所有AM的生命周期。

yarn工作流程：

总结的说就是两步：client提交Job到AM，AM请求资源运行起来ASM；ASM接管，它计算split、申请资源、与NM配合运行task、监控task等。

 1、Job client向AM提交job。

　　1)获得ApplicationID

　　2)将Application定义，以及所需jar包上传到hdfs指定目录(yarn-site.xml的yarn.app.mapreduce.am.staging-dir)

　　3)构造资源请求对象以及Application提交上下文信息，提交给AM

2、AM向Scheduler请求一个供ASM运行的Container，向其所在NM发送launchContainer信息，启动Container

3、AM于NM协调，启动ASM，并监控之

4、Job client从AM处获得ASM信息，并与之直接通信

5、ASM计算splits并为所有map构造资源请求

6、ASM做一些OutputCommitter的准备工作

7、ASM向Scheduler申请资源（一组Container）然后与NM一起对Container执行一些必要的任务，例如资源本地化

8、ASM监视task，如果失败重新申请Container，如果完成，运行OutputCommitter的cleanup以及commit动作

9、ASM退出

 

client想知道监控信息的途径：

　　task的从AM获取

　　AM的从AsM获取

NM还有一项工作，监控task所使用的资源，如果超出所申请的Container范围，则kill掉其任务进程

yarn是资源框架，计算框架运行于资源框架之上。map-reduce是计算模型，它实现了特定的ApplicationMaster，才得以在yarn上运行。如果是其他的计算模型，还需要实现特定的ApplicationMaster，才能在yarn上运行。

引申阅读：http://www.aboutyun.com/thread-7678-1-3.html