文章目录

一、Yarn基本定义

  • ​​Yarn是一个资源调度平台​​，负责为运算程序提供服务器运算资源，​​相当于一个分布式的操作系统平台​​，而​​MapReduce等运算程序则相当于运行于操作系统之上的应用程序​​。

​​返回顶部​​

二、Yarn基本架构

  • YARN主要由​​ResourceManager​​、​​NodeManager​​、​​ApplicationMaster​​和​​Container​​等组件构成

    • 【Yarn】Yarn 资源调度器_返回顶部

  • ​​RM​​主要处理客户端的请求，监控其下的NM，每个NM上都会运行job，每个job相对应的会有App Mstr，根据其具体情况进行资源的分配与调度。
  • ​​NM​​主要管理单节点上的数据资源，听从于RM的命令，同时处理App Mstr的命令。
  • ​​App Mstr​​主要负责数据切分，根据切片信息决定开启多少个MapTask；为应用程序申请资源并分配给内部的任务，同时对任务进行监控、容错。
  • ​​Container​​是yarn中资源的抽象，封装了某个节点上的多维度资源，如：内存、CPU、磁盘、网络等。

​​返回顶部​​

三、Yarn工作机制

【Yarn】Yarn 资源调度器_yarn_02


① ​​​MapReduce程序提交到客户端所在的节点​​。

② ​​YarnRunner向ResourceManager申请一个Application​​。

③ ​​ResourceManager将​​该应用程序的​​资源路径返回给YarnRunner​​。

④ 该程序将运行所需资源提交到​​HDFS​​上。

⑤ 程序资源提交完毕后，​​申请运行MRAppMaster​​,等待FIFO调度对列（先进先出，等待RM上其他Task运行完毕）。

⑥ ResourceManager​​将用户的请求初始化成一个Task​​。

⑦ 其中一个​​NodeManager领取到Task任务​​。

⑧ 该NodeManager​​创建容器Container​​，并​​产生MRAppmaster​​。

⑨ Container​​从HDFS上拷贝资源到本地​​。

⑩ ​​MRAppmaster​​ 读取切片信息并向 ResourceManager ​​申请运行MapTask资源​​。

⑪ ResourceManager将运行MapTask任务分配给另外两个NodeManager，另两个NodeManager分别领取任务并创建容器。

⑫ MRAppmaster向两个接收到任务的NodeManager发送程序启动脚本，这两个NodeManager分别启动MapTask，MapTask对数据分区排序。

⑬ 等待​​所有MapTask运行完毕后​​，​​MRAppMaster 向 ResourceManager 申请容器，运行ReduceTask​​。

⑭ ReduceTask 从 MapTask 拷贝获取相应分区的数据进行运算。

⑮ 程序运行完毕后，MapReduce 会向 ResourceManager 申请注销自己。

​​返回顶部​​

四、作业提交流程（Job）

（1）作业提交

  • 第1步：​​Client调用job.waitForCompletion方法​​​，​​向整个集群提交MapReduce作业​​。
  • 第2步：​​Client向RM申请一个作业id​​。
  • 第3步：RM给Client返回该job资源的提交路径和作业id。
  • 第4步：​​Client提交jar包、切片信息和配置文件到指定的资源提交路径​​。
  • 第5步：Client提交完资源后，​​向RM申请运行MrAppMaster​​。

（2）作业初始化

  • 第6步：当RM收到Client的请求后，​​将该job添加到容量调度器中​​。
  • 第7步：某一个 ​​空闲的NM领取到该Job​​
  • 第8步：该NM ​​创建Container，并产生MRAppmaster​​。
  • 第9步：​​下载Client提交的资源到本地​​。

（3）任务分配

  • 第10步：MrAppMaster向RM申请运行多个MapTask任务资源。
  • 第11步：RM将运行MapTask任务分配给另外两个NodeManager，另两个NodeManager分别领取任务并创建容器。

（4）任务运行

【Yarn】Yarn 资源调度器_数据_03

  • 第12步：​​MR向两个接收到任务的NodeManager发送程序启动脚本​​，这两个NodeManager分别启动MapTask，MapTask对数据分区排序。
  • 第13步：MrAppMaster等待 ​​所有MapTask运行完毕后，向RM申请容器，运行ReduceTask​​。
  • 第14步：​​ReduceTask​​​ 向MapTask ​​获取相应分区的数据​​。
  • 第15步：​​程序运行完毕后，MR会向RM申请注销自己​​。

（5）进度和状态更新

  • YARN中的任务将其进度和状态(包括counter)返回给应用管理器, 客户端每秒(​​通过mapreduce.client.progressmonitor.pollinterval设置​​)向应用管理器请求进度更新, 展示给用户。

（6）作业完成

  • 除了向应用管理器请求作业进度外, 客户端每5秒都会通过调用​​waitForCompletion()​​​来检查作业是否完成。​​时间间隔​​​可以通过​​mapreduce.client.completion.pollinterval​​来设置。作业完成之后, 应用管理器和Container会清理工作状态。作业的信息会被作业历史服务器存储以备之后用户核查。

​​返回顶部​​

五、资源调度器

【Yarn】Yarn 资源调度器_返回顶部_04


目前，Hadoop作业调度器主要有三种：​​FIFO​​、​​Capacity Scheduler​​ 和 ​​Fair Scheduler​​。Hadoop2.7.2默认的资源调度器是Capacity Scheduler。

  • 具体设置详见：yarn-default.xml文件
<property>
   <description>The class to use as the resource scheduler.</description>
   <name>yarn.resourcemanager.scheduler.class</name>
   <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>

• FIFO ---- 先进先出(对列)

【Yarn】Yarn 资源调度器_数据_05

• Capacity Scheduler(容量调度器) ---- 多个FIFO组合

【Yarn】Yarn 资源调度器_mapreduce_06

• Fair Scheduler(公平调度器)

【Yarn】Yarn 资源调度器_返回顶部_07


​​返回顶部​​

六、任务推测执行

1．作业完成时间取决于最慢的任务完成时间

  • 一个作业由若干个Map任务和Reduce任务构成。因硬件老化、软件Bug等，某些任务可能运行非常慢。
    思考：系统中有99%的Map任务都完成了，只有少数几个Map老是进度很慢，完不成，怎么办？启用备份任务。

2．推测执行机制

  • 发现拖后腿的任务，比如某个任务运行速度远慢于任务平均速度。​​为拖后腿任务启动一个备份任务，同时运行。谁先运行完，则采用谁的结果​​。

3．执行推测任务的前提条件

  • （1）​​每个Task只能有一个备份任务​​
  • （2）​​当前Job已完成的Task必须不小于0.05（5%）​​
  • （3）​​开启推测执行参数设置​​​, ​​mapred-site.xml​​
<property>
    <name>mapreduce.map.speculative</name>
    <value>true</value>
    <description>If true, then multiple instances of some map tasks may be executed in parallel.</description>
</property>
<property>
    <name>mapreduce.reduce.speculative</name>
    <value>true</value>
    <description>If true, then multiple instances of some reduce tasks may be executed in parallel.</description>
</property>

4．不能启用推测执行机制情况

  • （1）​​任务间存在严重的负载倾斜​​；
  • （2）​​特殊任务，比如:任务向数据库中写数据​​。

5．算法原理

【Yarn】Yarn 资源调度器_数据_08

  • 差值越大，备份任务完成的时间越短，功效越高！！！

​​返回顶部​​