目录
介绍
基本架构
ResourceManager
NodeManager
ApplicationMaster
注意点
介绍
Apache Hadoop YARN (Yet Another Resource Negotiator,另一种资源协调者)是一种新的 Hadoop 资源管理器,它是一个通用资源管理系统和调度平台,可为上层应用提供统一的资源管理和调度。
它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。
可以把yarn理解为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,Yarn为这些程序提供运算所需的资源(内存、cpu)。Yarn资源管理只包括内存与CPU,Yarn回去汇总集群内所有节点上的CPU总和数,和内存总数量。(不包括磁盘和网络)
1.yarn并不清楚用户提交的程序的运行机制
2.yarn只提供运算资源的调度(用户程序向yarn申请资源,yarn就负责分配资源)
3.yarn中的管理者叫ResourceManager
4.yarn中具体提供运算资源的角色叫NodeManager
5.yarn与运行的用户程序完全解耦,意味着yarn上可以运行各种类型的分布式运算程序,比如mapreduce、storm,spark,tez ……
6.spark、storm等运算框架都可以整合在yarn上运行,只要他们各自的框架中有符合yarn规范的资源请求机制即可
7.yarn成为一个通用的资源调度平台.企业中以前存在的各种运算集群都可以整合在一个物理集群上,提高资源利用率,方便数据共享
特点:
1.支持多计算框架
2.资源利用率高,运行成本低,数据共享
意义:
降低了企业硬件的成本(多个集群变成一个集群),减少了资源的了浪费,运营成本低。
基本架构
YARN是一个资源管理、任务调度的框架,主要包含三大模块: ResourceManager(RM)、NodeManager(NM)、ApplicationMaster(AM)。
ResourceManager:负责所有资源的监控、分配和管理,一个集群只有一个;
NodeManager:负责每一个节点的维护,一个集群有多个。
ApplicationMaster:负责每一个具体应用程序的调度和协调,一个集群有多个;
Container:容器(cpu 和 内存)
对于所有的applications,RM拥有绝对的控制权和对资源的分配权。而每个AM则会和RM协商资源,同时和NodeManager通信来执行和监控task。
ResourceManager
1.ResourceManager负责整个集群的资源管理和分配,是一个全局的资源管理系统。
2.NodeManager以心跳的方式向ResourceManager汇报资源使用情况(目前主要是CPU和内存的使用情况)。RM只接受NM的资源回报信息,对于具体的资源处理则交给NM自己处理。
3.YARN Scheduler根据application的请求为其分配资源,不负责application job的监控、追踪、运行状态反馈、启动等工作。
4.一个集群中只有一个对外提供服务的ResourceManager(集群中可能有多个ResourceManager)集群可能会有多个ResourceManager。
NodeManager
1.NodeManager是每个节点上的资源和任务管理器,它是管理这台机器的代理,负责该节点程序的运行,以及该节点资源的管理和监控。YARN集群每个节点都运行一个NodeManager。
2.NodeManager定时向ResourceManager汇报本节点资源(CPU、内存)的使用情况和Container的运行状态。当ResourceManager宕机时NodeManager自动连接RM备用节点。
3.NodeManager接收并处理来自ApplicationMaster的Container启动、停止等各种请求。
4.一个集群中有多个NodeManager,通常NodeManager与DataNode部署在相同的节点上。
ApplicationMaster
1.用户提交的每个应用程序均包含一个ApplicationMaster,它可以运行在ResourceManager以外的机器上。
2.负责与RM调度器协商以获取资源(用Container表示)。
3.将得到的任务进一步分配给内部的任务(资源的二次分配)。
4.与NM通信以启动/停止任务。
5.监控所有任务运行状态,并在任务运行失败时重新为任务申请资源以重启任务。
6.当前YARN自带了两个ApplicationMaster实现,一个是用于演示AM编写方法的实例程序DistributedShell,它可以申请一定数目的Container以并行运行一个Shell命令或者Shell脚本;另一个是运行MapReduce应用程序的AM—MRAppMaster。
注:RM只负责监控AM,并在AM运行失败时候启动它。RM不负责AM内部任务的容错,任务的容错由AM完成。
注意点
1.集群在任务分配的时候,是谁分配的任务,分配到哪个或哪些节点?
Yarn(RM,NM)
2.在集群(集群正常)提交任务的时候,任务偶尔能成功执行,偶尔执行失败?原因是什么?
任务在进行分配时,若分配的节点上有必须的数据,那么执行成功,若运行的节点上没有数据或缺失部分数据,那么执行失败。
3.谁进行的任务的分配?
RM(Yarn的管理者)