Yarn(一)：资源调度器

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。

• 管理集群资源

• 任务合理分配资源

Yarn基础框架

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

0 YARN基础结构.png

ResourceManager：（RM）

• 处理客户端请求

• 监控NodeManager

• 启动或监控ApplicationMaster

• 资源的分配与调度

NodeManager（NM）：

• 管理单个节点上的资源

• 处理来自ResourceManager的命令

• 处理来自ApplicationMaster的命令

ApplicationMaster（AM）：

• 为应用程序申请资源并分配给内部的任务

• 任务的监控与容错

Container：

• Container是YARN中资源抽象，它封装了某个节点上的多维度资源，如内存、CPU、磁盘、网络等。

Yarn工作机制

1 Yarn工作机制.png

Yarn工作机制

0）MR程序提交到客户端所在的节点。

1）YarnRunner向ResourceManager申请一个Application。

2）RM将该应用程序的资源路径返回给YarnRunner。

3）该程序将运行所需资源提交到HDFS上。

4）程序资源提交完毕后，申请运行mrAppMaster。

5）RM将用户的请求初始化成一个Task任务

6）其中一个NodeManager领取到该任务。

7）该NodeManager创建容器Container，并产生MRAppmaster。

8）Container从HDFS上拷贝资源到本地。

9）MRAppmaster向RM申请运行MapTask资源。

10）RM将运行MapTask任务分配给另外两个NodeManager，另外两个NodeManager分别领取任务并创建容器。

11）MRAppmaster向两个接受到任务的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。

12）MrAppmaster等待所有MapTask运行完毕后，向RM申请容器，运行ReduceTask。

13）ReduceTask向MapTask获取相应分区的数据。

14）程序运行完毕后，MRAppmaster会向RM申请注销自己。

作业提交全过程

2 hdfs、yarn、mr关系.jpg
1 Yarn工作机制.png
3 作业提交过程之HDFS & MapReduce.png

作业提交全过程详解

作业提交

1）client调用job.waitForCompletion放法，向整个集群提交MapReduce作业。

2）Client向RM申请一个作业id。

3）RM给Client返回该job资源的提交路径和作业id。

4）Client提交Jar、切片信息和配置文件到执行的资源提交路径。

5）Client提交资源后，向RM申请运行MrAppMaster。

作业初始化

6）当RM收到Client的请求后，将该job添加到容量调度器中。

7）某一个空闲的NM领取到该job。

8）该NM创建Container，并产生MRAppmaster。 9）下载Client提交的资源到本地。

任务分配

10）MrAppMaster向RM申请运行多个MapTask任务资源。

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

任务运行

12）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。

13）MrAppMaster等待所有MapTask运行完毕后，向RM申请容器，运行ReduceTask。

14）ReduceTask向MapTask获取相应分区的数据。

15）程序运行完毕后，MR会向Rm申请注销自己。

进度和状态更新

YARN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。

作业完成

除了向应用管理器请求作业进度外，客户端每5秒会通过waitCompletion()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。

Yarn调度器和调度算法

目前，Hadoop作业调度器有三种：FIFO、容量和公平，Hadoop3.1.3默认的资源调度器是容量。CDH默认调度器是公平调度器。

yarn-default.xml

先进先出调度器。FIFO

FIFO调度器：单队列，根据提交作业的先后顺序，先来先服务。

容量调度器 Capacity Scheduler

Capacity是Yahoo开发的多用户调度器。

容量调度器特点

• 多队列：每个队列可配置一定的资源量，每个队列采用FIFO调度策略。

• 容量保证：管理员可为每个队列设置资源最低保证和资源使用上限

• 灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。

• 多租户

  • 支持多用户共享集群和多应用程序同时运行

  • 为了防止同一用户的祖业独占队列中的资源，该调度器会对同一用户提交的作业所占资源量进行限定。

容量调度器资源分配算法

4 容量调度器资源分配算法.png

1）队列资源分配

从root开始，使用深度优先算法，优先选择资源占用率最低的队列分配资源

2）作业资源分配

默认按照提交作业的优先级和提交时间顺序分配资源

3）容器资源分配

按照容器的优先级分配资源

如果优先级相同，按照数据本地性原则：

（1）任务和数据在同一节点

（2）任务和数据在同一机架

（3）任务和数据不在同一节点也不在同一机架

公平调度器 Fair Scheduler

Fair Scheduler时facebook开发的多用户调度器。

公平调度器原则

同队列的所有任务共享资源，在时间尺度上获得公平的资源。

公平调度器特点

• 与容量调度器相同点

  • 多队列：支持多队列多任务

  • 容量保证：管理员可以为每个队列设置资源最低保障和资源使用上限。

  • 灵活性：如果一个队列中的资源有剩余，可以暂时共享给哪些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列戒掉的资源会归还给该队列。

  • 多租户：支持多用户共享集群和多应用程序同时运行；为了防止同一用户的作业独占队列中的资源，该调度器会对同一用户提交的作业所占资源进行限定。

• 与容量调度器不同点

  • 核心调度策略不同

    • 容量调度器：优先选择资源利用率低的队列

    • 公平调度器：优先选择对资源的缺额比例大的

  • 每个队列可以单独设置资源分配方式

    • 容量调度器：FIFO、DRF(内存+cpu)

    • 公平调度器：FIFO、DRF、FAIR

缺额

• 公平调度器设计的目标时：在时间尺度上，所有作业获得公平的资源。某一时刻一个作业应获资源和实际获取资源的差距叫缺额。

• 调度器会优先为缺额大的作业分配资源

公平调度器队列资源分配方式

1）FIFO策略

公平调度器每个队列资源分配策略如果选择FIFO的话，此时公平调度器相当于上面讲过的容量调度器。

2）Fair策略

Fair策略（默认）是一种基于最大最小公平算法实现的资源多路复用方式，默认情况下，每个队列内部采用该方式分配资源。这意味着，如果一个队列中有两个应用程序同时运行，则每个应用程序可得到1/2的资源；如果三个应用程序同时运行，则每个应用程序可得到1/3的资源。

具体资源分配流程和容量调度器一致：

• 选择队列

• 选择作业

• 选择容器

以上三步，每一步都是按照公平策略分配资源

• 实际最小资源份额：mindshare=min（资源需求量，队列配置的最小资源）

• 是否饥饿：isNeedy=资源使用量<mindshare（实际最小资源份额）

• 资源分配比：minShareRatio = 资源使用量/Max（mindshare，1）

• 资源使用权重比：useToWeightRatio = 资源使用量/权重

5 Fair分配策略.png

3）DRF策略

DRF（Dominant Resource Fairnesss），我们之前说的资源，都是单一标准，例如只考虑内存。但是很多时候我们资源有很多种，例如内存，CPU，网络带宽等。

Yarn常用命令

yarn application 查看任务

1）列出所有Application

yarn application -list

2）根据Application状态过滤

yarn application -list -appStates KILLED

3）kill掉Application

yarn application -kill <applicationId>

yarn logs查看日志

1）查询application日志：

yarn logs -applicationId <applicationId>

2）查看Container日志

yarn logs -applicationId <applicationId> -containerId <containerId>

yarn applicatinattempt 查看尝试运行的任务

1）列出所有Application尝试的列表：

yarn applicationattempt -list <ApplicationId>

2）打印ApplicationAttemp状态：

yarn applicationattempt -status <ApplicationAttemptId>

yarn container查看容器

1）列出所有Container：

yarn container -list <ApplicationAttemptId>

2）打印Container状态：

yarn container -status <ContainerId>

yarn Node节点状态

列出所有节点：

yarn node -list -all

yarn rmadmin更新配置

加载队列配置：

yarn rmadmin -refreshQueues

yarn queue查看队列

打印队列信息：

yarn queue -status <QueueName>

Yarn生产环境核心配置参数

1）ResourceManager相关

yarn.resourcemanager.scheduler.class 配置调度器，默认容量 yarn.resourcemanager.scheduler.client.thread-count ResourceManager处理调度器请求的线程数量，默认50

2）NodeManager相关

yarn.nodemanager.resource.detect-hardware-capabilities 是否让yarn自己检测硬件进行配置，默认false yarn.nodemanager.resource.count-logical-processors-as-cores 是否将虚拟核数当作CPU核数，默认false yarn.nodemanager.resource.pcores-vcores-multiplier 虚拟核数和物理核数乘数，例如：4核8线程，该参数就应设为2，默认1.0

yarn.nodemanager.resource.memory-mb NodeManager使用内存，默认8G yarn.nodemanager.resource.system-reserved-memory-mb NodeManager为系统保留多少内存 以上二个参数配置一个即可 yarn.nodemanager.resource.cpu-vcores NodeManager使用CPU核数，默认8个

yarn.nodemanager.pmem-check-enabled 是否开启物理内存检查限制container，默认打开 yarn.nodemanager.vmem-check-enabled 是否开启虚拟内存检查限制container，默认打开 yarn.nodemanager.vmem-pmem-ratio 虚拟内存物理内存比例，默认2：1

3）Container相关

yarn.scheduler.minimum-allocation-mb 容器最最小内存，默认1G yarn.scheduler.maximum-allocation-mb 容器最最大内存，默认8G yarn.scheduler.minimum-allocation-vcores 容器最小CPU核数，默认1个 yarn.scheduler.maximum-allocation-vcores 容器最大CPU核数，默认4个

小结：

学习yarn的基础介绍。