Board logo

标题: YARN 简介(2) [打印本页]

作者: look_w    时间: 2018-6-23 08:40     标题: YARN 简介(2)

YARN:下一代 Hadoop                    计算平台我们现在稍微改变一下用辞。以下名称的改动有助于更好地了解 YARN 的设计:
YARN 是下一代 Hadoop 计算平台,如下所示。
YARN 的架构在 YARN 架构中,一个全局 ResourceManager                    以主要后台进程的形式运行,它通常在专用机器上运行,在各种竞争的应用程序之间仲裁可用的集群资源。ResourceManager                    会追踪集群中有多少可用的活动节点和资源,协调用户提交的哪些应用程序应该在何时获取这些资源。ResourceManager                    是惟一拥有此信息的进程,所以它可通过某种共享的、安全的、多租户的方式制定分配(或者调度)决策(例如,依据应用程序优先级、队列容量、ACLs、数据位置等)。
在用户提交一个应用程序时,一个称为 ApplicationMaster                    的轻量型进程实例会启动来协调应用程序内的所有任务的执行。这包括监视任务,重新启动失败的任务,推测性地运行缓慢的任务,以及计算应用程序计数器值的总和。这些职责以前分配给所有作业的单个                    JobTracker。ApplicationMaster 和属于它的应用程序的任务,在受                    NodeManager 控制的资源容器中运行。
NodeManager 是 TaskTracker                    的一种更加普通和高效的版本。没有固定数量的 map 和 reduce slots,NodeManager                    拥有许多动态创建的资源容器。容器的大小取决于它所包含的资源量,比如内存、CPU、磁盘和网络                    IO。目前,仅支持内存和 CPU (YARN-3)。未来可使用 cgroups 来控制磁盘和网络                    IO。一个节点上的容器数量,由配置参数与专用于从属后台进程和操作系统的资源以外的节点资源总量(比如总                    CPU 数和总内存)共同决定。
有趣的是,ApplicationMaster 可在容器内运行任何类型的任务。例如,MapReduce                    ApplicationMaster 请求一个容器来启动 map 或 reduce 任务,而 Giraph                    ApplicationMaster 请求一个容器来运行 Giraph 任务。您还可以实现一个自定义的                    ApplicationMaster                    来运行特定的任务,进而发明出一种全新的分布式应用程序框架,改变大数据世界的格局。您可以查阅                    Apache Twill,它旨在简化 YARN 之上的分布式应用程序的编写。
在 YARN 中,MapReduce                    降级为一个分布式应用程序的一个角色(但仍是一个非常流行且有用的角色),现在称为 MRv2。MRv2                    是经典 MapReduce 引擎(现在称为 MRv1)的重现,运行在 YARN 之上。
一个可运行任何分布式应用程序的集群ResourceManager、NodeManager                    和容器都不关心应用程序或任务的类型。所有特定于应用程序框架的代码都转移到它的                    ApplicationMaster,以便任何分布式框架都可以受 YARN 支持 —                    只要有人为它实现了相应的 ApplicationMaster。
得益于这个一般性的方法,Hadoop YARN                    集群运行许多不同工作负载的梦想才得以实现。想像一下:您数据中心中的一个 Hadoop 集群可运行                    MapReduce、Giraph、Storm、Spark、Tez/Impala、MPI 等。
单一集群方法明显提供了大量优势,其中包括:
管理单个集群还会得到一个更环保的数据处理解决方案。使用的数据中心空间更少,浪费的硅片更少,使用的电源更少,排放的碳更少,这只是因为我们在更小但更高效的                    Hadoop 集群上运行同样的计算。
YARN                    中的应用程序提交本节讨论在应用程序提交到 YARN                    集群时,ResourceManager、ApplicationMaster、NodeManagers                    和容器如何相互交互。下图显示了一个例子。
YARN 中的应用程序提交假设用户采用与 MRv1 中相同的方式键入 hadoop jar                    命令,将应用程序提交到 ResourceManager。ResourceManager                    维护在集群上运行的应用程序列表,以及每个活动的 NodeManager                    上的可用资源列表。ResourceManager                    需要确定哪个应用程序接下来应该获得一部分集群资源。该决策受到许多限制,比如队列容量、ACL                    和公平性。ResourceManager 使用一个可插拔的 Scheduler。Scheduler                    仅执行调度;它管理谁在何时获取集群资源(以容器的形式),但不会对应用程序内的任务执行任何监视,所以它不会尝试重新启动失败的任务。
在 ResourceManager 接受一个新应用程序提交时,Scheduler                    制定的第一个决策是选择将用来运行 ApplicationMaster 的容器。在                    ApplicationMaster                    启动后,它将负责此应用程序的整个生命周期。首先也是最重要的是,它将资源请求发送到                    ResourceManager,请求运行应用程序的任务所需的容器。资源请求是对一些容器的请求,用以满足一些资源需求,比如:
如果可能的话,ResourceManager 会分配一个满足 ApplicationMaster                    在资源请求中所请求的需求的容器(表达为容器 ID                    和主机名)。该容器允许应用程序使用特定主机上给定的资源量。分配一个容器后,ApplicationMaster                    会要求                    NodeManager(管理分配容器的主机)使用这些资源来启动一个特定于应用程序的任务。此任务可以是在任何框架中编写的任何进程(比如一个                    MapReduce 任务或一个 Giraph 任务)。NodeManager                    不会监视任务;它仅监视容器中的资源使用情况,举例而言,如果一个容器消耗的内存比最初分配的更多,它会结束该容器。
ApplicationMaster                    会竭尽全力协调容器,启动所有需要的任务来完成它的应用程序。它还监视应用程序及其任务的进度,在新请求的容器中重新启动失败的任务,以及向提交应用程序的客户端报告进度。应用程序完成后,ApplicationMaster                    会关闭自己并释放自己的容器。
尽管 ResourceManager 不会对应用程序内的任务执行任何监视,但它会检查                    ApplicationMaster 的健康状况。如果 ApplicationMaster                    失败,ResourceManager 可在一个新容器中重新启动它。您可以认为                    ResourceManager 负责管理 ApplicationMaster,而                    ApplicationMasters 负责管理任务。




欢迎光临 电子技术论坛_中国专业的电子工程师学习交流社区-中电网技术论坛 (http://bbs.eccn.com/) Powered by Discuz! 7.0.0