转载请出自出处：http://eksliang.iteye.com/blog/2228705
一.Hadoop1.0中MapReduce的组成
1.从功能模块角度
- 客户端：提交MapReduce作业；
- JobTracker:
1.作业调度：将一个作业（Job）分成若干个子任务分发到taskTraker中去执行
2.任务监控：TaskTracker发送心跳给JobTracker报告自己的运行状态，以让JobTracker能够监控到他
3.资源管理：每个任务向JobTracker申请资源
4.监控过程中发现失败或者运行过慢的任务，对他进行重新启动
- TaskTraker:
主动发送心跳给jobTracker并与JobTracker他通信，从而接受到JobTracker发送过来需要执行的任务
2.从架构的角度
- 编程模型（新旧API）
- 运行环境（JobTracker和TaksTracker）
- 数据处理引擎（MapTask和ReduceTask）
二.MapReduce(hadoop1.0)的资源管理模型
2.1MapReduce的资源组成由两部分组成
- 资源表示模型
用于描述资源表示形式，Hadoop1.0使用“槽位（slot）”组织各个节点的资源，为了简化资源的管理，Hadoop将各个节点上资源（CPU、内存、网络IO、磁盘IO等等）等量切分成若干份，每一份用“slot”表示，同时规定一个task可根据实际情况需要占用多个”slot”。
简单的说：hadoop1.0将多维度的资源进行了抽象，使用“slot”来表示，从而简化对资源的管理。
- 资源分配模型
而资源分配模型则决定如何将资源分配给各个作业/任务，在Hadoop中，这一部分由一个插拔式的调度器完成。
更进一步说，slot相当于运行的“许可证”，一个任务只有获得“许可证”后，才能够获得运行的机会，这也意味着，每一个节点上的slot的数量决定了当前节点能够并发执行多少个任务。Hadoop1.0为了区分MapTask跟ReduceTask所使用资源的差异，进一步将slot分为MapSlot跟ReduceSlot，他们分别只能被MapTask跟ReduceTask使用。
Hadoop集群管理员可根据各个节点硬件配置和应用特点为它们分配不同的map slot数（由参数mapred.tasktracker.map.tasks.maximum指定）和reduce slot数（由参数mapred.tasktrackerreduce.tasks.maximum指定）
2.2Hadoop1.0资源管理的缺点
- 静态资源配置。采用了静态资源设置策略，即每个节点事先配置好可用的slot总数，这些slot数目一旦启动后无法再动态修改。
- 资源无法共享。Hadoop 1.0将slot分为Map slot和Reduce slot两种，且不允许共享。对于一个作业，刚开始运行时，Map slot资源紧缺而Reduce slot空闲，当Map Task全部运行完成后，Reduce slot紧缺而Map slot空闲。很明显，这种区分slot类别的资源管理方案在一定程度上降低了slot的利用率。
- 资源划分粒度过大。资源划分粒度过大，往往会造成节点资源利用率过高或者过低 ，比如，管理员事先规划好一个slot代表2GB内存和1个CPU，如果一个应用程序的任务只需要1GB内存，则会产生“资源碎片”，从而降低集群资源的利用率，同样，如果一个应用程序的任务需要3GB内存，则会隐式地抢占其他任务的资源，从而产生资源抢占现象，可能导致集群利用率过高。
- 没引入有效的资源隔离机制。Hadoop 1.0仅采用了基于jvm的资源隔离机制，这种方式仍过于粗糙，很多资源，比如CPU，无法进行隔离，这会造成同一个节点上的任务之间干扰严重。
三.Year的资源管理模型
在实际系统中，资源本身是多维度的，包括CPU、内存、网络I/O和磁盘I/O等，因此，如果想精确控制资源分配，不能再有slot的概念，最直接的方法就是是让任务直接向调度器申请自己需要的资源（比如某个任务可申请1GB 内存和1个CPU），而调度器则按照任务实际需求为其精细地分配对应的资源量，不再简单的将一个Slot分配给它，Hadoop 2.0正式采用了这种基于真实资源量的资源分配方案。
MRv2最基本的设计思想是将JobTracker的两个主要功能，即资源管理和作业调度/监控分成两个独立的进程。全局的ResourceManager（RM）和与每个应用相关的ApplicationMaster（AM）。
“RM有两个组件组成：调度器（Scheduler）应用管理器（ApplicationsManager，ASM）”
如下图是官网提供的year架构图
3.1 Year的功能组成模块
调度器是个可插拔的组件，负责作业的调度并将集群中的资源分配给应用。YARN自带了多个资源调度器，如Capacity Scheduler和Fair Scheduler等。
ASM：负责接收任务，并指定AS运行的节点NM节点,同时启动AM
- NM：是每个节点上的资源管理，负责处理来自RM的命令，处理AM的命令，主动发送心跳给RM，让RM能够监控NM的运行状态。
- AM：就是我们的应用（应用可以是mapduce程序或者DAG有向无环图）
- Container：是YARN中资源的抽象，将操作系统中多维度的资源（CPU、内存、网络I/O和磁盘I/O等）封装成container，是Year中资源的基本单位
3.2 应用在Year中的运行流程
- 客户端提交一个应用程序AM到ResourceManager上
- ResourceManager先与集群中NodeManager通信，根据集群中NodeManger的资源 使用情况，确定运行AM的NodeManager;
- 确定了运行的节点后，AM马上向RM申请资源，资源被封装成Container的形式响应给AM，申请到资源后和确定了执行的NM后，RM马上在NM上启动AM
- 所有任务运行完成后，ApplicationMaster向ResourceManager注销，整个应用程序运行结束。
四.MapReduce1与MapRreduce2的区别
如果从MapReduce的功能模块去区分他们，会比较乱，很难直观的说清楚，如果从MapReduce的系统架构入手，这个问题就变得简单了
MapReduce1从架构的角度可以分为三个部分
- 编程模型（新旧API）
- 运行环境（JobTracker和TaskTracker）
- 数据处理引擎（MapTask和ReduceTask）
MapReduce2从架构的角度可以分为三个部分
- 编程模型（新旧API）
- 运行环境（Year）
- 数据处理引擎（MapTask和ReduceTask）
从架构可以很清楚区分到，他们之间的区别主要在运行环境变了！
参考博客：
Shuffle和排序：http://langyu.iteye.com/blog/992916
董的博客Mapreduce的资源分配:http://dongxicheng.org/mapreduce-nextgen/hadoop-yarn-configurations-resourcemanager-nodemanager/