【MapReduce Yarn架构(2.2+)】
Mapreduce经过hadoop-0.23的修正之后，有了新的框架Mapreduce 2.0(MRv2)，或者成为YARN。
MRv2的基本思想就是将JobTracker的两个功能拆分成resourceManager和job Scheduling/monitoring两个独立的守护进程。这个思想是有一个全局的ResourceManager(RM)和每个应用(application)一个ApllicationMaster(AM)。application可以是一个传统意义上的mapreduce的job或者jobs的DAG(多个job形成的有向关系图)。
ResourceManager和多个称为NodeManagers的slave最终构成了YARN的计算框架。ResourceManager是一个最终的仲裁者，用来管理系统的所有applications。
per-application ApplicationMasger事实上是框架的特定的library，主要用来与ResourceManager协商资源(jobs)并任务化，将这些资源将在NodeManager上运行，然后跟踪tasks
ResourceManager有两个主要的组件：Scheduler和ApplicationManager。
Scheduler负责将资源(resources)分配给正在运行的applications，它们(applications)受到capacities或者queues等的限制。Scheduler是意义纯粹的Scheduler，它不运行任何monitoring或者tracking应用的状态。此外，当application失效时，它不提供重启失效tasks的担保。Scheduler根据applicaton对资源的需求来运行它的调度功能；它基于一个抽象的概念“Resource Containner”来实现(资源调度)，其中“Resource Container”有“内存”、“磁盘”、“CPU”、“networker”等组成(resource)，目前只支持“menory”。
Scheduler有一个可插拔的策略插件，它的职责是将集群的资源在多个queues、applications间划分，当前的MapReducer Scheduler有CapacityScheduler、FairScheduler。
The CapacityScheduler supports hierarchical queues to allow for more predictable sharing of cluster resources.[CapacityScheduler支持多级queue，以允许更多可预测的集群资源共享]
ApplicationManager的职责是接受来自Client端的job-submissions，为每个Application(job)创建一个Container来运行ApplicationMaster，然后提供一个服务，当ApplicationMasters失效时重启它们。
NodeManager是运行在每个机器上的agent，它的职责就是为application(的task，每个application有AM拆分为多个tasks)创建containers，监控它们的资源使用情况，并把他们的情况报告给ResouceManager/Scheduler。(Scheduler知道每个NodeManager上的资源分配情况后，就可以动态的为后续的application分配资源。)
per-application ApplicationMaster的职责为从Scheduler中协调获取“Resource Containers”，跟踪它们的状态以及监控它们的进度。
MRv2兼容旧版本，这意味着不需要修改mapreduce程序急需要重新编译(使用新API)，即可运行。