YARN应用场景、原理与资源调度
更多干货
- 分布式实战(干货)
- spring cloud 实战(干货)
- mybatis 实战(干货)
- spring boot 实战(干货)
- React 入门实战(干货)
- 构建中小型互联网企业架构(干货)
- python 学习持续更新
- ElasticSearch 笔记
- kafka storm 实战 (干货)
概述
YARN产生背景—运维成本与数据共享
运维成本
如果采用“一个框架一个集群”的模式,则可能需要多个管理员管理这些集群,进而增加运维成本,而共享模式通常需要少数管理员即可完成多个框架的统一管理。
数据共享
随着数据量的暴增,跨集群间的数据移动不仅需花费更长的时间,且硬件成本也会大大增加,而共享集群模式可让多种框架共享数据和硬件资源,将大大减小数据移动带来的成本。
总结
直接源于MRv1在几个方面的缺陷
- 扩展性受限
- 单点故障
- 难以支持MR之外的计算
多计算框架各自为战,数据共享困难
- MR:离线计算框架
- Storm:实时计算框架
- Spark:内存计算框架
ResourceManager
- 整个集群只有一个,负责集群资源的统一管理和调度
详细功能
- 处理客户端请求
- 启动/监控ApplicationMaster
- 监控NodeManager
- 资源分配与调度
NodeManager
整个集群有多个,负责单节点资源管理和使用
详细功能
- 单个节点上的资源管理和任务管理
- 处理来自ResourceManager的命令
- 处理来自ApplicationMaster的命令
ApplicationMaster
每个应用有一个,负责应用程序的管理
详细功能
- 数据切分
- 为应用程序申请资源,并进一步分配给内部任务
- 任务监控与容错
Container
对任务运行环境的抽象
描述一系列信息
- 任务运行资源(节点、内存、CPU)
- 任务启动命令
- 任务运行环境
YARN运行过程剖析
YARN容错性
ResourceManager
- 存在单点故障;
- 正在基于ZooKeeper实现HA。
NodeManager
失败后,RM将失败任务告诉对应的AM; AM决定如何处理失败的任务。
ApplicationMaster
失败后,由RM负责重启; AM需处理内部任务的容错问题; RMAppMaster会保存已经运行完成的Task,重启后无需重新运行。
YARN调度框架
双层调度框架
- RM将资源分配给AM
- AM将资源进一步分配给各个Task
基于资源预留的调度策略
- 资源不够时,会为Task预留,直到资源充足
- 与“all or nothing”策略不同(Apache Mesos)
YARN资源调度器
多类型资源调度
- 采用DRF算法(论文:“Dominant Resource Fairness: Fair Allocation ofMultiple Resource Types”)
- 目前支持CPU和内存两种资源
提供多种资源调度器
- FIFO
- Fair Scheduler
- Capacity Scheduler
多租户资源调度器
- 支持资源按比例分配
- 支持层级队列划分方式
- 支持资源抢占
YARN资源隔离方案
支持内存和CPU两种资源隔离
- 内存是一种“决定生死”的资源
- CPU是一种“影响快慢”的资源
内存隔离
- 基于线程监控的方案
- 基于Cgroups的方案
CPU隔离
- 默认不对CPU资源进行隔离
- 基于Cgroups的方案
YARN支持的调度语义
支持的语义
- 请求某个特定节点/机架上的特定资源量
- 将某些节点加入(或移除)黑名单,不再为自己分配这些节点上的资源
- 请求归还某些资源
不支持的语义
- 请求任意节点/机架上的特定资源量
- 请求一组或几组符合某种特质的资源
- 超细粒度资源
- 动态调整Container资源
YARN设计目标
通用的统一资源管理系统
- 同时运行长应用程序和短应用程序
长应用程序
- 通常情况下,永不停止运行的程序
- Service、HTTP Server等
短应用程序
- 短时间(秒级、分钟级、小时级)内会运行结束的程序
- MR job、Spark Job等
以YARN为核心的生态系统
运行在YARN上的计算框架
- 离线计算框架:MapReduce
- DAG计算框架:Tez
- 流式计算框架:Storm
- 内存计算框架:Spark
离线计算框架MapReduce
将计算过程分为两个阶段,Map和Reduce
- Map 阶段并行处理输入数据
Reduce阶段对Map结果进行汇总
- Shuffle连接Map和Reduce两个阶段
- Map Task将数据写到本地磁盘
Reduce Task从每个Map Task上读取一份数据
- 仅适合离线批处理
- 具有很好的容错性和扩展性
- 适合简单的批处理任务
缺点明显
- 启动开销大、过多使用磁盘导致效率低下等
DAG计算框架Tez
多个作业之间存在数据依赖关系,并形成一个依赖关系有向图( Directed Acyclic Graph ),该图的计算称为“DAG计算”
Apache Tez:基于YARN的DAG计算框架
- 运行在YARN之上,充分利用YARN的资源管理和容错等功能;
- 提供了丰富的数据流(dataflow)API;
- 扩展性良好的“Input-Processor-Output”运行时模型;
- 动态生成物理数据流关系
DAG计算框架Tez
Tez 优化技术
ApplicationMaster缓冲池
- 作业提交到AMPoolServer服务上
- 预启动若干个ApplicationMaster,形成一个ApplicationMaster缓冲池
预先启动Container
- ApplicationMaster启动时可以预先启动若干个Container
Container重用
- 任务运行完成后,ApplicationMaster不会马上注销它使用的Container,而是将它重新分配给其他未运行的任务
Tez 应用场景
直接编写应用程序
- Tez提供了一套通用编程接口
- 适合编写有依赖关系的作业
优化Pig、Hive等引擎
- 下一代Hive:Stinger
- 好处1:避免查询语句转换成过多的MapReduce作业后产生大量不必要的网络和磁盘IO
- 好处2:更加智能的任务处理引擎
流式计算框架Storm
流式(Streaming)计算,是指被处理的数据像流水一样不断流入系统,而系统需要针对每条数据进行实时处理和计算,并永不停止(直到用户显式杀死进程)
传统做法:由消息队列和消息处理者组成的实时处理网络进行实时计算
- 缺乏自动化
- 缺乏健壮性
- 伸缩性差
流式计算框架Storm
流式计算框架Storm
内存计算框架Spark
- 克服MapReduce在迭代式计算和交互式计算方面的不足;
- 引入RDD(Resilient Distributed Datasets)数据表示模型;
- RDD是一个有容错机制,可以被并行操作的数据集合,能够被缓存到内存或磁盘上。
Spark 生态系统
MapReduce 2.0与YARN
一个MR应用程序的成功运行需要若干模块:
- 任务管理和资源调度
- 任务驱动模块(MapTask、ReduceTask)
- 用户代码(Mapper、Reducer…)
MapReduce 2.0和YARN区别:
- YARN是一个资源管理系统,负责资源管理和调度
- MapReduce只是运行在YARN上的一个应用程序
- 如果把YARN看做“android”,则MapReduce只是一个“app”
MapReduce2.0组成
- YARN(整个集群只有一个)
- MRAppMaster(一个应用程序一个)
- 用户代码(Mapper、Reducer…)
MapReduce 1.0和MapReduce 2.0区别:
- MapReduce 1.0是一个独立的系统,直接运行在Linux之上
- MapReduce 2.0则是运行YARN上的框架,且可与多种框架一起运行在YARN上