Yarn

Yarn 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 等运算程序相当于则相当于运行于操作系统之上的应用程序

Yarn 基础架构

  • Yarn 主要由 ResourceManager、NodeManager、ApplicationMaster 和 Container 等组件构成
  1. ResourceManager (RM)主要作用：
    1. 处理客户端请求
    2. 监控 NodeManager
    3. 启动或监控 ApplicationMaster
    4. 资源的分配与调度
  2. NodeManager （NM）主要作用
    1. 管理单个节点上的资源
    2. 处理来自 ResourceManager 的命令
    3. 处理来自 AppliactionMaster 的命令
  3. ApplicationMaster（AM）作用
    1. 为应用程序申请资源并分配给内部的任务
    2. 人物的监控与容错
  4. Container
    1. Contaioner 是YARN 中的资源抽象，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. MR程序提交到客户端所在的节点
  2. YarnRunner 向 ResouceManager 申请一个 Application
  3. RM 将该应用程序的资源路径返回给 YarnRunner
  4. 该程序将运行所需资源提交到 HDFS 上
  5. 程序资源提交完毕后，申请运行 mrAppMaster
  6. RM将用户的请求初始化成一个 Task
  7. 其中一个 NodeManager 领取到 Task 任务
  8. 该 NodeManager 创建容器 Contaioner，并产生 MRAppmaster
  9. Contaioner 从 HDFS 上拷贝资源到本地
  10. MRAppmaster 向 RM 申请运行 MapTask 资源
  11. Rm将运行 MapTask 任务分配给另外两个 NodeManager，另两个 NodeManager 分别领取任务并创建容器
  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

作业提交全过程

  1. 作业提交
    1. Client 调用 job.waitForCompletion 方法，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 包、切片信息 和 配置文件到指定的资源提交路径
    5. Client 提交完资源后，向 RM 申请运行 MrAppMaster
  2. 作业初始化
    1. 当 RM 收到 Client 的请求后，将该 job 添加到容量调度器中
    2. 某一个空闲的 NM 领取到该 Job
    3. 该 NM 创建 Container，并产生 MRAppmaster
    4. 下载 Client 提交的资源到本地
  3. 任务分配
    1. MrAppMaster 向 RM 申请运行多个 MapTask 任务资源
    2. RM 将运行 MapTask 任务分配给另外两个 NodeManager，另两个 NodeManager 分别领取任务并创建容器
  4. 任务运行
    1. 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
    2. MrAppMaster 等待所有 MapTask 运行完毕后，向 RM 申请容器，运行 ReduceTask
    3. ReduceTask 向 MapTask 获取相应分区的数据
    4. 程序运行完毕后，MR 会向 RM 申请注销自己
  5. 进度和状态更新
    • Yarn 中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
  6. 作业完成
    • 除了向应用管理器请求作业进度外，客户端每 5 秒都会通过调用 waifForCompletion() 来检查作业是否完成。时间间隔 可以通过 mapreduce.client.completion.pollinterval 来设置。作业完成之后，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被之后用户核查

Yarn调度器和调度算法

  • Hadoop作业调度器主要有三种：FIFO、容量（Capacity Scheduler）和公平（Fair Scheduler）。

  • 具体设置：yarn-default.xml

    <property>
    <description>The class to use as the resource scheduler.</description>
    <name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>

先进先出调度器（FIFO）

  • FIFO调度器（First In First Out）：单队列，根据提交作业的先后顺序，先来先服务
  • 优点：简单易懂
  • 缺点：不支持多队列，生产环境很少使用

容量调度器（Capacity Scheduler）

  • Capacity Scheduler 是 Yahoo 开发的多用户调度器

特点

  1. 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
  2. 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线
  3. 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
  4. 多租户：
    • 支持多用户共享集群和多应用程序同时运行
    • 为了防止同一个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量进行限定

容量调度器资源分配算法

  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）

  • 特点
    1. 与容量调度器相同点
      1. 多队列：支持多队列多作业
      2. 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
      3. 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
      4. 多租户：支持多用户共享集群和多应用程序同时运行；为了防止同一个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
    2. 与容量调度器不同点
      1. 核心策略不同
      • 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较大的
      1. 每个队列可以单独设置资源分配方式
      • 容量调度器：FIFO、DRF
      • 公平调度器：FIFO、FAIR、DRF

缺额

  • 公平调度器设计目标：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

  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服用方式，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

      1. 选择队列
      2. 选择作业
      3. 选择容器
      • 以上三步，每一步都是按照公平策略分配资源

    • 实际最小资源分配：mindshare=Min(资源需求量，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

DRF策略

  • DRF（Dominant Resource Fairness)
    • Yarn默认的情况是只考虑内存。但是很多时候我们资源有很多种，例如内存，CPU，网络带宽等。
    • DRF（Dominant Resource Fairness）是一种集群资源调度策略，它旨在使不同用户的各自“主资源”最大化地保持公平。主资源是指用户所需的多种资源中，占用比例最大的那一种资源。。DRF 算法会根据每个用户的主资源占用比例来分配资源，以保证公平性。

Yarn常用命令

  • tips:
    • applicationId:是 YARN 集群中每个应用程序的唯一标识符。当客户端向 YARN 集群提交一个应用程序时，YARN 会为该应用程序分配一个唯一的 applicationId
    • applicationAttemptId:则表示应用程序的一次运行尝试。如果应用程序在运行过程中失败，YARN 会尝试重新启动该应用程序。每次重新启动都会生成一个新的 applicationAttemptId，以区分不同的运行尝试。
  1. 列出所有Application
yarn application -list
  1. 根据 Application 状态过滤：yarn application -list -appStates （所有状态：ALL、NEW、NEW_SAVING、SUBMITTED、AEEEPTED、RUNNING、FINISHED、FAILED、KILLED）
yarn application -list -appStates FINISHED
  1. Kill 掉 Application
yarn application -kill application_id
  1. 查看 Application 日志
 yarn logs -applicationId <ApplicationId>
  1. 查看 Container 日志
yarn logs -applicationId <ApplicationId> -containerId <ContainerId>
  1. 列出所有 Application 尝试的列表
yarn applicationattempt -list <ApplicationId>
  1. 打印ApplicationAttemp 状态
yarn applicationattempt -status <ApplicationId>
  1. 列出所有 Container
yarn container -list <ApplicationAttemptId>
  1. 打印 Container 状态
yarn container -status <ContainerId>
  • 注：只有在任务跑的途中才能看到 container 的状态
  1. 列出所有节点
yarn node -list -all
  1. 更新yarn配置
yarn rmadmin -refreshQueues
  1. 查看队列
yarn queue -status <QueueName>

Yarn 生产环境核心参数

  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