YARN基本框架分析

YARN 是在 MRv1 基础上演化而来的，它克服了 MRv1 中的各种局限性，再进一步了解YARN之前来了解下MR1存在的局限性，看看YARN解决了那些问题。MRv1 的局限性，这可概括为以下几个方面：

• 扩展性差。在 MRv1 中，JobTracker 同时兼备了资源管理和作业控制两个功能，这成为系统的一个最大瓶颈， 严重制约了Hadoop 集群扩展性。

• 可靠性差。MRv1 采用了 master/slave 结构，其中master 存在单点故障问题， 一旦它出现故障将导致整个集群不可用。

• 资源利用率低。MRv1 采用了基于槽位的资源分配模型，槽位是一种粗粒度的资源划分单位，通常一个任务不会用完槽位对应的资源，且其他任务也无法使用这些空 闲资源。此外， Hadoop 将槽位分为 Map Slot 和 Reduce Slot 两种，且不允许它们之 间共享， 常常会导致一种槽位资源紧张而另外一种闲置（比如一个作业刚刚提交时，只会运行 Map Task， 此时Reduce Slot 闲置）。
• 无法支持多种计算框架。随着互联网高速发展，MapReduce 这种基于磁盘的离线计算框架已经不能满足应用要求，从而出现了一些新的计算框架，包括内存计算框架、流式计算框架和迭代式计算框架等，而 MRv1 不能支持多种计算框架并存。

为了克服以上几个缺点，Apache 开始尝试对 Hadoop 进行升级改造，进而诞生了更加 先进的下一代 MapReduce 计算框架MRv2。正是由于 MRv2 将资源管理功能抽象成了一个 独立的通用系统 YARN， 直接导致下一代 MapReduce的核心从单一的计算框架 MapReduce转移为通用的资源管理系统 YARN。

随着互联网的高速发展，基于数据密集型应用的计算框架不断出现，从支持离线处理的 MapReduce，到支持在线处理的 Storm，从迭代式计算框架 Spark 到流式处理框架 S4，各种框架诞生于不同的公司或者实验室，它们各有所长，各自解决了某一类应用问题。 而在大部分互联网公司中， 这几种框架可能同时被采用。 比如在搜索引擎公司中， 一种可能的技术方案如下： 网页建立索引采用 MapReduce 框架， 自然语言处理 / 数据挖掘采用 Spark（如网页 PageRank 计算、 聚类分类算法等）， 对性能要求很高的数据挖掘算法用 MPI 等。考虑到资源利用率、 运维成本、 数据共享等因素， 公司一般希望将所有这些框架都部署到一个公共的集群中， 让它们共享集群的资源， 并对资源进行统一使用， 同时采用某种资源隔离方案（如轻量级 cgroups） 对各个任务进行隔离， 这样便诞生了轻量级弹性计算平台，YARN 便是弹性计算平台的典型代表。
从上面分析可知， YARN 实际上是一个弹性计算平台， 它的目标已经不再局限于支持MapReduce 一种计算框架， 而是朝着对多种框架进行统一管理的方向发展。相比于“ 一种计算框架一个集群” 的模式， 共享集群的模式存在多种好处：

• 资源利用率高。如果每个框架一个集群，则往往由于应用程序数量和资源需求的不均衡性，使得在某段时间内，有些计算框架的集群资源紧张， 而另 外一些集群资源空闲。共享集群模式则通过多种框架共享资源， 使得集群中的资源 得到更加充分的利用。
• 运维成本低。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。

YARN基本架构
YARN 是 Hadoop 2.0 中的资源管理系统，它的基本设计思想是将 MRv1 中的 JobTracker拆分成了两个独立的服务：一个全局的资源管理器 ResourceManager 和每个应用程序特有的ApplicationMaster。 其中 ResourceManager 负责整个系统的资源管理和分配， 而 ApplicationMaster负责单个应用程序的管理。

YARN 基本组成结构

YARN 总体上仍然是 Master/Slave 结构，在整个资源管理框架中，ResourceManager 为Master，NodeManager 为 Slave，ResourceManager 负责对各个 NodeManager 上的资源进行统一管理和调度。当用户提交一个应用程序时， 需要提供一个用以跟踪和管理这个程序的ApplicationMaster， 它负责向 ResourceManager 申请资源， 并要求 NodeManger 启动可以占用一定资源的任务。 由于不同的ApplicationMaster 被分布到不同的节点上，因此它们之间不会相互影响。

下图描述了 YARN 的基本组成结构， YARN 主要由 ResourceManager、NodeManager、ApplicationMaster（图中给出了 MapReduce 和 MPI 两种计算框架的 ApplicationMaster， 分别为 MR AppMstr 和 MPI AppMstr） 和 Container 等几个组件构成。

1. ResourceManager（ RM）

RM 是一个全局的资源管理器，负责整个系统的资源管理和分配。它主要由两个组件构成： 调度器（Scheduler）和应用程序管理器（Applications Manager， ASM）。

（1）调度器

调度器根据容量、队列等限制条件（如每个队列分配一定的资源，最多执行一定数量的作业等），将系统中的资源分配给各个正在运行的应用程序。 需要注意的是，该调度器是一个“纯调度器“，它不再从事任何与具体应用程序相关的工作，比如不负责监控或者跟踪应用的执行状态等，也不负责重新启动因应用执行失败或者硬件故障而产生的失败任务，这些均交由应用程序相关的 ApplicationMaster 完成。 调度器仅根据各个应用程序的资源需求进行资源分配， 而资源分配单位用一个抽象概念“ 资源容器”（Resource Container，简称 Container）表示，Container 是一个动态资源分配单位，它将内存、CPU、 磁盘、网络等资源封装在一起，从而限定每个任务使用的资源量。此外，该调度器是一个可插拔的组件，用户可根据自己的需要设计新的调度器，YARN 提供了多种直接可用的调度器， 比如 Fair Scheduler 和 Capacity Scheduler 等。

（2）应用程序管理器

应用程序管理器负责管理整个系统中所有应用程序,包括应用程序提交、与调度器协商资源以启动 ApplicationMaster、监控 ApplicationMaster 运行状态并在失败时重新启动它等。

2. ApplicationMaster（ AM）

用户提交的每个应用程序均包含一个 AM，主要功能包括：

• 与 RM 调度器协商以获取资源（用 Container 表示）；
• 将得到的任务进一步分配给内部的任务；
• 与 NM 通信以启动 / 停止任务；
• 监控所有任务运行状态，并在任务运行失败时重新为任务申请资源以重启任务。

当 前 YARN 自 带 了 两 个 AM 实 现， 一 个 是 用 于 演 示 AM 编 写 方 法 的 实 例 程 序distributedshell，它可以申请一定数目的 Container 以并行运行一个 Shell 命令或者 Shell 脚本；另一个是运行 MapReduce 应用程序的 AM—MRAppMaster。此外，一些其他的计算框架对应的 AM 正在开发中， 比如 Open MPI、Spark 等 。

3. NodeManager（ NM）

NM 是每个节点上的资源和任务管理器，一方面，它会定时地向 RM 汇报本节点上的资源使用情况和各个 Container 的运行状态； 另一方面，它接收并处理来自 AM 的 Container启动 / 停止等各种请求。

4. Container

Container 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，当 AM向RM申请资源时，RM 为 AM 返回的资源便是用 Container表示的。YARN 会为每个任务分配一个 Container，且该任务只能使用该 Container 中描述的资源。需要注意的是，Container 不同于 MRv1 中的 slot，它是一个动态资源划分单位，是根据应用程序的需求动态生成的。 目前，YARN 仅支持 CPU 和内存两种资源，且使用了轻量级资源隔离机制 Cgroups 进行资源隔离 。

YARN模块间通信

在 YARN 中， 任何两个需相互通信的组件之间仅有一个 RPC 协议，而对于任何一个 RPC 协议，通信双方有一端是 Client， 另一端为 Server，且 Client 总是主动连接 Server 的， 因此， YARN 实际上采用的是拉式（pull-based） 通信模型。如下图所示，

箭头指向的组件是 RPC Server， 而箭头尾部的组件是 RPC Client， YARN 主要由以下几个 RPC 协议组成 ：

• JobClient（作业提交客户端）与 RM 之间的协议 —ApplicationClientProtocol ：JobClient通过该 RPC 协议提交应用程序、 查询应用程序状态等，其类图如下所示：
  
• Admin（管理员）与 RM 之间的通信协议—ResourceManagerAdministrationProtocol：Admin 通过该 RPC 协议更新系统配置文件，比如节点黑白名单、用户队列权限等。
  
• AM 与 RM 之间的协议—ApplicationMasterProtocol ： AM 通过该 RPC 协议向 RM 注册和撤销自己，并为各个任务申请资源。
  
• AM 与 NM 之 间 的 协 议 —ContainerManagementProtocol ： AM 通 过 该 RPC 要 求 NM启动或者停止 Container， 获取各个 Container 的使用状态等信息。
  
• NM 与 RM 之间的协议—ResourceTracker ： NM 通过该 RPC 协议向 RM 注册， 并定时发送心跳信息汇报当前节点的资源使用情况和 Container 运行情况。
  

为了提高 Hadoop 的向后兼容性和不同版本之间的兼容性， YARN 中的序列化框架采用了 Google 开源的 Protocol Buffers。 Protocol Buffers 的引入使得 YARN 具有协议向后兼容性。
YARN 工作流程

运行在 YARN 上的应用程序主要分为两类 ： 短应用程序和长应用程序， 其中， 短应用程序是指一定时间内（可能是秒级、分钟级或小时级，尽管天级别或者更长时间的也存在，但非常少） 可运行完成并正常退出的应用程序，比如 MapReduce 作业等， 应用程序是指不出意外，永不终止运行的应用程序，通常是一些服务，比如 Storm Service（主要包括 Nimbus 和 Supervisor 两类服务），HBase Service（包括 Hmaster 和 RegionServer 两类服务） 等， 而它们本身作为一个框架提供了编程接口供用户使用。 尽管这两类应用程序作用不同， 一类直接运行数据处理程序， 一类用于部署服务（服务之上再运行数据处理程序）， 但运行在 YARN 上的流程是相同的。

当用户向 YARN 中提交一个应用程序后， YARN 将分两个阶段运行该应用程序 ： 第一个阶段是启动 ApplicationMaster ； 第二个阶段是由 ApplicationMaster 创建应用程序， 为它申请资源， 并监控它的整个运行过程， 直到运行完成。 如图所示，

YARN 的工作流程分为以下几个步骤：

步 骤 1 用 户 向 YARN 中 提 交 应 用 程 序， 其 中 包 括 ApplicationMaster 程 序、 启 动ApplicationMaster 的命令、 用户程序等。
步骤 2 ResourceManager 为 该 应 用程 序 分 配 第 一 个 Container， 并 与 对应 的 NodeManager 通信，要求它在这个 Container 中启动应用程序的 ApplicationMaster。
步 骤 3 ApplicationMaster 首 先 向 ResourceManager 注 册， 这 样 用 户 可 以 直 接 通 过ResourceManage 查看应用程序的运行状态， 然后它将为各个任务申请资源， 并监控它的运行状态， 直到运行结束， 即重复步骤 4~7。
步骤 4 ApplicationMaster 采用轮询的方式通过 RPC 协议向 ResourceManager 申请和领取资源。
步骤 5 一旦 ApplicationMaster 申请到资源后， 便与对应的 NodeManager 通信， 要求它启动任务。
步骤 6 NodeManager 为任务设置好运行环境（包括环境变量、 JAR 包、 二进制程序等） 后， 将任务启动命令写到一个脚本中， 并通过运行该脚本启动任务。
步骤 7 各个任务通过某个 RPC 协议向 ApplicationMaster 汇报自己的状态和进度， 以让 ApplicationMaster 随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务。在应用程序运行过程中，用户可随时通过RPC向ApplicationMaster查询应用程序的当前运行状态。
步骤 8 应用程序运行完成后，ApplicationMaster 向 ResourceManager 注销并关闭自己。

为了便于理解YARN，将从并行编程、 资源管理、 云计算等三个角度帮助读者理解 YARN

并行编程

在单机程序设计中， 为了快速处理一个大的数据集， 通常采用多线程并行编程， 如图所示， 大体流程如下 ：
先由操作系统启动一个主线程， 由它负责数据切分、 任务分配、 子线程启动和销毁等工作， 而各个子线程只负责计算自己的数据， 当所有子线程处理完数据后， 主线程再退出。 类比理解， YARN 上的应用程序运行过程与之非常相近， 只不过它是集群上的分布式并行编程。 可将 YARN 看做一个云操作系统， 它负责为应用程序启动 ApplicationMaster（相当于主线程）， 然后再由 ApplicationMaster 负责数据切分、 任务分配、启动和监控等工作， 而由 ApplicationMaster 启动的各个 Task（相当于子线程） 仅负责自己的计算任务。 当所有任务计算完成后， ApplicationMaster 认为应用程序运行完成， 然后退出。

资源管理系统

资源管理系统的主要功能是对集群中各类资源进行抽象， 并根据各种应用程序或者服务的要求， 按照一定的调度策略， 将资源分配给它们使用， 同时需采用一定的资源隔离机制防止应用程序或者服务之间因资源抢占而相互干扰。 YARN 正是一个资源管理系统， 它的出现弱化了计算框架之争， 引入 YARN 这一层后， 各种计算框架可各自发挥自己的优势，并由 YARN 进行统一管理， 进而运行在一个大集群上。

云计算

YARN 可看做 PAAS 层， 它能够为不同类型的应用程序提供统一的管理和调度。