《深入解析YARN架构设计与实现原理》第2章 YARN设计理念与基本架构【2.2】
2.2 Hadoop 基础知识2.2.1 术语解释
为了便于本书讲解Hadoop YARN， 本小节对Hadoop涉及的术语进行比较全面的介绍。
（ 1） Hadoop 1.0
Hadoop 1.0即第一代Hadoop， 由分布式存储系统HDFS和分布式计算框架MapReduce组成， 其中， HDFS由一个NameNode和多
个DataNode组成， MapReduce由一个JobTracker和多个TaskTracker组成， 对应Hadoop版本为Apache Hadoop 0.20.x、 1.x、 0.21.X、
0.22.x和 CDH3 。
（ 2） Hadoop 2.0
Hadoop 2.0即第二代Hadoop， 为克服Hadoop 1.0中HDFS和MapReduce存在的各种问题而提出的。 如图2-4所示， 针对Hadoop
1.0中的单NameNode制约HDFS的扩展性问题， 提出了HDFS Federation， 它让多个NameNode分管不同的目录进而实现访问隔离和
横向扩展， 同时它彻底解决了NameNode 单点故障问题； 针对Hadoop 1.0中的MapReduce在扩展性和多框架支持等方面的不足，
它将JobTracker中的资源管理和作业控制功能分开， 分别由组件ResourceManager和ApplicationMaster实现， 其中， ResourceManager
负责所有应用程序的资源分配， 而ApplicationMaster仅负责管理一个应用程序， 进而诞生了全新的通用资源管理框架YARN。 基于
YARN， 用户可以运行各种类型的应用程序（ 不再像1.0那样仅局限于MapReduce一类应用） ， 从离线计算的MapReduce到在线计
算（ 流式处理） 的Storm等。 Hadoop 2.0对应Hadoop版本为Apache Hadoop 0.23.x、 2.x和 CDH4 。
图2-4 Hadoop 1.0与Hadoop 2.0
（ 3） MapReduce 1.0或MRv1
MapReduce 1.0计算框架主要由三部分组成， 分别是编程模型、 数据处理引擎和运行时环境。 它的基本编程模型是将问题抽
象成Map和Reduce两个阶段， 其中Map阶段将输入数据解析成key/value， 迭代调用map()函数处理后， 再以key/value的形式输出到本
地目录， 而Reduce阶段则将key相同的value进行规约处理， 并将最终结果写到HDFS上； 它的数据处理引擎由MapTask和
ReduceTask组成， 分别负责Map阶段逻辑和Reduce阶段逻辑的处理； 它的运行时环境由（ 一个） JobTracker和（ 若干
个） TaskTracker两类服务组成， 其中， JobTracker负责资源管理和所有作业的控制， 而TaskTracker负责接收来自JobTracker的命令
并执行它。 该框架在扩展性、 容错性和多框架支持等方面存在不足， 这也促使了MRv2的产生。
（ 4） MRv2
MRv2具有与MRv1相同的编程模型和数据处理引擎， 唯一不同的是运行时环境。 MRv2是在MRv1基础上经加工之后， 运行于
资源管理框架YARN之上的计算框架MapReduce。 它的运行时环境不再由JobTracker和TaskTracker等服务组成， 而是变为通用资源
管理系统YARN和作业控制进程ApplicationMaster， 其中， YARN负责资源管理和调度， 而ApplicationMaster仅负责一个作业的管
理。 简言之， MRv1仅是一个独立的离线计算框架， 而MRv2则是运行于YARN之上的MapReduce。
（ 5） YARN
YARN是Hadoop 2.0中的资源管理系统， 它是一个通用的资源管理模块， 可为各类应用程序进行资源管理和调度。 YARN不
仅限于MapReduce一种框架使用， 也可以供其他框架使用， 比如Tez（ 将在第9章介绍） 、 Spark、 Storm（ 将在第10章介绍） 等。
YARN类似于几年前的资源管理系 统Mesos （ 将在12章介绍） 和更早 的Torque （ 将在6章介绍） 。 由于YARN的通用性， 下
一代MapReduce的核心已经从简单的支持单一应用的计算框架MapReduce转移到通用的资源管理系统YARN 。
（ 6） HDFS Federation
Hadoop 2.0中对HDFS进行了改进， 使NameNode可以横向扩展成多个， 每个NameNode分管一部分目录， 进而产生了HDFS
Federation， 该机制的引入不仅增强了HDFS的扩展性， 也使HDFS具备了隔离性。
2.2.2 Hadoop版本变迁
当前Apache Hadoop版本非常多， 本小节将帮助读者梳理各个版本的特性以及它们之间的联系。 在讲解Hadoop各版本之前，
先要了解Apache软件发布方式。 对于任何一个Apache开源项目， 所有的基础特性均被添加到一个称为"trunk"的主代码线（ main
codeline） ， 当需要开发某个重要的特性时， 会专门从主代码线中延伸出一个分支（ branch） ， 这被称为一个候选发布版
（ candidate release） ， 该分支将专注于开发该特性而不再添加其他新的特性， 待bug修复之后， 经过相关人士投票便会对外公开成
为发布版（ release version） ， 并将该特性合并到主代码线中。 需要注意的是， 多个分支可能会同时进行研发， 这样， 版本高的分
支可能先于版本低的分支发布。
由于Apache以特性为准延伸新的分支， 故在介绍Apache Hadoop版本之前， 先介绍几个独立产生Apache Hadoop新版本的重大
特性：
❑ Append ： HDFS Append主要完成追加文件内容的功能， 也就是允许用户以Append方式修改HDFS上的文件。 HDFS最初
的一个设计目标是支持MapReduce编程模型， 而该模型只需要写一次文件， 之后仅进行读操作而不会对其修改， 即"write-onceread-many"， 这就不需要支持文件追加功能。 但随着HDFS变得流行， 一些具有写需求的应用想以HDFS作为存储系统， 比如， 有
些应用程序需要往HDFS上某个文件中追加日志信息， HBase需使用HDFS具有Append功能 以防止数据丢失 等。
❑ HDFS RAID ： Hadoop RAID模块在HDFS之上构建了一个新的分布式文件系统DistributedRaidFileSystem（ DRFS） ， 该系
统采用了Erasure Codes增强对数据的保护， 有了这样的保护， 可以采用更低的副本数来保持同样的可用性保障， 进而为用户节省
大量存储空间。
❑ Symlink ： 让HDFS支持符号链接。 符号链接是一种特殊的文件， 它以绝对或者相对路径的形式指向另外一个文件或者
目录（ 目标文件） ， 当程序向符号链接中写数据时， 相当于直接向目标文件中写数据。
❑ Security ： Hadoop的HDFS和MapReduce均缺乏相应的安全机制， 比如在HDFS中， 用户只要知道某个block的blockID， 便
可以绕过NameNode直接从DataNode上读取该block， 用户可以向任意DataNode上写block； 在MapReduce中， 用户可以修改或者杀
掉任意其他用户的作业等。 为了增强Hadoop的安全机制， 从2009年起， Apache专门抽出一个团队， 从事为Hadoop增加基于
Kerberos和Deletion Token的安全认证和授权机制的工作。
❑MRv1： 正如前面所述， 第一代MapReduce计算框架由三部分组成： 编程模型、 数据处理引擎和运行时环境。 其中， 编程
模型由新旧API两部分组成； 数据处理引擎由MapTask和ReduceTask组成； 运行时环境由JobTracker和TaskTracker两类服务组成。
❑ MRv2/YARN ： MRv2是针对MRv1在扩展性和多框架支持等方面的不足而提出来的， 它将MRv1中的JobTracker包含的
资源管理和作业控制两部分功能拆分开来， 分别将由不同的进程实现。 考虑到资源管理模块可以共享给其他框架使用， MRv2将
其做成了一个通用的YARN系统， YARN系统的引入使得计算框架进入了平台化时代。
❑ NameNode Federation ： 针对Hadoop 1.0中NameNode内存约束限制其扩展性问题提出的改进方案， 它使NameNode可以
横向扩展成多个， 其中， 每个NameNode分管一部分目录， 这不仅使HDFS扩展性得到增强， 也使HDFS具备了隔离性。
❑ NameNode HA ： 大家都知道， HDFS NameNode存在NameNode内存约束限制扩展性和单点故障两个问题， 其中， 第一
个问题通过NameNode Federation方案解决， 而第二个问题则通过NameNode热备方案（ NameNode HA） 实现。
到2013年8月为止， Apache Hadoop已经出现四个大的分支， 如图2-5所示。
图2-5 Hadoop版本 变迁图
Apache Hadoop的四大分支构成了三个系列的Hadoop版本。
（ 1） 0.20.X系列
0.20.2版本发布后， 几个重要的特性没有基于trunk而是在0.20.2基础上继续研发。 值得一提的主要有两个特性： Append与
Security。 其中， 含Security特性的分支以0.20.203版本发布， 而后续的0.20.205版本综合了这两个特性。 需要注意的是， 之后的
1.0.0版本仅是0.20.205版本的重命名。 0.20.X系列版本是最令用户感到疑惑的， 因而它们具有的一些特性， trunk上没有， 反之
trunk上有的一些特性0.20.X系列版本却没有。
（ 2） 0.21.0/0.22.x系列
这一系列版本将整个Hadoop项目被分割成三个独立的模块， 分别是Common、 HDFS和MapReduce。 HDFS和MapReduce都对
Common模块有依赖， 但是MapReduce对HDFS并没有依赖， 这样， MapReduce可以更容易运行在其他的分布式文件系统之上， 同
时， 模块间可以独立开发。 具体各个模块的改进如下：
❑Common模块： 最大的新特性是在测试方面添加了Large-Scale Automated Test Framework 和fault injection framework 。
❑HDFS模块： 主要增加的新特性包括支持追加操作与建立符号连接、 Secondary NameNode改进（ secondary namenode被剔
除， 取而代之的是checkpoint node同时添加一个backup node的角色， 作为NameNode的冷备） 、 允许用户自定义block放置算法等。
❑MapReduce模块： 在作业API方面， 开始启动新MapReduce API， 但仍然兼容老的API。
0.22.0在0.21.0基础上修复了一些bug并进行了部分优化。
（ 3） 0.23.X系列
0.23.X是为了克服Hadoop在扩展性和框架通用性方面的不足而提出来的， 它包括基础库Common、 分布式文件系统HDFS、 资
源管理框架YARN和运行在YARN上的MapReduce四部分， 其中， 新增的可对接入的各种计算框架（ 如MapReduce、 Spark
等） 进行统一管理， 该发行版自带MapReduce库， 而该库集成了迄今为止所有的MapReduce新特性。
（ 4） 2.X系列
同0.23.x系统一样， 2.X系列属于下一代Hadoop， 与0.23.X相比， 2.X增加了NameNode HA和Wire-compatibility等新特性。
表2-1总结了Hadoop各个发布版的特性以及稳定性。
表2-1 Hadoop各个发布版特性以及稳定性
㈣0.22.0版本中只有HDFS Security， 没有MapReduce Security。
本书介绍的Hadoop YARN设计思想适用于所有Apache Hadoop 2.x版本， 但涉及具体的体现（ 指源代码级别的实现） 时， 则以
Apache Hadoop 2.2.0及更高稳定版本为主。
下载地址为http://archive.cloudera.com/cdh/3/。
下载地址为http://archive.cloudera.com/cdh4/cdh/4/。
官方网址： http://incubator.apache.org/mesos/。
官方网址： http://www.adaptivecomputing.com/products/open-source/torque/。
0.20-append： https://issues.apache.org/jira/browse/HDFS-200。 0.21.0-append： https://issues.apache.org/jira/browse/HDFS-265。
参考http://hbase.apache.org/book/hadoop.html。
参考http://wiki.apache.org/hadoop/HDFS-RAID 与https://issues.apache.org/jira/browse/HDFS-503。
参考https://issues.apache.org/jira/browse/HDFS-245。
参考https://issues.apache.org/jira/browse/HADOOP-4487。
参考https://issues.apache.org/jira/browse/MAPREDUCE-279。
参考https://issues.apache.org/jira/browse/HDFS-1052。
参考https://issues.apache.org/jira/browse/HDFS-1623。
图片修改自http://www.cloudera.com/blog/2012/01/an-update-on-apache-hadoop-1-0/。
参考https://issues.apache.org/jira/browse/HADOOP-6332。
参考https://issues.apache.org/jira/browse/MAPREDUCE-1084。
Spark是一种内存计算框架， 支持迭代式计算， 主页是http://www.spark-project.org/。
页:
[1]