|
|
2.3 YARN 基本设计思想6 ^7 M. A6 Q* }1 P$ _# b- U
本节我们通过对比两代MapReduce的基本框架和编程模型来帮助读者理解YARN的基本设计思想。# H2 U3 I7 N# a+ x3 Y. Z/ j' q
2.3.1 基本框架对比0 d$ N2 i- D6 B& I5 s
在Hadoop 1.0中， JobTracker由资源管理（ 由TaskScheduler模块实现） 和作业控制（ 由JobTracker中多个模块共同实现） 两部分
5 m5 @* N$ i" e/ Z* m* D组成， 具体如图2-6所示。 当前Hadoop MapReduce之所以在可扩展性、 资源利用率和多框架支持等方面存在不足， 正是由于; h1 j+ l' ]+ e' d# t+ q
Hadoop对JobTracker赋予的功能过多而造成负载过重。 此外， 从设计角度上看， Hadoop未能够将资源管理相关的功能与应用程序2 @& u I3 D( H
相关的功能分开， 造成Hadoop难以支持多种计算框架。1 U: K; ^0 _" H5 e w
图2-6 第一代MapReduce框架基本架构' ^$ v3 A) s5 a
下一代MapReduce框架的基本设计思想是将JobTracker的两个主要功能， 即资源管理和作业控制（ 包括作业监控、 容错
5 N7 \% H; x R v等） ， 分拆成两独立的进程， 如图2-7所示。 资源管理进程与具体应用程序无关， 它负责整个集群的资源（ 内存、 CPU、 磁盘
2 [0 I+ @) |1 h: ~% H等） 管理， 而作业控制进程则是直接与应用程序相关的模块， 且每个作业控制进程只负责管理一个作业。 这样， 通过将原有" w2 J U! z* c7 D. n' j, r5 H& {( I
JobTracker中与应用程序相关和无关的模块分开， 不仅减轻了JobTracker负载， 也使得Hadoop支持更多的计算框架。
1 d; z1 a, A& d图2-7 下一代MapReduce框架基本架构- U: m0 A; F% w7 ~* }4 j. u* R
从资源管理角度看， 下一代MapReduce框架实际上衍生出了一个资源统一管理平台YARN， 它使得Hadoop不再局限于仅支持" Y, y7 C, B/ l# z/ [/ ] U+ i& h- J
MapReduce一种计算模型， 而是可无限融入多种计算框架， 且对这些框架进行统一管理和调度。
. h$ t* d6 ` V* S8 o2.3.2 编程模型对比
$ {) y9 o3 ^. K前面提到MRv1主要由编程模型（ 由新旧API组成） 、 数据处理引擎（ 由MapTask和ReduceTask组成） 和运行时环境（ 由一个
6 u/ _ r5 L2 s1 GJobTracker和若干个TaskTracker组成） 三部分组成， 为了保证编程模型的向后兼容性， MRv2重用了MRv1中的编程模型和数据处! S; K6 P$ ?) u7 ], x8 F! c- a
理引擎， 但运行时环境被完全重写， 具体如下。% z) S8 y0 S. w' Q# T2 i
❑编程模型与数据处理引擎： MRv2重用了MRv1中的编程模型和数据处理引擎。 为了能够让用户应用程序平滑迁移到
3 |. D/ C$ u) ~% \Hadoop 2.0中， MRv2应尽可能保证编程接口的向后兼容性， 但由于MRv2本身进行了改进和优化， 它在向后兼容性方面存在少量
0 _% r4 A( y+ k2 y问题。 MapReduce应用程序编程接口有两套， 分别是新API（ mapred） 和旧API （ mapredue） [17] ， MRv2可做到以下兼容性： 采用$ s* T, n' i& M3 f6 t- p
MRv1旧API编写的应用程序， 可直接使用之前的JAR包将程序运行在MRv2上； 但采用MRv1新API编写的应用程序则不可以， 需
5 M% O1 k& Q: }5 N9 o" k, F要使用MRv2编程库重新编译并修改不兼容的参数和返回值， 具体将在第8章介绍。( q6 c# D( X. i2 E) o- x5 P9 t
❑运行时环境： MRv1的运行时环境主要由两类服务组成， 分别是JobTracker和TaskTracker。 其中， JobTracker负责资源和任' J; P6 ~5 I0 e( `. F! R3 m
务的管理与调度， TaskTracker负责单个节点的资源管理和任务执行。 MRv1将资源管理和应用程序管理两部分混杂在一起， 使得
# b% G9 S4 V" H6 \' y它在扩展性、 容错性和多框架支持等方面存在明显缺陷。 而MRv2则通过将资源管理和应用程序管理两部分剥离开， 分别由$ B7 I' B% Y2 f( o7 {& {* X# `# e& P: {
YARN和ApplicationMaster负责， 其中， YARN专管资源管理和调度， 而ApplicationMaster则负责与具体应用程序相关的任务切分、9 p7 w3 p2 _) J
任务调度和容错等， 具体如图2-8所示。- T# c2 }' l8 a! O
图2-8 下一代MapReduce框架基本架构& z: d) H' O# _( N
[17] MapReduce新旧API介绍可参考《 Hadoop技术内幕： 深入解析MapReduce架构设计与实现原理》 一书中的第3 章。 0 c- }' s6 d3 t- t
3 [# H0 I. I( T, R7 S t: u: p* b
|
|
发表于 2017-4-13 21:22:41
