《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【2.4】

javazx

2.4 YARN 基本架构
! ?; R* ?) C1 D" U/ z1 A% N. _1 g/ [+ LYARN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。
2.4.1 YARN基本组成结构
% C) ?' x# b5 I6 K' K: @9 M/ q3 ?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。 在本小节中， 我们将对YARN的基本组成
结构进行介绍。
图2-9描述了YARN的基本组成结构， YARN主要由ResourceManager、 NodeManager、 ApplicationMaster（ 图中给出了
, q  D0 B* H# \1 }9 uMapReduce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。
: o! Q0 v) ?7 l& C$ f' N2 H图2-9 Apache YARN的基本架构
1.ResourceManager（ RM）
; t' a$ W. G- ?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
: M' E. T7 X+ v' u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
$ R6 h0 D) H2 S# u, q$ r# a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
- Q/ u) b* w; H- W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
# b/ O: v  y" t. r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
& v7 C% Q: }0 q" bApplicationMaster运行状态并在失败时重新启动它等。
! }5 R, F& ?# X1 J  V! ?! _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：
$ p/ H; e, f$ E/ o6 K! [/ X❑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；
7 j& B" c$ M) `/ I: ^! N0 A❑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。
% J9 k! b4 x, I3 N9 o5 n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
; J, Q9 o# g/ T+ }+ b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， 我们将在第8章对其进行介绍。
5 d1 v0 O( B/ Z9 x. L" V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 [18] 。
3.NodeManager（ NM）
" o# h; _$ _7 b& k0 ^* Z8 KNM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
, E- W7 \% R+ g5 }  G" p/ p5 u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
5 j& ?/ x% _1 ^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。 截至本
% G: j0 `, p$ u9 d# E) k# n书完成时， 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 [19] 。
2.4.2 YARN通信协议
! t" _- `, E6 o1 pRPC协议是连接各个组件的“大动脉”， 了解不同组件之间的RPC协议有助于我们更深入地学习YARN框架。 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
6 J5 h! [$ P2 }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。 如图2-10所示， 箭头指向的组件是RPC Server，
4 ]* G1 u; ]' ^而箭头尾部的组件是RPC Client， YARN主要由以下几个RPC协 议组成 [20] ：
) l4 l# O5 n( w❑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
+ j  e3 E  G* b$ `用程序状态等。
❑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。
' f# G6 Z! Y" s5 Z; k3 g1 G! Q❑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。
2 ]/ L; i0 r( ], e7 ?❑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
6 o2 R$ M( M: E- B' u: }* `况和Container运行情况。
图2-10 Apache YARN的RPC协议
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， 相关内容将在第3章介绍。
[18] 参见网址http://wiki.apache.org/hadoop/PoweredByYarn。
6 @- z; t4 ?& J# l- r% x1 K8 ~0 A[19] 参见网址https://issues.apache.org/jira/browse/YARN-3。
[20] RPC协议名称在2.1.0-beta版本进行了重构， 之前的名称分别为： ClientRMProtocol、 RMAdminProtocol、 AMRMProtocol、
ContainerManager、 ResourceTracker（ 该协议名称未变）  
. o. i4 E; X+ Z; Z

% K& X  K9 B* K* E  y