《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【2.1】

javazx

第2章 YARN设计理念与基本架构
" U) h3 W, N' u' |, A/ j在第1章， 我们介绍了Hadoop学习环境的搭建方法， 这是学习Hadoop需要进行的最基本的准备工作。 在这一章中， 我们将从
& G; U. Y: Y+ l! I# l! w设计理念和基本架构方面对Hadoop YARN进行介绍， 这也属于准备工作的一部分。 通过本章的介绍将会为下面几章深入剖析
YARN内部实现奠定基础。
由于MRv1在扩展性、 可靠性、 资源利用率和多框架等方面存在明显不足， Apache开始尝试对MapReduce进行升级改造， 于
) n- ^, X1 A9 _3 i+ T是诞生了更加先进的下一代MapReduce计算框架MRv2。 由于MRv2将资源管理模块构建成了一个独立的通用系统YARN， 这直接
使得MRv2的核心从计算框架MapReduce转移为资源管理系统YARN。 在本章中， 我们将从背景、 设计思想和基本架构等方面对
9 l# z. [4 H/ ^. ?9 `% aYARN框架进行介绍。
  O3 m' u* e* \0 }" V2.1 YARN 产生背景
2 v; L3 c% a$ G. `" z- e) p& p2.1.1 MRv1 的局限性
# S; V* W" _( D( D+ \) S* `  R: uYARN是在MRv1基础上演化而来的， 它克服了MRv1中的各种局限性。 在正式介绍YARN之前， 我们先要了解MRv1的一些局
限性， 这可概括为以下几个方面：
4 R. g! L; N, r❑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
, \, Z+ P3 N8 v3 q性。
9 H3 T- P9 l& X2 \' F7 z3 Z* A8 u❑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。
: r  p7 H/ @3 Y, s) R❑资源利用率低
6 i8 E6 T0 l  W0 S0 o& c" O。 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
- P( H0 K6 T" |1 |5 {" r0 y; ]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） 。
+ W% G7 o; }: t9 R" T! ~❑无法支持多种计算框架
5 ], ?# }& o3 M* ^" ]( W* s" \4 k。 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
2 B' V  e% Y4 V! q( O' x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。
  x% r7 b: P7 H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
* P- J2 j8 b& R架MapReduce转移为通用的资源管理系统YARN。 为了让读者更进一步理解以YARN为核心的软件栈， 我们将之与以MapReduce为
核心的软件栈进行对比， 如图2-1所示， 在以MapReduce为核心的软件栈中， 资源管理系统YARN是可插拔替换的， 比如选择
Mesos替换YARN， 一旦MapReduce接口改变， 所有的资源管理系统的实现均需要跟着改变； 但以YARN为核心的软件栈则不同，
" u; m! A* ]7 n  }1 ?所有框架都需要实现YARN定义的对外接口以运行在YARN之上， 这意味着Hadoop 2.0可以打造一个以YARN为核心的生态系统。
' h6 Q1 U  p: d* V: t图2-1 以MapReduce为核心和以YARN为核心的软件栈对比
2.1.2 轻量级弹性计算平台
  r; m3 j: e. {6 A% W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
6 m7 _) a" Z' H' \, D% ?+ gStorm， 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
) ?9 v( g. z0 m% H  Y9 D. ~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
& X3 n& X" F6 T0 t' o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， 如图2-2所示。 YARN便是弹性计算平台的典型代表。
; x% v% r6 t7 q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。
# Y( u& |) c) E" T5 Q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：
) R8 J6 \) ]8 ?6 z1 u+ ]9 @$ V6 k/ t❑资源利用率高
。 如图2-3所示， 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。
- r0 K9 Y# [  `2 G  I. w❑运维成本低
" o9 A+ i5 x) P* t4 G; d$ _$ ]! t。 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。
图2-2 以YARN为核心的弹性计算平台的基本架构
图2-3 共享集群模式使得资源利用率提高
❑数据共享
" P: _/ F8 Q, O。 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。