|
|
2.3 YARN 基本设计思想
- @, Y4 ^$ x# u* {& v) F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。
- v$ L: C. C! _2.3.1 基本框架对比( z- ?2 o3 m4 x; Z4 e
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
% u, ]4 x. {$ X4 K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
1 f. |$ I( S# _4 g# i1 u7 [! PHadoop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. x4 M2 R' F% ~0 n0 m
相关的功能分开， 造成Hadoop难以支持多种计算框架。1 x9 g4 T3 j7 X) ?$ [& o# r1 J
图2-6 第一代MapReduce框架基本架构
! Z/ k% B. {, X9 @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: h3 m# v3 x1 f, U- |
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
7 y# {+ s7 u% {( c- u! b l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
5 ^" R4 G \& V% z& ?7 _# KJobTracker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。; G/ ]0 V; p9 R4 u/ d7 |% b
图2-7 下一代MapReduce框架基本架构+ t, Y. S2 U* J* a5 g- s
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! O6 F7 b4 K/ Q0 R1 G4 @
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。
( r9 f& z" \3 t4 l2.3.2 编程模型对比2 e% _) n+ C" j, B8 K( v
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5 a+ d# l s& D4 P% P
JobTracker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' F/ C/ y$ `8 U* o7 k
理引擎， 但运行时环境被完全重写， 具体如下。
! R( k4 V, U, Q; z❑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
; H( z5 U5 \7 uHadoop 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, J: i# Q" Y# j; @$ A
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6 h0 \+ A# R. e- a- ^ {2 S/ q8 f6 r
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
" ]" Y& l& ]3 F, r/ `! w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。- i1 i* h3 ?7 K9 B
❑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+ d1 l* T1 x* y
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
- R2 A$ m. E: ^7 |2 [/ \6 m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
' h; o2 G9 D) u6 P+ J6 qYARN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、! W" }0 h! R- F: \- O! \
任务调度和容错等， 具体如图2-8所示。
- }, V3 B& h: `! e7 c图2-8 下一代MapReduce框架基本架构7 k' Y9 N7 o% s
[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。
( K" O9 {" g g1 x9 l( S% r ~! }) ~8 G( |( I8 U0 r
+ M. o2 G; B! Q |
|
发表于 2017-4-13 21:22:41
