|
|
2.3 YARN 基本设计思想8 X; U, C' g4 d
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。
9 `- n* u3 U) D1 M2.3.1 基本框架对比/ X3 o! l$ d- J' X
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 w# o; V+ T3 T a/ ^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/ f F# i9 v ^4 _* x
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' c5 T, M* j, ` u9 T7 H
相关的功能分开， 造成Hadoop难以支持多种计算框架。
5 H: _. Y' e1 K# `9 Q, N i图2-6 第一代MapReduce框架基本架构/ A( [$ T! |; h8 \# O( u
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2 Z; C: l# u3 Z) @" ]) j. [2 q: s
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5 Q2 G0 [ A6 w; Y( i3 \ n
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 o" m& l4 F! qJobTracker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。
' y- e) i5 X* l) c图2-7 下一代MapReduce框架基本架构
% G$ Y, g% s' N; s& k1 v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
8 G7 w, Z' g5 ^' y5 wMapReduce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。
8 f3 y& u7 F* k7 O" `% d2.3.2 编程模型对比
5 K8 A1 ~; Y3 L% ^' y9 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
. P! ]0 o3 x/ A0 @ 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8 H1 s2 i, i% x3 j0 J
理引擎， 但运行时环境被完全重写， 具体如下。( H& `& F" Y* L/ _. N
❑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& M# c' p9 f5 m9 K0 T: H0 j
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
) {: ~+ z" h# H) E1 N t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
I9 {& F' C' F( A% ]3 @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
4 B9 Y3 m3 _9 f) a9 R; N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。
; G9 D/ @' ?7 U6 g1 H @6 g& [6 `❑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
1 D, b& G- I/ _$ M" X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( e- G% G3 Q0 o% D0 D- S
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1 V" ]( {) y5 S/ ?
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、& E# c- _! T& v2 e% i
任务调度和容错等， 具体如图2-8所示。8 Y5 d8 g1 U2 M1 u0 }
图2-8 下一代MapReduce框架基本架构( G% u# T1 P) i6 |) r5 y
[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。
5 U w# f" o& b! O0 Z; f8 P( i6 L" a' o9 g7 @
- Y- c- N+ F, n, O0 X
|
|
发表于 2017-4-13 21:22:41
