|
|
2.3 YARN 基本设计思想& M, }& y5 E# l5 f$ i
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。/ i+ L4 O& c( ]# d
2.3.1 基本框架对比: x7 m) o' T6 F( Z
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
- J! F2 A5 u5 }/ P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" ]. e8 |" W& a" ]
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
6 L4 D9 m* A& r; x0 K o5 g相关的功能分开， 造成Hadoop难以支持多种计算框架。7 J" T- B: ]( i8 n6 V" m1 p6 q
图2-6 第一代MapReduce框架基本架构
- I( s7 |, P I i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 U" S: T S( u2 ?, G' {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. N, j/ ?# ?% l/ ] k
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
/ f3 h4 c& Q: {* y F m% 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。3 ]0 K% w# p3 P1 ?8 b. b6 q
图2-7 下一代MapReduce框架基本架构
0 A) h1 e5 Q' I4 i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3 T# ^9 p7 T; l5 \
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。
4 T7 J$ ^) O0 q9 d+ c1 G2.3.2 编程模型对比
$ i- v- t2 x) z5 a/ 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/ Q& Q* R# _; F7 _. u, N
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
W; @# w1 a D% H5 ?& i+ |理引擎， 但运行时环境被完全重写， 具体如下。: q% U0 }. R& O/ y
❑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
9 M8 x' p2 _2 `4 p* K& _% |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
% P3 ]0 E$ b0 M! T; r( \2 q- 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( O, b0 u3 D/ Y4 o
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
$ U, g8 i- v2 H# S5 k4 \: H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。( T, R$ s2 }' d- m# J
❑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
" V8 J' F& q7 ]! Y( s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6 I2 i3 x0 w& E- }' h9 j7 I, j
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
$ Z8 {" U3 J6 h! {, HYARN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、- O+ W8 g3 ? H4 ?0 C
任务调度和容错等， 具体如图2-8所示。
( {1 _8 U6 J) _( J5 y; m: K图2-8 下一代MapReduce框架基本架构) ~( M! B1 i6 }) J) v
[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。
6 K* s. N P E. b4 |6 l: A; y0 `! u2 X0 E' k8 X6 }2 ]1 k
- d7 v- @! H# G8 e! }
|
|
发表于 2017-4-13 21:22:41
