《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
YARN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
- \' G" o+ ?/ S4 BApplicationMaster负责单个应用程序的管理。
2.4.1 YARN基本组成结构
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
* {: C! r! }  |7 r- W, u" P0 {& ?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
0 Y/ i5 i( X; q8 a结构进行介绍。
: z: F+ e9 ]  H0 U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
MapReduce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。
& r( w  d" u9 f& D图2-9 Apache YARN的基本架构
1.ResourceManager（ RM）
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
; g& i8 ]2 q2 q0 d  C' [8 _, g管理器（ Applications Manager， ASM） 。
（ 1） 调度器
6 Q" ^% Y4 Y; I! ]8 j" B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
9 a% s* k' p4 R" H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
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
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
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
7 d1 g- ]/ @* t# O: v" I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
' I, A2 r! K" G; NApplicationMaster运行状态并在失败时重新启动它等。
2.ApplicationMaster（ AM）
: ?" H$ x! v2 C用户提交的每个应用程序均包含一个AM， 主要功能包括：
❑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；
❑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。
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
$ ?) _6 g5 v- D$ t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。
; n1 A* t$ Z: l+ J$ c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）
NM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
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
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
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] 。
4 h( J8 \. C# B0 r7 P  n# p  V2.4.2 YARN通信协议
5 N8 _+ C$ Y- N, [2 B. {- d. |- BRPC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
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 N2 W3 o" g  N# e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] ：
❑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
7 v# G, O; H) M/ M% B用程序状态等。
/ _& H% Z$ {' v' H5 ^8 n9 }❑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，
. y7 i; M; M- A& M, a比如节点黑白名单、 用户队列权限等。
) p+ p  T- j: c❑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。
❑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。
7 a9 Y& [0 t! O0 B) W& l: N2 N) S4 H❑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
* i. @; K9 Z  W- f8 O) \况和Container运行情况。
; l2 b( C3 s5 W# R( b2 s& t) b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。
3 d; z7 i8 g/ b3 t/ y# e3 d- QProtocol 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。
7 I- K1 m9 Y+ w; l: T; `[18] 参见网址http://wiki.apache.org/hadoop/PoweredByYarn。
4 T& j5 q+ V% Y, `# K4 P[19] 参见网址https://issues.apache.org/jira/browse/YARN-3。
# `2 }: v& g' v+ h/ Z1 J! K[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、
' l& s* ?' ]0 AContainerManager、 ResourceTracker（ 该协议名称未变）  
4 ^4 p/ ^- F% _( c3 S
3 C1 _/ Q: g0 A4 F+ y- G