Yarn在Hadoop中的位置
Yarn的优点
- YARN把JobTracker分为ResouceManager和ApplicationMaster，ResouceManager专管整个集群的资源管理和调度，而ApplicationMaster则负责应用程序的任务调度和容错等
- YARN不再是一个单纯的计算框架，而是一个框架管理器，用户可以将各种各样的计算框架移植到YARN之上，由YARN进行统一管理和资源分配
- 对于资源的表示以内存和CPU为单位，比之前slot 更合理（slot是 Hadoop的资源单位，Hadoop利用slots来管理分配节点的资源。每个Job申请资源以slots为单位）hadoop中slot简介（map slot 和 reduce slot）
Yarn架构
YARN主要由ResouceManager、NodeManager、ApplicationMaster和Container等4个组件构成
ResourceManager ：
处理客户端请求
启动和监控ApplicationMaster
监控NodeManager
资源的分配与调度
NodeManager：
管理单个节点上的资源
处理来自ResourceManager的命令
处理来自ApplicationMaster的命令
ApplicationMaster：
为应用程序申请资源并分配给内部的任务
任务的监控与容错
Container：
对任务运行环境进行抽象，封装CPU、内存等资源
MapRuduce在Yarn中的工作机制
1）客户端向resourcemanager发送job请求，客户端产生Runjar进程与resourcemanager通过rpc通信
2）resourcemanager向客户端 回Job相关资源的提交路径以以及jobID
3）客户端将Job相关的资源提交到相应的共享文件系统的路径下（eg.HDFS）
4）客户端向resourcemanager提交job
5）resourcemanager通过调度器在nodemanager创建一个容器，并在容器中启用 MRAppMaster进程（该进程由resourcemanager启动）。
6）该MRAppMaster进程对作业进行初始化，创建多个对象对作业进行跟踪。
7）MRAppMaster从共享文件系统中获得计算到的输入分片（只获取分片信息，不需要jar等相关资源），为每一个分片创建一个map以及指定数量的reduce对象。之后 MRAppMaster决定如何运行构成mapreduce作业的各个任务，如果作业很小，则与 MRAppMaster在同一个JVM上运行
8）若作业很大，则MRAppMaster会为所有map任务和reduce任务向resourcemanager发起申请容器资源请求。请求中包含了map任务的数据本地化信息以及输入分片等信息。
9）Resourcemanager为任务分配了容器之后，MRAppMaster就通过与NodeManager通信启动容器，由MRAppMaster负责分配在那些nodemanager上运行map(即 YarnChild进程)和reduce任务。
10）运行map和reduce任务的nodemanager从系统中获取job相关资源，包括 jar文件，配置文件等。
11）运行map和reduce任条。
12）关于状态的检测与更新不经过resourcemanager：任务周期性的向MRAppMaster汇报状态及进度，客户端每秒钟通过查询一次MRAppMaster获取状态更新信息。
注意：http://dongxicheng.org/mapreduce-nextgen/yarnmrv2-resource-manager-resource-manager/
1.由于resourcemanager负责资源的分配，当NodeManager启动时，会向 ResourceManager注册，而注册信息中会包含该节点可分配的CPU和内存总量
2.YARN的资源分配过程是异步的，也就是说，资源调度器将资源分配给一个application后，不会立刻push给对应的ApplicaitonMaster，而是暂时放到一个缓冲区中，等待 ApplicationMaster通过周期性的RPC函数主动来取。
容错
RM：HA方案避免单点故障
AM：AM向RM周期性发送心跳，出故障后RM会启动新的AM，受最大失败次数限制
NM：周期性RM发送心跳，如果一定时间内没有发送，RM 就认为该NM 挂掉了，或者NM上运行的Task失败次数太多，就会把上面所有任务调度到其它NM上
Task：Task也可能运行挂掉，比如内存超出了或者磁盘挂掉了，NM会汇报AM，AM会把该Task调度到其它节点上，但受到重试次数的限制
资源调度和资源隔离机制
资源调度由ResourceManager完成，而资源隔离由各个NodeManager实现。
资源管理由ResourceManager和NodeManager共同完成，其中，ResourceManager中的调度器负责资源的分配，而NodeManager则负责资源的供给和隔离，ResourceManager将NodeManager上资源分配给任务后，NodeManager需按照要求为任务提供相应的资源，甚至保证这些资源应具有独占性，为任务运行提供基础的保证，这就是所谓的资源隔离。
Yarn中同时支持内存和CPU两种资源的调度（默认是支持内存的）
内存资源调度：
采用进程监控的方案，为每一个NodeManager启动一个监控线程监控每个container内存使用情况，一旦发现超过约定的资源量，则会将其杀死。
默认情况下，NodeManager不会对CPU资源进行任务隔离，你可以通过启用CGroup来支持CPU隔离。
CPU资源按照百分比进行使用和隔离。
