当前位置:网站首页>第五章 Yarn资源调度器
第五章 Yarn资源调度器
2022-07-06 09:29:00 【留不住斜阳】
Yarn是一个资源调度平台,为运算程序提供服务器运算资源,相当于一个分布式的操作系统,而MapReduce等运算程序则相当于运行于操作系统之上的应用程序。
5.1 Yarn基本架构
YARN主要由ResourceManager、NodeManager、ApplicationMaster和Container等组件构成,如图所示。
5.2 Yarn工作机制
工作机制详解
- MR程序提交到客户端所在的节点。
- YarnRunner向ResourceManager申请一个Application。
- RM将该应用程序的资源路径返回给YarnRunner。
- YarnRunner将运行所需资源提交到HDFS上。
- 程序资源提交完毕后,申请运行MRAppMaster。
- RM将用户的请求初始化成一个Task。
- 其中一个NodeManager领取到Task任务。
- 该NodeManager创建容器Container,并产生MRAppMaster。
- Container从HDFS上拷贝资源到本地。
- MRAppMaster向RM 申请运行MapTask资源。
- RM将运行MapTask任务分配给另外两个NodeManager,两个NodeManager分别领取任务并创建容器。
- MRAppMaster向两个接收到任务的NodeManager发送程序启动脚本,这两个NodeManager分别启动MapTask。
- MrAppMaster等待所有MapTask运行完毕后,向RM申请容器,运行ReduceTask。
- ReduceTask向MapTask获取相应分区的数据。
- 程序运行完毕后,MRAppMaster会向RM申请注销自己。
5.3 作业提交全过程
(1) 作业提交
第1步:Client调用job.waitForCompletion方法,向整个集群提交MapReduce作业。
第2步:Client向RM申请一个作业id。
第3步:RM给Client返回该job的资源提交路径和作业id。
第4步:Client提交jar包、切片信息和配置文件到指定的资源提交路径。
第5步:Client提交完资源后,向RM申请运行MRAppMaster。
(2) 作业初始化
第6步:当RM收到Client的请求后,将该job添加到任务调度器中。
第7步:某一个空闲的NM领取到该Job。
第8步:该NM创建Container,并产生MRAppMaster。
第9步:MRAppMaster下载Client提交的资源到本地。
(3) 任务分配
第10步:MRAppMaster向RM申请运行多个MapTask任务资源。
第11步:RM将MapTask任务分配给另外两个NodeManager,另NodeManager分别领取任务并创建容器。
(4) 任务运行
第12步:MRAppMaster向两个接收到任务的NodeManager发送程序启动脚本,这两个NodeManager分别启动MapTask,MapTask对数据进行处理。
第13步:MrAppMaster等待所有MapTask运行完毕后,向RM申请容器,运行ReduceTask。
第14步:ReduceTask向MapTask获取相应分区的数据。
第15步:程序运行完毕后,MRAppMaster会向RM申请注销自己。
(5) 进度和状态更新
YARN中的任务将其进度和状态(包括counter)返回给应用管理器, 客户端每秒(通过mapreduce.client.progressmonitor.pollinterval设置)向应用管理器请求进度更新,展示给用户。
(6) 作业完成
除了向ResourceManager请求作业进度外, 客户端每5秒都会通过调用waitForCompletion()来检查作业是否完成。时间间隔可以通过mapreduce.client.completion.pollinterval来设置。作业完成之后, 应用管理器和Container会清理工作状态。作业的信息会被作业历史服务器存储以备之后用户核查。
5.4 资源调度器
目前,Hadoop作业调度器主要有三种:FIFO、Capacity Scheduler和Fair Scheduler。Hadoop2.7.2默认的资源调度器是Capacity Scheduler。
具体设置详见yarn-default.xml文件
<property>
<description>The class to use as the resource scheduler.</description>
<name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>
1.先进先出调度器(FIFO)
2.容量调度器(Capacity Scheduler)
图中queueA分配最多20%资源,queueB分配50%,queueC分配30%。其中queueC,配置租户ss、cls。
- 多队列:每个队列可配置一定的资源量,每个队列采用FIFO调度策略。
- 容量保证:管理员可为每个队列设置资源最低保证和资源使用上限(如图中queueA分配20%资源上限)
- 灵活性:如果一个队列中的资源有剩余,可以暂时共享给那些需要资源的队列,而一旦该队列有新的应用程序提交,则其他队列借调的资源会归还给该队列。
- 多租户:支持多用户共享集群(如图中queueC,配置租户ss、cls)和多应用程序同时运行;为了防止同一个用户的作业独占队列中的资源,该调度器会对同一用户提交的作业所占资源量进行限定。
3.公平调度器(Fair Scheduler)
5.5 任务的推测执行
1.作业完成时间取决于最慢的任务完成时间
一个作业由若干个Map任务和Reduce任务构成。因硬件老化、软件Bug等,某些任务可能运行非常慢。
思考:系统中有99%的Map任务都完成了,只有少数几个Map老是进度很慢,完不成,怎么办?
2.推测执行机制
发现拖后腿的任务,比如某个任务运行速度远慢于任务平均速度。为拖后腿任务启动一个备份任务,同时运行。谁先运行完,则采用谁的结果。
3.执行推测任务的前提条件
(1)每个Task只能有一个备份任务
(2)当前Job已完成的Task必须不小于0.05(5%)
(3)开启推测执行参数。mapred-site.xml文件中默认是打开的。
<property>
<name>mapreduce.map.speculative</name>
<value>true</value>
<description>If true, then multiple instances of some map tasks may be executed in parallel.</description>
</property>
<property>
<name>mapreduce.reduce.speculative</name>
<value>true</value>
<description>If true, then multiple instances of some reduce tasks may be executed in parallel.</description>
</property>
4.不能启用推测执行机制情况
(1) 任务间存在严重的负载倾斜;
(2) 特殊任务,比如任务向数据库中写数据。
5.算法原理
假设某一时刻,任务T的执行进度为progress,则可通过一定的算法推测出该任务的最终完成时刻(estimateEndTime)。另一方面,如果此刻为该任务启动一个备份任务,则可推断出它可能的完成时刻estimateEndTime’
estimatedRunTime=(currentTimestamp-taskStartTime)/progress
推测运行时间=(当前时间-任务启动时间)/任务进度
estimateEndTime=taskStartTime+estimatedRunTime
推测结束时间=任务启动时间+推测运行时间
estimateEndTime'=currentTimestamp+averageRunTime
推测备份任务结束时间=当前时间+完成任务平均时间
(1) MR总是选择(estimateEndTime-estimateEndTime’)差值最大的任务,并为之启动备份任务;
(2) 为了防止大量任务同时启动备份任务造成的资源浪费,MR为每个作业设置了同时启动的备份任务数目上限;
(3) 推测执行机制实际上采用了经典的优化算法:以空间换时间,它同时启动多个相同任务处理相同的数据,并让这些任务竞争以缩短数据处理时间。显然,这种方法需要占用更多的计算资源。在集群资源紧缺的情况下,应合理使用该机制,争取在多用少量资源的情况下,减少作业的计算时间。
边栏推荐
- Problem - 922D、Robot Vacuum Cleaner - Codeforces
- QT simulates mouse events and realizes clicking, double clicking, moving and dragging
- Codeforces round 797 (Div. 3) no f
- Kubernetes cluster deployment
- Click QT button to switch qlineedit focus (including code)
- Codeforces Round #798 (Div. 2)A~D
- Double specific tyrosine phosphorylation regulated kinase 1A Industry Research Report - market status analysis and development prospect prediction
- Problem - 1646C. Factorials and Powers of Two - Codeforces
- Radar equipment (greedy)
- 顺丰科技智慧物流校园技术挑战赛(无t4)
猜你喜欢
QT有关QCobobox控件的样式设置(圆角、下拉框,向上展开、可编辑、内部布局等)
628. Maximum product of three numbers
“鬼鬼祟祟的”新小行星将在本周安全掠过地球:如何观看
antd upload beforeUpload中禁止触发onchange
Problem - 922D、Robot Vacuum Cleaner - Codeforces
2027. Minimum number of operations to convert strings
(POJ - 3579) median (two points)
(lightoj - 1369) answering queries (thinking)
Pull branch failed, fatal: 'origin/xxx' is not a commit and a branch 'xxx' cannot be created from it
Codeforces Round #797 (Div. 3)无F
随机推荐
Investigation report of bench type Brinell hardness tester industry - market status analysis and development prospect prediction
(lightoj - 1370) Bi shoe and phi shoe (Euler function tabulation)
Specify the format time, and fill in zero before the month and days
Remove the border when input is focused
Advancedinstaller安装包自定义操作打开文件
Acwing: Game 58 of the week
(lightoj - 1369) answering queries (thinking)
生成随机密码/验证码
图图的学习笔记-进程
2027. Minimum number of operations to convert strings
Educational Codeforces Round 130 (Rated for Div. 2)A~C
本地可视化工具连接阿里云centOS服务器的redis
解决Intel12代酷睿CPU单线程只给小核运行的问题
Research Report of desktop clinical chemical analyzer industry - market status analysis and development prospect prediction
Raspberry pie 4B installation opencv3.4.0
Share an example of running dash application in raspberry pie.
Codeforces Round #800 (Div. 2)AC
Local visualization tools are connected to redis of Alibaba cloud CentOS server
Oneforall installation and use
第 300 场周赛 - 力扣(LeetCode)