第五章 Yarn资源调度器

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

1. MR程序提交到客户端所在的节点。
2. YarnRunner向ResourceManager申请一个Application。
3. RM将该应用程序的资源路径返回给YarnRunner。
4. YarnRunner将运行所需资源提交到HDFS上。
5. 程序资源提交完毕后，申请运行MRAppMaster。
6. RM将用户的请求初始化成一个Task。
7. 其中一个NodeManager领取到Task任务。
8. 该NodeManager创建容器Container，并产生MRAppMaster。
9. Container从HDFS上拷贝资源到本地。
10. MRAppMaster向RM 申请运行MapTask资源。
11. 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。
12. 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。
13. MrAppMaster等待所有MapTask运行完毕后，向RM申请容器，运行ReduceTask。
14. ReduceTask向MapTask获取相应分区的数据。
15. 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。