一、YARN 产生背景

1.1 MapReduce 1.0 系统架构

1.2 MapReduce 1.0架构缺陷

• 扩展性差
  • JobTracker 同时兼备了资源管理和作业控制两个功能，严重制约了 Hadoop 集群扩展性
• 资源利用率低
  • MRv1采用基于slot的粗粒度的资源分配模型，包含Map slot和Reduce slot。某个任务用不完的资源其他任务也不能用，因为map和reduce的资源完全不能共享的。当一个作业刚提交时，只会运行Map Task，此时Reduce Slot 闲置。
• 通用性差
  • 随着互联网高速发展导致数据量剧增，MapReduce这种基于磁盘的离线计算框架已经不能满足应用要求，从而出现了一些新的计算框架以应对各种场景，包括内存计算框架、流式计算框架和迭代式计算框架等，而MRv1不能支持多种计算框架并存。
• 单点故障
  • MRv1 采用了master/slave 结构，其中 master 存在单点故障问题，一旦它出现故障将导致整个集群不可用

二、YARN 是什么

• YARN 是Hadoop2.0版本新引入的资源管理系统，接从MR1演化而来。

• Apache Hadoop YARN (Yet Another Resource Negotiator，另一种资源协调者)是一种新的Hadoop 资源管理器，它是一个通用资源管理系统，可为上层应用提供统一的资源管理和调度,它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。

• 核心思想：将MR1中JobTracker的资源管理和作业调度两个功能分开，分别ResourceManager和ApplicationMaster进程来实现。

• ResourceManager负责整个集群的资源管理和调度。ApplicationMaster负责应用程序相关的事务，比如任务调度、任务监控和容错等

三、YARN 作用

四、YARN 架构

五、工作原理

六、MapReduce ON YARN 工作流程

七、YARN 的容错性

• ResourceManager的容错性保障ResourceManager存在单点故障，但是可以通过配置实现ResourceManager的HA(高可用)，当主节点出现故障时，可以切换到备用节点继续对外提供服务。
• NodeManager的容错性保障NodeManager失败之后，ResourceManager会将失败的任务通知对应的ApplicationMaster，由ApplicationMaster来决定如何去处理失败的任务。
• ApplicationMaster的容错性保障ApplicationMaster失败后，由ResourceManager负责重启即可。其中，ApplicationMaster需要处理内部任务的容错问题。ResourceManager会保存已经运行的任务，重启后无须重新运行。

八、YARN 的高可用

八、YARN 调度器

8.1 先进先出调度器

8.2 容量调度器

8.3 公平调度器