一、yarn 简介
Apache YARN (Yet Another Resource Negotiator) 是 hadoop 2.x 引入的分布式资源管理系统。主要用于解决 hadoop 1.x 架构中集群资源管理和数据计算耦合在一起，导致维护成本越来越高的问题。
yarn主要负责管理集群中的CPU和内存
用户可以将各种服务框架部署在 YARN 上，由 YARN 进行统一地管理和资源分配。
二、yarn架构
yarn架构中主要包括ResourceManager和NodeManager
- 在NodeManager组件内会产生Container容器
- MapReduce任务在运行期间产生的具体子任务会运行在Container容器中
1. ResourceManager
yarn集群的主节点，支持1个或2个，是整个集群资源的主要协调者和管理者。
ResourceManager 负责给用户提交的所有应用程序分配资源，它根据应用程序优先级、队列容量、ACLs、数据位置等信息，做出决策，然后以共享的、安全的、多租户的方式制定分配策略，调度集群资源。
2. NodeManager
yarn集群的从节点，支持1个或多个，主要负责当前节点的管理，监视资源和跟踪节点健康。具体如下：
- 启动时向 ResourceManager 注册并定时发送心跳消息，等待 ResourceManager 的指令
- 维护 Container 的生命周期，监控 Container 的资源使用情况
- 管理任务运行时的相关依赖，根据 ApplicationMaster 的需要，在启动 Container 之前将需要的程序及其依赖拷贝到本地
3. Container
对任务环境进行抽象，封装了CPU和内存、环境变量、启动命令等任务运行信息
YARN 会为每个子任务分配一个 Container，子任务只能使用该 Container 中描述的资源
4. ApplicationMaster
负责应用程序相关的事务，例如任务调度，任务监控等
在用户提交一个应用程序时，YARN 会启动一个轻量级的进程 ApplicationMaster。ApplicationMaster 负责协调来自 ResourceManager 的资源，并通过 NodeManager 监视容器内资源的使用情况，同时还负责任务的监控与容错。具体如下：
- 根据应用的运行状态来决定动态计算资源需求
- 向 ResourceManager 申请资源，监控申请的资源的使用情况
- 跟踪任务状态和进度，报告资源的使用情况和应用的进度信息
- 负责任务的容错
我理解比如在flink任务运行过程中，去机器上干掉一个tm，然后发现flink任务很快就恢复了，这个事情应该就是AM来做的
三、yarn工作原理简述
- Client 提交作业到 YARN 上
- Resource Manager 选择一个 Node Manager，启动一个 Container 并运行 Application Master 实例
- Application Master 根据实际需要向 Resource Manager 请求更多的 Container 资源（如果作业很小, 应用管理器会选择在其自己的 JVM 中运行任务）
- Application Master 通过获取到的 Container 资源执行分布式计算
四、YARN工作原理详述
1. MapReduce任务
以MapReduce任务为例说明yarn的工作原理
-
作业提交
client 调用 job.waitForCompletion 方法，向整个集群提交 MapReduce 作业 (第 1 步) 。新的作业 ID(应用 ID) 由资源管理器分配 (第 2 步)。作业的 client 核实作业的输出, 计算输入的 split, 将作业的资源 (包括 Jar 包，配置文件, split 信息) 拷贝给 HDFS(第 3 步)。 最后, 通过调用资源管理器的 submitApplication() 来提交作业 (第 4 步)。
-
作业初始化
当资源管理器收到 submitApplciation() 的请求时, 就将该请求发给调度器 (scheduler), 调度器分配 container, 然后资源管理器在该 container 内启动应用管理器进程, 由节点管理器监控 (第 5 步)。
MapReduce 作业的应用管理器是一个主类为 MRAppMaster 的 Java 应用，其通过创造一些 bookkeeping 对象来监控作业的进度, 得到任务的进度和完成报告 (第 6 步)。然后其通过分布式文件系统得到由客户端计算好的输入 split(第 7 步)，然后为每个输入 split 创建一个 map 任务, 根据 mapreduce.job.reduces 创建 reduce 任务对象。
-
任务分配
如果作业很小, 应用管理器会选择在其自己的 JVM 中运行任务。
如果不是小作业, 那么应用管理器向资源管理器请求 container 来运行所有的 map 和 reduce 任务 (第 8 步)。这些请求是通过心跳来传输的, 包括每个 map 任务的数据位置，比如存放输入 split 的主机名和机架 (rack)，调度器利用这些信息来调度任务，尽量将任务分配给存储数据的节点, 或者分配给和存放输入 split 的节点相同机架的节点。
-
任务运行
当一个任务由资源管理器的调度器分配给一个 container 后，应用管理器通过联系节点管理器来启动 container(第 9 步)。任务由一个主类为 YarnChild 的 Java 应用执行， 在运行任务之前首先本地化任务需要的资源，比如作业配置，JAR 文件, 以及分布式缓存的所有文件 (第 10 步。 最后, 运行 map 或 reduce 任务 (第 11 步)。
YarnChild 运行在一个专用的 JVM 中, 但是 YARN 不支持 JVM 重用。
-
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 mapreduce.client.progressmonitor.pollinterval 设置) 向应用管理器请求进度更新, 展示给用户。
-
作业完成
除了向应用管理器请求作业进度外, 客户端每 5 分钟都会通过调用 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， OutputCommiter 的作业清理方法也会被调用。作业的信息会被作业历史服务器存储以备之后用户核查。
2. Flink任务
以Flink任务为例说明yarn的工作原理
- 当启动一个新的Flink YARN Client会话时，客户端首先会检查所请求的资源（容器和内存）是否可用，之后，它会上传Flink配置和JAR文件到HDFS。
- 客户端的下一步是向ResourceManager请求一个YARN容器启动ApplicationMaster。JobManager和ApplicationMaster(AM)运行在同一个容器中，一旦它们成功地启动了，AM就能够知道JobManager的地址，它会为TaskManager生成一个新的Flink配置文件（这样它才能连上JobManager），该文件也同样会被上传到HDFS。另外，AM容器还提供了Flink的Web界面服务。Flink用来提供服务的端口是由用户和应用程序ID作为偏移配置的，这使得用户能够并行执行多个YARN会话。
- 之后，AM开始为Flink的TaskManager分配容器（Container），从HDFS下载JAR文件和修改过的配置文件，一旦这些步骤完成了，Flink就可以基于Yarn运行任务了。
五、YARN中的资源调度器
实际使用过程中，集群的资源是有限的，当集群资源被占到99%，但有一个紧急的任务需要立即执行时，我们只能杀死正在执行的任务，为新来的任务腾地方
为从源头解决这种问题，需要给yarn选择合适的资源调度器
yarn中一共支持三种资源调度器
-
FIFO schedular：先进先出调度器，所有任务被提交后都是需要排队的，当资源不够时，只能等前面的任务执行完毕释放了足够资源才能执行
-
Capacity schedular：容量调度器，FIFO的多队列版本，先把集群资源划分为队列，每个队列资源独立，每个队列中的任务还是以FIFO的方式执行
-
Fair schedular：公平调度器，支持多个队列，每个队列可以配置多个一定的资源，每个任务中的任务共享其所在队列的所有资源，假设往队列里提了一个任务，占用了整个资源，再提第二个任务时，第一个任务会释放一部分资源给第二个任务
实际工作中，Capacity schedular是应用最广泛的，同时也是yarn默认的资源调度器
