Yarn

Yarn 概述

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，类似于分布式的操作系统平台，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。

Yarn 基础架构

主要由：

ResourceManager：

1. 处理客户端请求
2. 监控 NodeManager
3. 启动或监控 ApplicationMaster
4. 资源的分配与调度

NodeManager：

1. 管理单个节点上的资源
2. 处理来自 ResourceManager 的命令
3. 处理来自 ApplicationMaster 的命令

ApplicationMaster：

1. 为应用程序申请资源并分配给内部的任务
2. 任务的监控与容错

Container :

container 是 Yarn 中的资源抽象，它封装了某个节点上的多个维度资源，如 内存，cpu，磁盘，网络等

等组件构成

Yarn 工作机制

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. 该程序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， 另两个 NodeManager 分
    别领取任务并创建容器。
12. MR 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 对数据分区排序。
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， MR 会向 RM 申请注销自己。

作业提交全过程

HDFS、 YARN、 MapReduce 三者关系

作业提交全过程

1. 作业提交

   1. Client 调用 job.waitForCompletion 方法，向整个集群提交 MapReduce 作业。
   2. Client 向 RM 申请一个作业 id。
   3. RM 给 Client 返回该 job 资源的提交路径和作业 id。
   4. Client 提交 jar 包、切片信息和配置文件到指定的资源提交路径。
   5. Client 提交完资源后，向 RM 申请运行 MrAppMaster。

2. 作业初始化

   6. 当 RM 收到 Client 的请求后，将该 job 添加到容量调度器中。
   7. 某一个空闲的 NM 领取到该 Job。
   8. 该 NM 创建 Container， 并产生 MRAppmaster。
   9. 下载 Client 提交的资源到本地。

3. 任务分配

   10. MrAppMaster 向 RM 申请运行多个 MapTask 任务资源。
   11. RM 将运行 MapTask 任务分配给另外两个 NodeManager， 另两个 NodeManager分别领取任务并创建容器。

4. 任务运行

   12. MR 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 对数据分区排序。
   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， MR 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

   除了向应用管理器请求作业进度外, 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。

Yarn 调度器和调度算法

Hadoop 作业调度器主要有三种： FIFO、 容量（Capacity Scheduler） 和公平（Fair Scheduler） 。 Apache Hadoop3.1.3 默认的资源调度器是 Capacity Scheduler。

先进先出调度器（FIFO）

FIFO 调度器（First In First Out） ：单队列，根据提交作业的先后顺序，先来先服务。

优点：简单易懂；
缺点：不支持多队列，生产环境很少使用；

容量调度器（Capacity Scheduler）

Capacity Scheduler 是 Yahoo 开发的多用户调度器。

特点：

1. 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。

2. 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

3. 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。

4. 多租户：

   支持多用户共享集群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。

容量调度器资源分配算法

1. 队列资源分配

   从root开始，使用深度优先算法， 优先选择资源占用率最低的队列分配资源。

2. 作业资源分配

   默认按照提交作业的优先级和提交时间顺序分配资源。

3. 容器资源分配

   按照容器的优先级分配资源；
   如果优先级相同，按照数据本地性原则：

   （ 1）任务和数据在同一节点

   （ 2）任务和数据在同一机架

   （ 3）任务和数据不在同一节点也不在同一机架

公平调度器（Fair Scheduler）

Fair Schedulere 是 Facebook 开发的多用户调度器。

公平调度器特点

1. 与容量调度器相同点

   多队列：支持多队列多作业

   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线

   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。

2. 与容量调度器不同点

   核心调度策略不同 ：

   容量调度器：优先选择资源利用率低的队列

   公平调度器：优先选择对资源的缺额比例大的

   每个队列可以单独设置资源分配方式：

   容量调度器： FIFO、 DRF

   公平调度器： FIFO、 FAIR、 DRF

公平调度器——缺额

公平调度器设计目标是：在时间尺度上，所有作业获得公平的资源。某一时刻一个作业应获资源和实际获取资源的差距叫“缺额”

调度器会优先为缺额大的作业分配资源

队列资源分配方式

FIFO策略

公平调度器每个队列资源分配策略如果选择FIFO的话， 此时公平调度器相当于上面讲过的容量调度器。

Fair策略

Fair 策略（默认） 是一种基于最大最小公平算法实现的资源多路复用方式， 默认情况下， 每个队列内部采用该方式分配资源。 这意味着， 如果一个队列中有两个应用程序同时运行， 则每个应用程序可得到1/2的资源；如果三个应用程序同时运行， 则每个应用程序可得到1/3的资源。

公平调度器具体资源分配流程和容量调度器一致；

1. 选择队列
2. 选择作业
3. 选择容器

以上三步， 每一步都是按照公平策略分配资源

实际最小资源份额： mindshare = Min（资源需求量（4）， 配置的最小资源（2））

是否饥饿： isNeedy = 资源使用量（1） < mindshare（实际最小资源份额（2））

资源分配比： minShareRatio = 资源使用量（1） / Max（mindshare（2）, 1）

资源使用权重比： useToWeightRatio = 资源使用量 / 权重

DRF策略
DRF（Dominant Resource Fairness） ， 我们之前说的资源， 都是单一标准， 例如只考虑内存（也是Yarn默认的情况） 。 但是很多时候我们资源有很多种， 例如内存， CPU， 网络带宽等， 这样我们很难衡量两个应用应该分配的资源比例。那么在YARN中， 我们用DRF来决定如何调度：
假设集群一共有100 CPU和10T 内存， 而应用A需要（2 CPU, 300GB） ， 应用B需要（6 CPU， 100GB） 。则两个应用分别需要A（2%CPU, 3%内存） 和B（6%CPU, 1%内存） 的资源， 这就意味着A是内存主导的, B是CPU主导的， 针对这种情况， 我们可以选择DRF策略对不同应用进行不同资源（CPU和内存） 的一个不同比例的限制。

例子：（公平调度器资源分配算法 ）

1）队列资源分配

集群总资源100，有三个队列，对资源的需求分别是：

queueA -> 20， queueB ->50， queueC -> 30

第一次算： 100 / 3 = 33.33

queueA：分33.33 → 多13.33

queueB：分33.33 → 少16.67

queueC： 分33.33 → 多3.33

第二次算： （ 13.33 + 3.33） / 1 = 16.66

queueA：分20

queueB：分33.33 + 16.66 = 50

queueC： 分30

2）作业资源分配

a） 不加权（ 关注点是Job的个数） ：

需求： 有一条队列总资源12个, 有4个job， 对资源的需求分别是:

job1->1, job2->2 , job3->6, job4->5

第一次算: 12 / 4 = 3

job1: 分3 –> 多2个

job2: 分3 –> 多1个

job3: 分3 –> 差3个

job4: 分3 –> 差2个

第二次算: 3 / 2 = 1.5

job1: 分1

job2: 分2

job3: 分3 –> 差3个 –> 分1.5 –> 最终: 4.5

job4: 分3 –> 差2个 –> 分1.5 –> 最终: 4.5

第n次算: 一直算到没有空闲资源

b）加权（关注点是Job的权重） ：

需求： 有一条队列总资源16， 有4个job

对资源的需求分别是:

job1->4 job2->2 job3->10 job4->4

每个job的权重为:

job1->5 job2->8 job3->1 job4->2

第一次算: 16 / (5+8+1+2) = 1

job1: 分5（权重） –> 多1

job2: 分8 –> 多6

job3: 分1 –> 少9

job4: 分2 –> 少2

第二次算: 7 / (1+2) = 7/3

job1: 分4

job2: 分2

job3: 分1 –> 分7/3（2.33） –>少6.67

job4: 分2 –> 分14/3(4.66) –>多2.66

第三次算:2.66/1=2.66

job1: 分4

job2: 分2

job3: 分1 –> 分2.66/1 –> 分2.66

job4: 分4

调度器选择

1. 在生产环境下怎么选择？

   大厂：如果对并发度要求比较高，选择公平，要求服务器性能必须OK；

   中小公司，集群服务器资源不太充裕选择容量。

2. 在生产环境怎么创建队列？

   调度器默认就1个default队列，不能满足生产要求。

   按照框架：hive /spark/ flink 每个框架的任务放入指定的队列（企业用的不是特别多）

   按照业务模块：登录注册、购物车、下单、业务部门1、业务部门2

3. 创建多队列的好处？

   因为担心员工不小心，写递归死循环代码，把所有资源全部耗尽。

   实现任务的降级使用，特殊时期保证重要的任务队列资源充足。

   业务部门1（重要）=》业务部门2（比较重要）=》下单（一般）=》购物车（一般）=》登录注册（次要）

Yarn 生产环境核心参数

ResourceManager相关

配置调度器， 默认容量 ：yarn.resourcemanager.scheduler.class

ResourceManager处理调度器请求的线程数量， 默认50：

arn.resourcemanager.scheduler.client.thread-count

NodeManager相关

是否让yarn自己检测硬件进行配置， 默认false：

yarn.nodemanager.resource.detect-hardware-capabilities

是否将虚拟核数当作CPU核数， 默认false：

yarn.nodemanager.resource.count-logical-processors-as-cores

虚拟核数和物理核数乘数， 例如： 4核8线程， 该
参数就应设为2， 默认1.0 ：

yarn.nodemanager.resource.pcores-vcores-multiplier

NodeManager使用内存， 默认8G：

yarn.nodemanager.resource.memory-mb

NodeManager 为系统保留多少内存以上二个参数配置一个即可：

yarn.nodemanager.resource.system-reserved-memory-mb

NodeManager使用CPU核数， 默认8个 ：

yarn.nodemanager.resource.cpu-vcores

是否开启物理内存检查限制container， 默认打开 ：

yarn.nodemanager.pmem-check-enabled

是否开启虚拟内存检查限制container， 默认打开：

yarn.nodemanager.vmem-check-enabled

虚拟内存物理内存比例， 默认2.1：

yarn.nodemanager.vmem-pmem-ratio

Container相关：

容器最最小内存， 默认1G：

yarn.scheduler.minimum-allocation-mb

容器最最大内存， 默认8G：

yarn.scheduler.maximum-allocation-mb

容器最小CPU核数， 默认1个 ：

yarn.scheduler.minimum-allocation-vcores

容器最大CPU核数， 默认4个：

yarn.scheduler.maximum-allocation-vcores

Hadoop 相关补充

基准测试

搭建完Hadoop集群后需要对HDFS读写性能和MR计算能力测试。测试jar包在hadoop的share文件夹下。

集群总吞吐量 = 带宽*集群节点个数/副本数

例如：100m/s * 10台/ 3= 333m/s

注意：如果测试数据在本地，那副本数-1。因为这个副本不占集群吞吐量。如果数据在集群外，向该集群上传，需要占用带宽。本公式就不用减1。

Hadoop宕机

1. 如果MR造成系统宕机。此时要控制Yarn同时运行的任务数，和每个任务申请的最大内存。调整参数：yarn.scheduler.maximum-allocation-mb（单个任务可申请的最多物理内存量，默认是8192MB）
2. 如果写入文件过快造成NameNode宕机。那么调高Kafka的存储大小，控制从Kafka到HDFS的写入速度。例如，可以调整Flume每批次拉取数据量的大小参数batchsize。

Hadoop解决数据倾斜方法

1. 提前在map进行combine，减少传输的数据量

   在Mapper加上combiner相当于提前进行reduce，即把一个Mapper中的相同key进行了聚合，减少shuffle过程中传输的数据量，以及Reducer端的计算量。

   如果导致数据倾斜的key大量分布在不同的mapper的时候，这种方法就不是很有效了。

2. 导致数据倾斜的key 大量分布在不同的mapper

   （1）局部聚合加全局聚合。

   第一次在map阶段对那些导致了数据倾斜的key 加上1到n的随机前缀，这样本来相同的key 也会被分到多个Reducer中进行局部聚合，数量就会大大降低。

   第二次mapreduce，去掉key的随机前缀，进行全局聚合。

   思想：二次mr，第一次将key随机散列到不同reducer进行处理达到负载均衡目的。第二次再根据去掉key的随机前缀，按原key进行reduce处理。

   这个方法进行两次mapreduce，性能稍差。

   （2）增加Reducer，提升并行度
   JobConf.setNumReduceTasks(int)

   （3）实现自定义分区

   根据数据分布情况，自定义散列函数，将key均匀分配到不同Reducer