YARN架构解析：大数据资源管理核心

一、YARN的设计目标​​

1. ​​解耦资源管理与作业调度​​：将资源管理（Resource Management）和任务执行（Task Execution）分离，提升集群资源利用率。
2. ​​支持多种计算框架​​：不再局限于MapReduce，可运行Spark、Flink、Tez等分布式应用。
3. ​​高扩展性​​：支持数千节点和数万并发任务的超大规模集群。
4. ​​高容错性​​：自动处理节点故障和任务失败，保障作业可靠性。

---

​​二、YARN的核心组件​​

YARN采用​​主从架构（Master-Slave）​​，包含以下核心组件：

1. ​​ResourceManager（RM）​​

• ​​角色​​：全局资源管理和调度器，负责协调集群资源分配。
• ​​主要功能​​：
  • 接收客户端提交的作业请求。
  • 监控NodeManager（NM）状态和资源使用情况。
  • 通过调度器（Scheduler）分配资源（如CPU、内存）给应用程序。
• ​​高可用（HA）​​：通过主备RM和ZooKeeper实现故障切换。

2. ​​NodeManager（NM）​​

• ​​角色​​：单个节点上的资源代理，负责管理本节点的资源。
• ​​主要功能​​：
  • 向RM汇报节点资源状态（如可用CPU、内存）。
  • 启动和监控Container（资源容器）。
  • 清理Container占用的资源（如任务完成后释放内存）。

3. ​​ApplicationMaster（AM）​​

• ​​角色​​：每个应用程序（如MapReduce作业、Spark作业）的专属协调者。
• ​​主要功能​​：
  • 向RM申请资源（Container）。
  • 与NM通信启动或停止Container。
  • 监控任务执行状态并处理失败任务。

4. ​​Container​​

• ​​定义​​：YARN的资源抽象单位，封装了CPU、内存、磁盘、网络等资源。
• ​​特点​​：
  • 每个任务（如Map任务、Reduce任务）运行在一个Container中。
  • 资源分配可动态调整（需框架支持）。

---

​​三、YARN的工作流程​​

以下是一个作业（如MapReduce）在YARN上的执行流程：

1. ​​作业提交​​

   • 客户端将作业（包含JAR包、配置等）提交到ResourceManager。

2. ​​启动ApplicationMaster​​

   • RM为作业分配第一个Container，并在该Container中启动ApplicationMaster（AM）。

3. ​​资源申请​​

   • AM向RM申请运行任务所需的资源（Container列表）。

4. ​​资源分配​​

   • RM根据调度策略（如Capacity Scheduler）分配资源，返回可用的Container列表。

5. ​​任务执行​​

   • AM与NM通信，在分配的Container中启动任务（如Map任务）。
   • AM监控任务状态，失败时重新申请资源。

6. ​​作业完成​​

   • 所有任务完成后，AM向RM注销并释放资源。

---

​​四、YARN的调度器（Scheduler）​​

YARN支持多种调度策略，用户可根据需求配置：

1. ​​FIFO Scheduler​​

• ​​特点​​：按作业提交顺序分配资源，简单但资源利用率低。
• ​​适用场景​​：小型集群或测试环境。

2. ​​Capacity Scheduler​​

• ​​特点​​：将集群划分为多个队列，每个队列有固定资源配额，队列内使用FIFO。
• ​​优势​​：资源隔离性好，适合多租户共享集群。
• ​​典型使用​​：Hadoop默认调度器。

3. ​​Fair Scheduler​​

• ​​特点​​：动态平衡资源分配，确保所有作业公平共享资源。
• ​​优势​​：适合短期交互式作业（如Spark SQL查询）。

---

​​五、YARN的核心特性​​

1. ​​多租户支持​​：不同用户或团队共享集群资源，互不干扰。
2. ​​弹性资源分配​​：Container资源可动态调整（需框架支持）。
3. ​​高容错性​​：
   • ApplicationMaster失败后，RM会重启AM并恢复任务。
   • NodeManager故障时，RM将该节点标记为不可用，任务在其他节点重新调度。
4. ​​资源隔离​​：通过Linux容器（Cgroups）或Docker实现CPU和内存隔离。

---

​​六、YARN的配置与优化​​

1. ​​关键配置参数​​

• ​​ResourceManager​​：

  <property><name>yarn.scheduler.minimum-allocation-mb</name><value>1024</value>  <!-- 单个Container最小内存 -->
  </property>
  <property><name>yarn.scheduler.maximum-allocation-mb</name><value>8192</value>  <!-- 单个Container最大内存 -->
  </property>

• ​​NodeManager​​：

  <property><name>yarn.nodemanager.resource.memory-mb</name><value>16384</value>  <!-- 节点总可用内存 -->
  </property>
  <property><name>yarn.nodemanager.resource.cpu-vcores</name><value>8</value>       <!-- 节点总可用CPU核数 -->
  </property>

2. ​​优化建议​​

• ​​避免资源碎片​​：合理设置Container的最小/最大资源。
• ​​启用资源隔离​​：使用Cgroups或Docker限制资源使用。
• ​​监控工具​​：通过YARN Web UI或工具（如Cloudera Manager、Ambari）监控资源利用率。

---

​​七、YARN的适用场景​​

1. ​​多计算框架混部​​：同时运行MapReduce、Spark、Flink等作业。
2. ​​长期服务​​：支持长时间运行的服务（如Apache HBase on YARN）。
3. ​​批处理与交互式查询​​：适合ETL任务和即席查询（通过资源动态分配）。

---

​​八、YARN与MapReducev1的对比​​

​​特性​​	​​MapReducev1（旧版）​​	​​YARN（Hadoop 2.0+）​​
资源管理	由JobTracker集中管理资源与作业	资源管理与作业调度分离
扩展性	最多支持4000节点	支持数万节点
多计算框架支持	仅支持MapReduce	支持Spark、Flink等多种框架
容错性	JobTracker单点故障	ResourceManager支持HA

---

​​九、YARN常用命令​​

# 提交作业到YARN
yarn jar hadoop-mapreduce-examples.jar wordcount /input /output# 查看运行中的作业列表
yarn application -list# 终止作业
yarn application -kill <application_id># 查看节点状态
yarn node -list# 查看队列资源使用情况
yarn queue -status <queue_name>

---

​​十、YARN的优缺点​​

​​优点​​	​​缺点​​
支持多种计算框架，生态丰富	配置复杂，需根据业务调整调度策略
资源利用率高，适合共享集群	默认资源隔离较弱（需依赖Cgroups/Docker）
高扩展性和容错性	对超低延迟任务支持有限（更适合批处理）

---

通过YARN，Hadoop从单一的批处理平台转变为通用的分布式计算资源管理平台，成为大数据生态系统的核心基石。理解YARN的架构和工作原理，是优化集群性能和运行复杂任务的关键。