YARN调度原理详解

YARN（Yet Another Resource Negotiator）是 Hadoop 集群的资源管理和作业调度框架，它的设计旨在更好地管理和调度 Hadoop 集群中的资源。YARN 解决了传统 Hadoop MapReduce 中资源管理与作业调度紧耦合的问题，使得不同类型的计算任务可以在 Hadoop 集群上共存并高效地利用资源。

YARN 的架构和工作机制

YARN 的架构设计本质上是一个 资源分配和调度系统，它管理集群中的所有计算资源，并且为每个应用程序动态分配资源，同时保证容错性。YARN 主要由以下几个核心组件组成：

ResourceManager（资源管理器）
ResourceManager 是 YARN 中的全局资源调度器，是 YARN 的中央组件，它负责集群中所有节点的资源分配和管理。它的主要功能包括：
- 资源管理：负责全局资源的监控和分配，决定将资源分配给哪个应用程序。
- 作业调度：决定哪个任务可以使用哪些资源，并根据不同的调度算法（如 FIFO、Capacity Scheduler、Fair Scheduler）分配资源。
ResourceManager 中的两个重要子组件：
（1）Scheduler（调度器）：负责根据调度策略将资源分配给各个应用程序，但不负责监控应用程序的状态。
（2）ApplicationManager：负责接受来自客户端的作业请求，启动并监控应用程序 Master（ApplicationMaster）。

源代码解析
Scheduler 子系统：Scheduler 是 ResourceManager 中的一个子组件，用于资源分配和调度。YARN 中的 CapacityScheduler 和 FairScheduler 都继承了 YarnScheduler 接口，实现了具体的调度逻辑。
```
public abstract class YarnScheduler {// 根据请求的资源 (ResourceRequest) 分配资源public abstract Allocation allocate(ApplicationAttemptId applicationAttemptId,List<ResourceRequest> ask, List<ContainerId> release,List<String> blacklistAdditions, List<String> blacklistRemovals);
}
```
NodeManager（节点管理器）
NodeManager 是 YARN 中的工作节点管理组件，是运行在每个集群节点上的本地资源监控器。它的职责是：
（1）资源报告：定期向 ResourceManager 汇报节点的资源使用情况和可用资源。
（2）容器管理：NodeManager 负责启动和监控该节点上的容器（Container），并报告容器的状态（包括运行的任务）。
（3）任务执行：当收到 ResourceManager 的指示后，NodeManager 负责启动一个容器来执行指定任务。

源代码解析
```
public class NodeManager extends CompositeService {// 启动 NodeStatusUpdater 线程protected void serviceStart() throws Exception {super.serviceStart();this.nodeStatusUpdater = createNodeStatusUpdater(context, dispatcher, metrics);this.nodeStatusUpdater.init(getConfig());this.nodeStatusUpdater.start();}
}
```
ApplicationMaster
ApplicationMaster 是为每个应用程序专门启动的组件，它是应用程序的控制中心。它的主要任务包括：
（1）协调资源：与 ResourceManager 通信，申请资源以运行作业中的各个任务。
（2）任务调度与监控：将获得的资源分配给应用中的不同任务，并监控任务的执行状态。
（3）故障恢复：在任务失败时，ApplicationMaster 负责重试或调度新的任务实例。

源代码解析
```
public class ApplicationMaster {// 向 ResourceManager 请求资源AllocateResponse allocate(List<ResourceRequest> resourceRequests, List<ContainerId> releaseContainers) {AllocateRequest allocateRequest = AllocateRequest.newInstance(this.responseId, progress, resourceRequests, releaseContainers, null);AllocateResponse response = resourceManager.allocate(allocateRequest);return response;}
}
```
Container（容器）
容器是 YARN 分配给应用程序的一定量的资源单元。它包括了 CPU、内存、磁盘和网络等资源。一个任务将在容器内运行。NodeManager 负责启动和管理这些容器。

YARN 工作流程

当用户提交一个作业时，YARN 的工作流程如下：

作业提交：
（1）客户端向 ResourceManager 提交应用程序。
（2）ResourceManager 会生成一个 ApplicationID，并在某个 NodeManager 上启动一个 ApplicationMaster 的容器负责调度作业中的任务。
```
ApplicationId appId = appSubmissionContext.getApplicationId();
resourceManager.submitApplication(appSubmissionContext);
```
资源请求：
ApplicationMaster 启动后，会向 ResourceManager 请求资源（通常是多个容器）来执行应用程序的任务。
资源分配：
（1）ResourceManager 根据当前的资源状况和调度策略（FIFO、容量调度、公平调度等）为 ApplicationMaster 分配资源。
（2）ResourceManager 将分配好的资源信息发送给 ApplicationMaster。
```
AllocateResponse response = scheduler.allocate(applicationAttemptId, ask, release, blacklistAdditions, blacklistRemovals);
```
任务执行：
- ApplicationMaster 根据分配到的资源，向 NodeManager 发送启动容器的请求。
- NodeManager 启动容器后，ApplicationMaster 会调度任务在这些容器中运行。
监控与处理失败：
- ApplicationMaster 监控任务的执行进度。如果某个任务执行失败，它可以重新申请资源并重试该任务。
- NodeManager 也会监控容器的运行状态，并报告给 ApplicationMaster 和 ResourceManager。
任务完成：
- 当所有任务执行完毕后，ApplicationMaster 会向 ResourceManager 汇报应用程序的完成情况。
- ResourceManager 释放该应用程序的所有资源，ApplicationMaster 也会终止。

YARN 的优势

资源分离：YARN 将资源管理和作业调度分离，使得 Hadoop 不仅能运行 MapReduce，还可以运行其他分布式计算框架（如 Spark、Tez、Flink）。
弹性与可扩展性：YARN 允许多种类型的应用程序并发执行，支持集群资源的动态管理，能够根据需要扩展作业或收缩资源。
容错性：ApplicationMaster 和 NodeManager 都具备一定的容错能力，能够在某些任务失败时自动重试。

YARN 调度器类型

YARN 提供了几种不同的调度器来满足不同集群环境的需求：

FIFO Scheduler：最简单的调度器，按任务提交的顺序调度，适合简单的集群环境。
Capacity Scheduler：将资源按容量划分给不同的队列，每个队列拥有一定的资源容量，按队列的形式分配资源，每个队列有固定的容量限制，适用于多租户集群。每个队列可以再按需分配资源，适用于多租户场景。

源码中，CapacityScheduler 会根据队列的容量、优先级等规则来分配资源。
Fair Scheduler：公平调度，根据公平性原则分配资源，将集群资源平均分配给所有作业，确保所有作业公平共享资源。调度器的核心逻辑是基于 YarnScheduler 接口实现的。不同调度器继承该接口，实现自己的调度算法。

调度器的源码：

public abstract class YarnScheduler {// 获取容器分配给作业public abstract Allocation allocate(ApplicationAttemptId applicationAttemptId,List<ResourceRequest> ask, List<ContainerId> release,List<String> blacklistAdditions, List<String> blacklistRemovals);
}

在 CapacityScheduler 中，资源分配的逻辑是基于每个队列的容量、应用程序的优先级以及当前可用资源情况来决定的。

容错机制

ApplicationMaster 容错：如果 ApplicationMaster 进程失败，ResourceManager 会检测到，并重新启动一个新的 ApplicationMaster，继承先前的工作状态，继续调度剩余的任务。
NodeManager 容错：如果某个 NodeManager 挂掉，ResourceManager 会重新分配该 NodeManager 上的任务到其他健康的节点，保证作业能够继续执行。