基于Yarn的MR任务运行过程中的资源管理

Yarn主要负责集群的资源管理,以便于在一个集群中运行多种计算框架的任务,比如MR,Spark,Flink等

Yarn主要包括两个组件:

  • ResourceManager:
    • 负责全局资源管理,简称RM
    • 包括Application Manager(AppManager,负责App master管理) 和 Resource Scheduler(调度器,负责资源调度)
    • 调度器分为容量调度器、公平调度器、队列调度器,具体区别不详
  • NodeManager
    • 负责单节点资源管理,简称NM

运行一个MapReduce任务,其资源管理过程如下:

1 Client向RM提交作业,申请jobID

2 RM的AppManager返回给Client一个唯一的ID,并且返回一个HDFS的临时路径,用于上传作业资源(jar包,配置文件等)

3 Client将作业资源(jar包,配置文件等)上传到RM(的AppManager)返回的临时HDFS路径

4 上传成功后,Client向RM(的AppManager)发送启动作业的请求

5 启动作业的请求有AppManager转发给调度器

6 调度器将任务放置到队列中,当该启动作业请求被执行时,则调度器让AppManager分配容器

7 承接上一步,AppManager通知NM开辟资源池,启动AppMaster(每个MR程序都对应一个AppMaster)

8 AppMaster接收HDFS临时目录的作业资源文件,然后根据切片信息,准备创建Map任务和Reduce任务

9 AppMaster向RM的调度器请求MR任务运行所需的资源

10 RM的调度器返回启动MR任务所在的NM信息

11 AppMaster分别和上一步返回的NM通信,通知起在自己的节点上分别启动Map任务和(或)Reduce任务

12 NM分别在自己所管辖的节点上开辟一个资源池(container),用于运行Map任务和(或)Reduce任务

13 Map 和 Reduce任务接收HDFS临时路径的资源信息,运行任务

13.1 任务运行过程中,如果Map/Reduce任务挂掉,则AppMaster会和RM调度器通信重新分配NM及对应的container资源池,重新运行任务

13.2 任务运行过程中,如果AppMaster进程挂掉,则RM的AppManager会重新分配NM去启动新的AppMaster

14 任务运行完成后,AppMaster发送请求给RM调度器,释放资源

参流程图如下:

基于Yarn的MR任务运行过程中的资源管理

 

上一篇:NOIP 模拟 $17\; \rm 时间机器$


下一篇:齐岳钹形|UFO形|花生形|碗形Janus PS聚合物微球