YARN（Yet Another Resource Negotiator）是 Hadoop 生态系统的核心资源调度框架，负责集群资源管理和任务调度

YARN 概述

YARN（Yet Another Resource Negotiator）是 Hadoop 生态系统的核心资源调度框架，负责集群资源管理和任务调度。它将资源管理与作业调度分离，提高了 Hadoop 的扩展性和灵活性，支持多计算框架（如 MapReduce、Spark、Flink）运行在同一集群上。

YARN 核心组件

ResourceManager (RM)

• 全局资源管理器，负责集群资源分配与调度。
• 包含两个子组件：
  • Scheduler：纯调度器，根据策略（如 FIFO、Capacity、Fair）分配资源。
  • ApplicationsManager：管理应用程序的生命周期（提交、启动、监控）。

NodeManager (NM)

• 每个节点上的代理，负责管理单个节点的资源（CPU、内存）和容器（Container）。
• 向 RM 汇报资源使用情况，并执行 RM 分配的容器任务。

ApplicationMaster (AM)

• 每个应用独有的组件，负责向 RM 申请资源，并与 NM 协作执行任务。
• 框架特定（如 MapReduce 的 MRAppMaster）。

Container

• 资源抽象单元，封装了节点的 CPU、内存等资源，供任务运行使用。

YARN 工作流程

1. 应用提交

   • 客户端提交应用至 RM，RM 启动对应的 AM。

2. 资源申请

   • AM 向 RM 注册，并通过心跳机制动态申请资源（Container）。

3. 任务分配

   • RM 的 Scheduler 分配资源，AM 与 NM 通信启动 Container 运行任务。

4. 监控与完成

   • AM 监控任务状态，任务完成后向 RM 注销并释放资源。

YARN 调度器类型

FIFO Scheduler

• 先进先出队列，简单但资源利用率低，不适合多租户场景。

Capacity Scheduler

• 分层队列划分，每个队列分配固定资源比例，支持多租户和资源隔离。

Fair Scheduler

• 动态平衡资源分配，根据需求动态调整队列资源，适合弹性负载。

YARN 配置与优化

关键配置参数

• yarn.scheduler.minimum-allocation-mb：单个容器最小内存（默认 1024MB）。
• yarn.scheduler.maximum-allocation-mb：单个容器最大内存（取决于节点资源）。
• yarn.nodemanager.resource.memory-mb：NM 管理的总可用内存。

优化建议

• 避免过量分配内存，防止频繁的 OOM 导致任务失败。
• 根据负载选择合适的调度器（如生产环境常用 Capacity Scheduler）。
• 启用资源隔离（如 Linux 的 Cgroups）避免资源冲突。

YARN 高可用性

• RM HA：通过 ZooKeeper 实现主备 RM 切换，避免单点故障。
• NM 恢复：NM 重启后重新注册，恢复正在运行的容器。

YARN 与生态集成

• Spark on YARN：通过--master yarn提交 Spark 作业，YARN 管理资源。
• Flink on YARN：支持 Session 模式和 Per-Job 模式部署。

通过合理配置和调度策略，YARN 能够高效支持大规模分布式计算任务。

YARN（Yet Another Resource Negotiator）是 Hadoop 2.0 引入的核心组件，旨在将资源管理与任务调度从 MapReduce 框架中解耦，从而支持更多类型的分布式计算模型。YARN 主要由以下几个关键组件构成：

1. ResourceManager（RM）：全局的资源调度器，负责整个集群的资源分配和管理。它运行在主节点上，包含两个主要子组件：

   • Scheduler（调度器）：根据容量、队列等限制条件（如内存、CPU 等）将资源分配给各个应用程序，但不负责监控或跟踪任务执行状态。
   • ApplicationsManager（ASM）：处理客户端提交的应用程序，启动 ApplicationMaster 并在失败时重启。

2. NodeManager（NM）：运行在每个从节点上的代理，负责单个节点的资源管理（如 CPU、内存、磁盘等），并定期向 ResourceManager 汇报资源使用情况。它还负责启动和监控容器（Container）。

3. ApplicationMaster（AM）：每个应用程序（如 MapReduce 作业、Spark 作业）都有一个对应的 ApplicationMaster，它负责与 ResourceManager 协商资源，并与 NodeManager 协作来启动和监控任务。

4. Container：YARN 中的资源抽象单位，封装了一定数量的资源（如 CPU 核心数、内存），用于运行任务或 ApplicationMaster。

YARN 的工作流程大致如下：

• 用户提交应用程序到 ResourceManager。
• ResourceManager 分配一个 Container 来启动该应用的 ApplicationMaster。
• ApplicationMaster 向 ResourceManager 申请更多 Container 来并行执行任务。
• ResourceManager 通过 Scheduler 分配资源，NodeManager 在各自的节点上启动 Container 执行任务。
• ApplicationMaster 监控任务执行，完成后再向 ResourceManager 注销并释放资源。

YARN 的优势包括：

• 支持多租户和多种计算框架（如 MapReduce、Spark、Flink、Hive on Tez 等）。
• 提高集群资源利用率。
• 实现更好的可扩展性和灵活性。

// 示例：YARN 客户端提交应用的基本逻辑（简化）publicclassYarnClientExample{publicstaticvoidmain(String[]args)throwsException{YarnClientyarnClient=YarnClient.createYarnClient();yarnClient.init(newConfiguration());yarnClient.start();// 创建应用YarnClientApplicationapp=yarnClient.createApplication();ApplicationSubmissionContextappContext=app.getApplicationSubmissionContext();// 设置应用名称、AM 信息、资源需求等appContext.setApplicationName("DemoApp");appContext.setAMContainerSpec(/* 启动AM的上下文 */);appContext.setResource(Resource.newInstance(1024,1));// 1GB 内存，1核// 提交应用yarnClient.submitApplication(appContext);}}