论文部分内容阅读
摘要:Apache Hadoop YARN是一种新的通用的Hadoop资源管理器,是在Mapreduce1的基础上发展起来的,该引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。为此,文章在分析了Hadoop YARN计算框架的基本结构和工作流程,重点研究了Hadoop YARN中的多资源分配机制,尤其是主资源公平调度算法(Dominant Resource Fairness,DRF)在YARN中的应用。
关键词:Hadoop;YARN;资源调度器;资源分配算法;DRF
中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2016)05-0173-03
1 YARN的基本结构及工作流程
1.1 YARN 基本架构
YARN是Hadoop 2.0中的资源管理系统,它是在MapReduce的基础上发展起来的,与MapReduce不同的是,MapReduce有一个全局的管理器JobTracker,而YARN将JobTracker的功能拆分开来,成为了两个独立的管理器ResourceManager和 ApplicationMaster。ResourceManager负责全局的资源管理, ResourceManager负责单个应用程序的管理。
1.2 YARN基本组成结构
和MRv1一样,YARN也是Master/Slave结构,不过在YARN中有一个ResourceManager作为Master负责对各个Slave(NodeManager)上的资源进行统一的管理和调度。用户提交的应用程序需要提供一个ApplicationMaster跟踪和管理这个程序,它将向ResourceManager申请资源,之后会启动NodeManager任务。本小节我们将介绍YARN的基本组成结构。
1.2.1 ResourceManager(RM)
ResourceManager作为Hadoop全局的资源管理器,主要是负责YARN的资源管理和分配。它由两个组件构成:调度器(Scheduler)和应用程序管理器(Applications Manager,ASM)。
1)调度器
调度器和MRv1的一样,可以根据多种限制条件(如容量、队列等),将资源分配给系统中各个正在运行的应用程序。该调度器不从事任何与具体应用程序相关的工作(如监控或者跟踪应用的执行状态、重新启动因应用执行失败或者硬件故障而产生的失败任务),这些都由应用程序相关的ApplicationMaster完成。当应用程序需求资源时,调度器会将资源分配单位被抽象成一个“资源容器”(Resource Container,简称Container)分配出去。此外,调度器是可插拔的,同时用户只要实现了Hadoop提供的接口就可以实现自己的调度器。YARN也实现了多种直接可调用的调度器,比如公平调度器(Fair Scheduler)[1]和计算能力调度器(Capacity Scheduler)[2]等。
2)应用程序管理器(Applications Manager,ASM)
Applications Manager是一个管理整个系统中所有应用程序的管理器,主要功能包括提交应用程序、与调度器协商资源以启动ApplicationMaster、监控ApplicationMaster等。
1.2.2 ApplicationMaster(AM)
用户提交的每个应用程序均包含1个ApplicationMaster,主要负责:1)与ResourceManager调度器协商以获取资源(用Container表示),2)将任务分配给内部的任务,3)启动/停止任务、监控所有任务运行状态,若任务失败则重启任务。
1.2.3 NodeManager(NM)
NodeManager是每个节点上的资源和任务管理器,主要负责:1)定时地通过心跳的方式向ResourceManager汇报本节点上的资源使用情况和各个Container的运行状态;2)它接收并处理来自ApplicationMaster的Container启动/停止等各种请求。
1.2.4 Container
YARN中对资源抽象是用Container表示的,包括内存、CPU、磁盘、网络等多维度的资源都进行了封装,当ApplicationMaster向ResourceManager申请资源时,ResourceManager为ApplicationMaster返回的资源便是用 Container表示的。每个任务都会被分配一个Container,且该任务只能使用该Container中的资源,与MRv1中的slot不同的是,Container是一个动态资源划分单位,可以根据应用程序的需求动态生成的。目前YARN采用了DRF算法支持多维度的调度,不过目前仅支持CPU和内存两种资源,同时使用轻量级资源隔离机制进行资源隔离。
1.3 YARN工作流程
当用户向YARN中提交一个应用程序后,YARN将分两个阶段运行该应用程序:
阶段1:启动ApplicationMaster;
阶段2: ApplicationMaster创建应用程序,为应用程序申请资源,在程序运行完成前都监控它的整个运行过程。
步骤1 首先需要用户向YARN中提交应用程序,这个其中包括了ApplicationMaster程序、ApplicationMaster的启动命令、用户程序等。
步骤2 ResourceManager为该应用程序分配第一个Container,并与对应的NodeManager通信,要求它在这个Container中启动应用程序的ApplicationMaster。 步骤3 ApplicationMaster启动后,先要向ResourceManager注册,注册成功后用户可以直接通过ResourceManager查看应用程序的运行状态,然后ResourceManager将为各个任务申请资源,并监控它的运行状态,直到运行结束,即重复步骤4~7。
步骤4 在RPC协议的基础上,ApplicationMaster采用轮询的方式向ResourceManager申请和领取资源。
步骤5 ApplicationMaster申请到资源后,便与对应的NodeManager通信,要求它启动任务。
步骤6 NodeManager为任务设置好运行环境(包括环境变量、JAR包、二进制程序等)后,将任务启动命令写到一个脚本中,并通过运行该脚本启动任务。
步骤7 各个任务通过RPC协议向ApplicationMaster汇报自己的状态和进度,这样ApplicationMaster就可以随时掌握各个任务的运行状态,当任务失败时可以重新启动任务。在应用程序运行过程中,用户也可随时通过RPC向ApplicationMaster查询应用程序的当前运行状态。
步骤8 应用程序运行完成后,ApplicationMaster向ResourceManager注销并关闭自己[3]。
2 YARN的资源分配算法
资源调度机制是YARN资源调度器的核心。YARN资源调度器采用了多种调度机制,主要包括:双层资源调度机制、层级队列管理机制、资源保证和资源抢占机制。其中双层资源调度机制是其核心,是YARN进行资源分配的总体架构;层级队列管理机制是YARN对上层资源分配队列的管理方式;资源保证和资源抢占机制是YARN保证任务资源需求的机制[4]。在为了支持多维度的资源调度,YARN的资源调度器采用了主资源公平调度算法(Dominant Resource Fairness ,DRF)。该算法扩展了最大最小公平算法(max-min fairness),使其能够支持多维资源的调度。
2.1 最大最小公平策略(max-min fairness)介绍
在共享的计算机系统中,资源分配是一个重要的组成部分。最通用的分配策略是最大最小公平策略(max-min fairness),这种策略会最大化系统中一个用户收到的最小分配,在不考虑权重的情况下,这种策略每一轮会给予每个用户一份均等的资源。一般意义的max-min fairness是包含权重的,每一轮用户可以获得与它的权重对应的资源比例。加权max-min fairness的更具有一般性并且能提供性能隔离的能力。加权max-min fairness模型也可以支撑许多其他资源分配策略,包括优先级、deadline based allocation等。鉴于这些特征,max-min fairness已经被很多算法实现,如round-robin、proportional resource sharing、weighted fair queueing[5]。在不同的场景中,这些算法都被大量的实现,比如链路带宽、CPU、内存、存储等。虽然该策略已经被多方面应用,但目前为止主要还是集中在单资源类型的场景下。
实际上,由于一般意义上的max-min fairness是加权的,所以假设有A,B,C,D四个用户,权值分别为x,y, z,f。需求分别为a,b,c,d。总资源为e。我们可以多轮的分配资源。每一轮给用户分别分配e*j/(x y z f)单位的资源(j代表用户相应权值)。若用户这一轮已经超出需求,则下一轮不分配,并且多出的资源留给下一轮作为总资源的一部分。这样直到所有资源分配完毕。
2.2 DRF算法
DRF是一种通用的多资源的max-min fairness分配策略。在DRF算法中,所需份额最大的资源叫做主资源,然后将max-min fairness应用在主资源上,这样多维度的资源调度就变为了单一资源的调度的问题,因为随着调度的进行,每个资源的份额都在变化,选择的主资源也在变化。举个例子,有两个用户A、B,A是计算密集型的,B是I/O密集型的,DRF在分配资源的时候会尽量的使得用户A的CPU资源份额和用户B的I/O资源份额比较均衡。
2.3 DRF计算方式
假设有两个用户,用户A、B,系统的CPU和内存分别为9、18GB.用户A每次都请求(1CPU,4GB)资源;用户B每次都请求(3CPU,4GB)资源。在这种情况下,如何均衡的分配资源?
在这个例子中,由于用户A的CPU占总CPU 1/9,RAM占总RAM的 2/9,而用户B的CPU占1/3,RAM占2/9,所以A的主资源为内存,B的主资源为CPU。基于这点,DRF会最大化A的内存的最小化分配,并会最大化B的CPU的最小分配。这就是DRF的分配策略。
3 结束语
在Hadoop中,YARN是其核心部分,而在YARN架构中,资源调度又是重中之重。现今YARN架构中实现的多资源调度是基于DRF算法的,充分的研究DRF的原理和在YARN实现,有助于我们部署平台和性能优化,还有助于我们发现其不足,为今后的多资源调度研究打下坚实基础。
参考文献:
[1] Hadoop Capacity Scheduler[EB/OL].(2015-01-07). http://Hadoop.apache.org/commom/docs/r2.2.0/capacity_scheduler.html.
[2] Hadoop Fair Scheduler[EB/OL].(2015-01-07). http://Hadoop.apache.org/commom/docs/r2.2.0/fair_schduler.html.
[3] 董春涛, 李文婷, 沈晴霓, 等. Hadoop YARN大数据计算框架及其资源调度机制研究[J]. 信息通信技术, 2015(1): 77-84.
[4] 董西成. Hadoop技术内幕 深入解析YARN架构设计与实现原理[M]. 北京: 机械工业出版社,2014.
[5] Ali Ghodsi, Matei Zaharia, Benjamin Hindman.Dominant Resource Fairness:Fair Allocation of Multiple Resource Types[R]. Technical Report No.UCB/EECS-2011-18, 2011.
关键词:Hadoop;YARN;资源调度器;资源分配算法;DRF
中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2016)05-0173-03
1 YARN的基本结构及工作流程
1.1 YARN 基本架构
YARN是Hadoop 2.0中的资源管理系统,它是在MapReduce的基础上发展起来的,与MapReduce不同的是,MapReduce有一个全局的管理器JobTracker,而YARN将JobTracker的功能拆分开来,成为了两个独立的管理器ResourceManager和 ApplicationMaster。ResourceManager负责全局的资源管理, ResourceManager负责单个应用程序的管理。
1.2 YARN基本组成结构
和MRv1一样,YARN也是Master/Slave结构,不过在YARN中有一个ResourceManager作为Master负责对各个Slave(NodeManager)上的资源进行统一的管理和调度。用户提交的应用程序需要提供一个ApplicationMaster跟踪和管理这个程序,它将向ResourceManager申请资源,之后会启动NodeManager任务。本小节我们将介绍YARN的基本组成结构。
1.2.1 ResourceManager(RM)
ResourceManager作为Hadoop全局的资源管理器,主要是负责YARN的资源管理和分配。它由两个组件构成:调度器(Scheduler)和应用程序管理器(Applications Manager,ASM)。
1)调度器
调度器和MRv1的一样,可以根据多种限制条件(如容量、队列等),将资源分配给系统中各个正在运行的应用程序。该调度器不从事任何与具体应用程序相关的工作(如监控或者跟踪应用的执行状态、重新启动因应用执行失败或者硬件故障而产生的失败任务),这些都由应用程序相关的ApplicationMaster完成。当应用程序需求资源时,调度器会将资源分配单位被抽象成一个“资源容器”(Resource Container,简称Container)分配出去。此外,调度器是可插拔的,同时用户只要实现了Hadoop提供的接口就可以实现自己的调度器。YARN也实现了多种直接可调用的调度器,比如公平调度器(Fair Scheduler)[1]和计算能力调度器(Capacity Scheduler)[2]等。
2)应用程序管理器(Applications Manager,ASM)
Applications Manager是一个管理整个系统中所有应用程序的管理器,主要功能包括提交应用程序、与调度器协商资源以启动ApplicationMaster、监控ApplicationMaster等。
1.2.2 ApplicationMaster(AM)
用户提交的每个应用程序均包含1个ApplicationMaster,主要负责:1)与ResourceManager调度器协商以获取资源(用Container表示),2)将任务分配给内部的任务,3)启动/停止任务、监控所有任务运行状态,若任务失败则重启任务。
1.2.3 NodeManager(NM)
NodeManager是每个节点上的资源和任务管理器,主要负责:1)定时地通过心跳的方式向ResourceManager汇报本节点上的资源使用情况和各个Container的运行状态;2)它接收并处理来自ApplicationMaster的Container启动/停止等各种请求。
1.2.4 Container
YARN中对资源抽象是用Container表示的,包括内存、CPU、磁盘、网络等多维度的资源都进行了封装,当ApplicationMaster向ResourceManager申请资源时,ResourceManager为ApplicationMaster返回的资源便是用 Container表示的。每个任务都会被分配一个Container,且该任务只能使用该Container中的资源,与MRv1中的slot不同的是,Container是一个动态资源划分单位,可以根据应用程序的需求动态生成的。目前YARN采用了DRF算法支持多维度的调度,不过目前仅支持CPU和内存两种资源,同时使用轻量级资源隔离机制进行资源隔离。
1.3 YARN工作流程
当用户向YARN中提交一个应用程序后,YARN将分两个阶段运行该应用程序:
阶段1:启动ApplicationMaster;
阶段2: ApplicationMaster创建应用程序,为应用程序申请资源,在程序运行完成前都监控它的整个运行过程。
步骤1 首先需要用户向YARN中提交应用程序,这个其中包括了ApplicationMaster程序、ApplicationMaster的启动命令、用户程序等。
步骤2 ResourceManager为该应用程序分配第一个Container,并与对应的NodeManager通信,要求它在这个Container中启动应用程序的ApplicationMaster。 步骤3 ApplicationMaster启动后,先要向ResourceManager注册,注册成功后用户可以直接通过ResourceManager查看应用程序的运行状态,然后ResourceManager将为各个任务申请资源,并监控它的运行状态,直到运行结束,即重复步骤4~7。
步骤4 在RPC协议的基础上,ApplicationMaster采用轮询的方式向ResourceManager申请和领取资源。
步骤5 ApplicationMaster申请到资源后,便与对应的NodeManager通信,要求它启动任务。
步骤6 NodeManager为任务设置好运行环境(包括环境变量、JAR包、二进制程序等)后,将任务启动命令写到一个脚本中,并通过运行该脚本启动任务。
步骤7 各个任务通过RPC协议向ApplicationMaster汇报自己的状态和进度,这样ApplicationMaster就可以随时掌握各个任务的运行状态,当任务失败时可以重新启动任务。在应用程序运行过程中,用户也可随时通过RPC向ApplicationMaster查询应用程序的当前运行状态。
步骤8 应用程序运行完成后,ApplicationMaster向ResourceManager注销并关闭自己[3]。
2 YARN的资源分配算法
资源调度机制是YARN资源调度器的核心。YARN资源调度器采用了多种调度机制,主要包括:双层资源调度机制、层级队列管理机制、资源保证和资源抢占机制。其中双层资源调度机制是其核心,是YARN进行资源分配的总体架构;层级队列管理机制是YARN对上层资源分配队列的管理方式;资源保证和资源抢占机制是YARN保证任务资源需求的机制[4]。在为了支持多维度的资源调度,YARN的资源调度器采用了主资源公平调度算法(Dominant Resource Fairness ,DRF)。该算法扩展了最大最小公平算法(max-min fairness),使其能够支持多维资源的调度。
2.1 最大最小公平策略(max-min fairness)介绍
在共享的计算机系统中,资源分配是一个重要的组成部分。最通用的分配策略是最大最小公平策略(max-min fairness),这种策略会最大化系统中一个用户收到的最小分配,在不考虑权重的情况下,这种策略每一轮会给予每个用户一份均等的资源。一般意义的max-min fairness是包含权重的,每一轮用户可以获得与它的权重对应的资源比例。加权max-min fairness的更具有一般性并且能提供性能隔离的能力。加权max-min fairness模型也可以支撑许多其他资源分配策略,包括优先级、deadline based allocation等。鉴于这些特征,max-min fairness已经被很多算法实现,如round-robin、proportional resource sharing、weighted fair queueing[5]。在不同的场景中,这些算法都被大量的实现,比如链路带宽、CPU、内存、存储等。虽然该策略已经被多方面应用,但目前为止主要还是集中在单资源类型的场景下。
实际上,由于一般意义上的max-min fairness是加权的,所以假设有A,B,C,D四个用户,权值分别为x,y, z,f。需求分别为a,b,c,d。总资源为e。我们可以多轮的分配资源。每一轮给用户分别分配e*j/(x y z f)单位的资源(j代表用户相应权值)。若用户这一轮已经超出需求,则下一轮不分配,并且多出的资源留给下一轮作为总资源的一部分。这样直到所有资源分配完毕。
2.2 DRF算法
DRF是一种通用的多资源的max-min fairness分配策略。在DRF算法中,所需份额最大的资源叫做主资源,然后将max-min fairness应用在主资源上,这样多维度的资源调度就变为了单一资源的调度的问题,因为随着调度的进行,每个资源的份额都在变化,选择的主资源也在变化。举个例子,有两个用户A、B,A是计算密集型的,B是I/O密集型的,DRF在分配资源的时候会尽量的使得用户A的CPU资源份额和用户B的I/O资源份额比较均衡。
2.3 DRF计算方式
假设有两个用户,用户A、B,系统的CPU和内存分别为9、18GB.用户A每次都请求(1CPU,4GB)资源;用户B每次都请求(3CPU,4GB)资源。在这种情况下,如何均衡的分配资源?
在这个例子中,由于用户A的CPU占总CPU 1/9,RAM占总RAM的 2/9,而用户B的CPU占1/3,RAM占2/9,所以A的主资源为内存,B的主资源为CPU。基于这点,DRF会最大化A的内存的最小化分配,并会最大化B的CPU的最小分配。这就是DRF的分配策略。
3 结束语
在Hadoop中,YARN是其核心部分,而在YARN架构中,资源调度又是重中之重。现今YARN架构中实现的多资源调度是基于DRF算法的,充分的研究DRF的原理和在YARN实现,有助于我们部署平台和性能优化,还有助于我们发现其不足,为今后的多资源调度研究打下坚实基础。
参考文献:
[1] Hadoop Capacity Scheduler[EB/OL].(2015-01-07). http://Hadoop.apache.org/commom/docs/r2.2.0/capacity_scheduler.html.
[2] Hadoop Fair Scheduler[EB/OL].(2015-01-07). http://Hadoop.apache.org/commom/docs/r2.2.0/fair_schduler.html.
[3] 董春涛, 李文婷, 沈晴霓, 等. Hadoop YARN大数据计算框架及其资源调度机制研究[J]. 信息通信技术, 2015(1): 77-84.
[4] 董西成. Hadoop技术内幕 深入解析YARN架构设计与实现原理[M]. 北京: 机械工业出版社,2014.
[5] Ali Ghodsi, Matei Zaharia, Benjamin Hindman.Dominant Resource Fairness:Fair Allocation of Multiple Resource Types[R]. Technical Report No.UCB/EECS-2011-18, 2011.