前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Yarn与Mesos

Yarn与Mesos

作者头像
YG
发布2018-08-13 17:32:42
5290
发布2018-08-13 17:32:42
举报
文章被收录于专栏:YG小书屋

本篇记录下学习资源分配与任务调度的一些内容。

为什么会有Yarn?

Yarn是Hadoop2的产物。提到这个问题就不得不说下Hadoop1与Hadoop2的差别。详细的内容可参考博客:https://blog.csdn.net/jiangheng0535/article/details/12946529

Hadoop1的架构是:多个Application --> JobTracker --> 多个TaskTracker。

多个Application提交任务到JobTracker,JobTracker根据application申请资源情况启动并监控TaskTracker的状态。简单点来说存在以下四个问题:

1、JobTracker 是 Map-reduce 的集中处理点,存在单点故障。

2、JobTracker 既要监控各个Task的执行状态,又要做任务调度,负责的任务太多,造成了过多的资源消耗。当 map-reduce job 非常多的时候,会造成很大的内存开销,潜在来说,也增加了 JobTracker fail 的风险,这也是业界普遍总结出老 Hadoop 的 Map-Reduce 只能支持 4000 节点主机的上限。

3、在 TaskTracker 端,以 map/reduce task 的数目作为资源的表示过于简单,没有考虑到 cpu/ 内存的占用情况,如果两个大内存消耗的 task 被调度到了一块,很容易出现 OOM。

4、在 TaskTracker 端,把资源强制划分为 map task slot 和 reduce task slot, 如果当系统中只有 map task 或者只有 reduce task 的时候,会造成资源的浪费,也就是前面提过的集群资源利用的问题。

Yarn有没有解决问题?

hadoop2的架构是:多个application --> ResourceManager --> 多个NodeManager --> 多个application Master --> 多个container

多个Application提交任务到ResouceManager,ResourceManager通过NodeManager针对于每个application启动一个application Master。application Master通过向ResourceManger申请资源,启动container。

针对于上述问题: 1、yarn可通过ResouceManager的HA来解决单点故障问题。http://hadoop.apache.org/docs/stable/hadoop-yarn/hadoop-yarn-site/ResourceManagerHA.html

2、yarn 将 JobTracker 两个主要的功能资源管理和任务调度 / 监控分离成单独的组件。新的资源管理器全局管理所有应用程序计算资源的分配,每一个应用的 ApplicationMaster 负责相应的调度和协调。

3、yarn 通过NodeManager详细地统计了各个节点各个纬度的资源使用情况。

4、yarn的container没有map和reduce之分,可充分利用资源。

mesos解决了什么问题?

关于mesos,详细内容可参考博客 https://blog.csdn.net/u012050154/article/details/52572756 。 各种大数据计算框架不断出现,支持离线处理的MapReduce、在线处理的Storm,迭代计算框架Spark、及流式处理框架S4……各种分布式计算框架应运而生,各自解决某一类应用中的问题。Mesos可以在各个框架间进行粗粒度的资源分配,每个框架根据自身任务的特点进行细粒度的任务调度。 其架构如下:

Mesos Master:整个系统的核心。主要负责管理各个Framework(通过Framework_manager管理接入的各个Framework)和Slave(通过Slaves_manager管理所有的Slave),并将Slave上的资源按照某资源分配策略分配给各个Framework;

Mesos Slave:接收来自Mesos Master的命令、管理本地节点上的各个Mesos Task,如为每个Executor分配资源。Mesos Slave将自己的资源量(包括CPU和内存)发送经Mesos Master,由Mesos Master的Allocator模块决定资源的具体分配;

Framework:负责外部的计算框架的接入,如Hadoop、Spark等。这些外部计算框架通过注册的方式接入Mesos,由Mesos进行分布式集群资源的分配;而任务的调度和执行由计算机框架本身完成(即计算框架本身调度器负责将资源分配给具体的任务);

Executor:启动框架内部的Task。由于不同的框架接入Mesos的接口、方式不同,所以新框架接入Mesos需要编写自己的executor,通知Mesos如何启动框架中的Task。

mesos与yarn有哪些不同?

1、Mesos和Yarn都采用双层调度机制,即资源管理系统层(将资源分配给应用程序)和资源调度层(将资源具体分配给计算框架中的任务),但资源分配程度不同。Mesos只负责为Framework计算框架提供资源,具体的资源分配由计算框架自己实现。而Yarn则从计算框架中分离出资源管理,自己全权负责资源分配及调度;

2、Mesos采用Linux Container容器(一种内核虚拟化技术)对多计算框架共享资源进行隔离。而Yarn则是通过进程隔离,这一点Yarn的性能比较好(Yarn的发展借鉴了Mesos思想);

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018.08.05 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 为什么会有Yarn?
  • Yarn有没有解决问题?
    • mesos解决了什么问题?
    • mesos与yarn有哪些不同?
    相关产品与服务
    容器服务
    腾讯云容器服务(Tencent Kubernetes Engine, TKE)基于原生 kubernetes 提供以容器为核心的、高度可扩展的高性能容器管理服务,覆盖 Serverless、边缘计算、分布式云等多种业务部署场景,业内首创单个集群兼容多种计算节点的容器资源管理模式。同时产品作为云原生 Finops 领先布道者,主导开源项目Crane,全面助力客户实现资源优化、成本控制。
    领券
    问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档