Hadoop 新特性、改进、优化和Bug分析系列5

samdung

 
作者:Dong | 新浪微博：西成懂 | 可以转载, 但必须以超链接形式标明文章原始出处和作者信息及版权声明
网址:http://dongxicheng.org/mapreduce-nextgen/hadoop-jira-yarn-3/
本博客的文章集合:http://dongxicheng.org/recommend/
重大消息：我的Hadoop新书《Hadoop技术内幕：深入解析MapReduce架构设计与实现原理》已经开始在各大网站销售了，购书链接地址： 当当购书网址，京东购书网址，卓越购书网址。新书官方宣传主页： http://hadoop123.com/。

 

Hadoop jira链接：https://issues.apache.org/jira/browse/YARN-3
所属范围（新特性、改进、优化或Bug）：新特性
修复版本：2.0.3-alpha及以上版本
所属分支（Common、HDFS、YARN或MapReduce）：YARN
涉及模块：nodemanager
英文标题：“Add support for CPU isolation/monitoring of containers” 

背景介绍
YARN作为一个资源管理系统，主要由两个组件构成，分别是ResourceManager和NodeManager，其中，ResourceManager负责整个集群上资源的管理和分配，而NodeManager则负责单个节点的资源管理和任务启动，这两个组件必须充分发挥各自的作用才能完成资源的有效利用，缺一不可。ResourceManager将资源分配给应用程序的ApplicationMaster，比如将资源<node1，1CPU, 2GB>分配给appMaster1，而appMaster1则会进一步与node1上的NodeManager通信，启动一个占用1CPU和2GB内存的任务，为了确保该任务“占且仅占”这些资源，NodeManager必须提供合理的隔离机制，提供一个资源容器保证这些资源的前提下，还要防止它多占用资源干扰其他任务。
与之对比，MRv1采用了JVM进行资源隔离，而JVM仅能对内存资源进行限定，其他资源，包括CPU、网络等资源则无法隔离。在资源隔离上，YARN要不MRv1要先进得多。
解决方案
提供资源隔离机制是YARN NodeManager的责任，针对不同的资源，YARN采用了不同的资源隔离机制，而本文涉及到的YARN-3则全面介绍了YARN的资源隔离机制，总结起来，当前YARN针对CPU和内存两种资源提供了隔离机制，其中，CPU采用了CGroups轻量级资源隔离机制，而内存则采用了线程监控的方案。
由于YARN的目标是构建一个通用的资源管理平台，不仅仅限于Java编写的MapReduce这类应用，更多的是非java程序，因此，MRv1基于JVM的资源隔离方案是不可行的。
对于CGroups而言，它可以限制应用程序的内存使用上限，当内存超过某个阈值时，它将直接将其杀死。对于一些应用程序而言，有些情况下会出现内存暴增而又骤降的现象，因此采用硬性限制的策略是缺乏灵活性的，基于这种考虑，YARN仍采用了MRv1中的基于线程监控的方案，该方案启动一个线程监控当前正在运行的任务的进程树，如果发现内存暴增而又骤降，则认为是正常现象，不会将任务杀死，因此，该方案更加友好。
由于CPU资源的多少不会影响任务的生死（只影响任务执行的快慢），因此，YARN采用了CGroups对CPU资源进行隔离，需要注意的是，CGroups采用的是CPU资源下限控制法，该方法是一种公平共享的方法，举个例子，如果一个节点上有8个核（pcore:vcore=1:1），那么如果只运行一个任务(pcore=1)，则它最多使用800%的CPU，如果运行2个任务(pcore=1)，则每个任务最多可使用400%的CPU，依次类推……
当前，YARN的资源隔离方面还有很多需要改进的地方，比如，支持更细粒度的资源隔离，例如将任务绑定到某个CPU上（已经在做了，使用taskset命令）；支持更多类型的资源隔离，比如网络和磁盘IO等（这个依赖于CGroups的发展，当前CGoups在这方面还不完善）。
如何配置？
【注】 配置参数是在https://issues.apache.org/jira/browse/YARN-2中引入的。这部分内容我已在我的博客文章“YARN/MRv2 ResourceManager深入剖析——资源调度器”中进行了详细介绍。
当前YARN支持内存和CPU两种资源类型的管理和分配。当NodeManager启动时，会向ResourceManager注册，而注册信息中会包含该节点可分配的CPU和内存总量，这两个值均可通过配置选项设置（在yarn-site.xml文件中），具体如下：
（1）yarn.nodemanager.resource.memory-mb
该节点可分配的物理内存总量，默认是8*1024MB。
（2）yarn.nodemanager.vmem-pmem-ratio
每单位的物理内存总量对应的虚拟内存量，默认是2.1，表示每使用1MB的物理内存，最多可以使用2.1MB的虚拟内存总量。
（3）yarn.nodemanager.resource.cpu-core（默认是8）
可分配的CPU总个数，默认是8
（4）yarn.nodemanager.vcores-pcores-ratio
为了更细粒度的划分CPU资源，YARN将每个物理CPU划分成若干个虚拟CPU，默认值为2。用户提交应用程序时，可以指定每个任务需要的虚拟CPU个数。在MRAppMaster中，每个Map Task和Reduce Task默认情况下需要的虚拟CPU个数为1，用户可分别通过mapreduce.map.cpu.vcores和mapreduce.reduce.cpu.vcores进行修改（对于内存资源，Map Task和Reduce Task默认情况下需要1024MB，用户可分别通过mapreduce.map.memory.mb和mapreduce.reduce.memory.mb修改）。
（在最新版本中，yarn.nodemanager.resource.cpu-core和yarn.nodemanager.vcores-pcores-ratio两个参数被遗弃，引入一个新参数yarn.nodemanager.resource.cpu-vcore，表示虚拟CPU个数，具体请阅读YARN-782）
为了启用CGroups和内存线程监控，你可以按照该文档” Hadoop MapReduce Next Generation – Cluster Setup”说明进行配置，安装时请一定要先阅读这篇文章：Using YARN with CGroups。
扩展阅读：
(1)“Hook up cgroups CPU settings to the number of virtual cores allocated”：https://issues.apache.org/jira/browse/YARN-600
(2)“CgroupsLCEResourcesHandler tries to write to cgroup.procs”：https://issues.apache.org/jira/browse/YARN-799
(3)“Support CGroup ceiling enforcement on CPU”:https://issues.apache.org/jira/browse/YARN-810
原创文章，转载请注明： 转载自董的博客
本文链接地址: http://dongxicheng.org/mapreduce-nextgen/hadoop-jira-yarn-3/
 
买了本博主的 《Hadoop 技术内幕 深入解释MapReduce架构设计与实现原理》 把博客放到我空间里慢慢看