hadoop yarn同时支持内存和cpu两种资源的调度（默认只支持内存，如果想进一步调度cpu，需要自己进行一些配置），本文将介绍yarn是如何对这些资源进行调度和隔离的。 在yarn中，资源管理由resourcemanager和nodemanager共同完成，其中，resourcemanager中的调
hadoop yarn同时支持内存和cpu两种资源的调度（默认只支持内存，如果想进一步调度cpu，需要自己进行一些配置），本文将介绍yarn是如何对这些资源进行调度和隔离的。
在yarn中，资源管理由resourcemanager和nodemanager共同完成，其中，resourcemanager中的调度器负责资源的分配，而nodemanager则负责资源的供给和隔离。resourcemanager将某个nodemanager上资源分配给任务（这就是所谓的“资源调度”）后，nodemanager需按照要求为任务提供相应的资源，甚至保证这些资源应具有独占性，为任务运行提供基础的保证，这就是所谓的资源隔离。
关于hadoop yarn资源调度器的详细介绍，可参考我的这篇文章：yarn/mrv2 resource manager深入剖析—资源调度器。
在正式介绍具体的资源调度和隔离之前，先品味一下内存和cpu这两种资源的特点，这是两种性质不同的资源。内存资源的多少会会决定任务的生死，如果内存不够，任务可能会运行失败；相比之下，cpu资源则不同，它只会决定任务运行的快慢，不会对生死产生影响。
【yarn中内存资源的调度和隔离】
基于以上考虑，yarn允许用户配置每个节点上可用的物理内存资源，注意，这里是“可用的”，因为一个节点上的内存会被若干个服务共享，比如一部分给yarn，一部分给hdfs，一部分给hbase等，yarn配置的只是自己可以使用的，配置参数如下：
（1）yarn.nodemanager.resource.memory-mb
表示该节点上yarn可使用的物理内存总量，默认是8192（mb），注意，如果你的节点内存资源不够8gb，则需要调减小这个值，而yarn不会智能的探测节点的物理内存总量。
（2）yarn.nodemanager.vmem-pmem-ratio
任务每使用1mb物理内存，最多可使用虚拟内存量，默认是2.1。
（3） yarn.nodemanager.pmem-check-enabled
是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true。
（4） yarn.nodemanager.vmem-check-enabled
是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true。
（5）yarn.scheduler.minimum-allocation-mb
单个任务可申请的最少物理内存量，默认是1024（mb），如果一个任务申请的物理内存量少于该值，则该对应的值改为这个数。
（6）yarn.scheduler.maximum-allocation-mb
单个任务可申请的最多物理内存量，默认是8192（mb）。
默认情况下，yarn采用了线程监控的方法判断任务是否超量使用内存，一旦发现超量，则直接将其杀死。由于cgroups对内存的控制缺乏灵活性（即任务任何时刻不能超过内存上限，如果超过，则直接将其杀死或者报oom），而java进程在创建瞬间内存将翻倍，之后骤降到正常值，这种情况下，采用线程监控的方式更加灵活（当发现进程树内存瞬间翻倍超过设定值时，可认为是正常现象，不会将任务杀死），因此yarn未提供cgroups内存隔离机制。
【yarn中cpu资源的调度和隔离】
在yarn中，cpu资源的组织方式仍在探索中，目前（2.2.0版本）只是一个初步的，非常粗粒度的实现方式，更细粒度的cpu划分方式已经提出来了，正在完善和实现中。
目前的cpu被划分成虚拟cpu（cpu virtual core），这里的虚拟cpu是yarn自己引入的概念，初衷是，考虑到不同节点的cpu性能可能不同，每个cpu具有的计算能力也是不一样的，比如某个物理cpu的计算能力可能是另外一个物理cpu的2倍，这时候，你可以通过为第一个物理cpu多配置几个虚拟cpu弥补这种差异。用户提交作业时，可以指定每个任务需要的虚拟cpu个数。在yarn中，cpu相关配置参数如下：
（1）yarn.nodemanager.resource.cpu-vcores
表示该节点上yarn可使用的虚拟cpu个数，默认是8，注意，目前推荐将该值设值为与物理cpu核数数目相同。如果你的节点cpu核数不够8个，则需要调减小这个值，而yarn不会智能的探测节点的物理cpu总数。
（2） yarn.scheduler.minimum-allocation-vcores
单个任务可申请的最小虚拟cpu个数，默认是1，如果一个任务申请的cpu个数少于该数，则该对应的值改为这个数。
（3）yarn.scheduler.maximum-allocation-vcores
单个任务可申请的最多虚拟cpu个数，默认是32。
默认情况下，yarn是不会对cpu资源进行调度的，你需要配置相应的资源调度器让你支持，具体可参考我的这两篇文章：
（1）hadoop yarn配置参数剖析（4）—fair scheduler相关参数
（2）hadoop yarn配置参数剖析（5）—capacity scheduler相关参数
默认情况下，nodemanager不会对cpu资源进行任何隔离，你可以通过启用cgroups让你支持cpu隔离。
由于cpu资源的独特性，目前这种cpu分配方式仍然是粗粒度的。举个例子，很多任务可能是io密集型的，消耗的cpu资源非常少，如果此时你为它分配一个cpu，则是一种严重浪费，你完全可以让他与其他几个任务公用一个cpu，也就是说，我们需要支持更粒度的cpu表达方式。
借鉴亚马逊ec2中cpu资源的划分方式，即提出了cpu最小单位为ec2 compute unit（ecu），一个ecu代表相当于1.0-1.2 ghz 2007 opteron or 2007 xeon处理器的处理能力。yarn提出了cpu最小单位yarn compute unit（ycu），目前这个数是一个整数，默认是720，由参数yarn.nodemanager.resource.cpu-ycus-per-core设置，表示一个cpu core具备的计算能力（该feature在2.2.0版本中并不存在，可能增加到2.3.0版本中），这样，用户提交作业时，直接指定需要的ycu即可，比如指定值为360，表示用1/2个cpu core，实际表现为，只使用一个cpu core的1/2计算时间。注意，在操作系统层，cpu资源是按照时间片分配的，你可以说，一个进程使用1/3的cpu时间片，或者1/5的时间片。对于cpu资源划分和调度的探讨，可参考以下几个链接：
https://issues.apache.org/jira/browse/yarn-1089
https://issues.apache.org/jira/browse/yarn-1024
hadoop 新特性、改进、优化和bug分析系列5：yarn-3
【总结】
目前，yarn 内存资源调度借鉴了hadoop 1.0中的方式，比较合理，但cpu资源的调度方式仍在不断改进中，目前只是一个初步的粗糙实现，相信在不久的将来，yarn 中cpu资源的调度将更加完善。
转自：http://dongxicheng.org/mapreduce-nextgen/hadoop-yarn-memory-cpu-scheduling/
原文地址：hadoop yarn中内存和cpu两种资源的调度和隔离, 感谢原作者分享。