一、YARN是如何产生的
1.在Hadoop1.x中，mapreduce在集群中的架构是：1个Job Tracker(负责资源管理和作业调度)带多个Task Tracker（定期向Job Tracker汇报本节点的健康状况、资源使用情况、任务执行情况以及接收来自Job Tracker的命令并执行）。
Hadoop1.x存在的问题：
单点故障：由于Job Tracker只有一个，如果它挂了，集群就没法使用了。
Job Tracker会接收来自各个Task Tracker节点的RPC请求，随着节点规模增大，Job Tracker压力会很大。
而这系列版本的Hadoop仅支持mapreduce计算框架，不支持其他类型的计算框架。
2.从资源利用率的角度来看，在没有yarn之前，集群之间是独立的，例如Hadoop是一个集群，spark（计算框架）是一个集群，而Hbase又是一个集群，这样的情况就造成集群管理起来很复杂，而各个集群独立使得资源不能共享导致集群间资源浪费。
解决的思路：将所有的计算框架运行在一个集群中，共享一个集群的资源，按需分配。哪个集群需要资源就将资源分配给哪个集群，这样的集群资源利用率就高于多个独立集群的资源利用率。
3.从数据共享角度来看，海量数据在集群间移动不但耗时，硬件成本也会增加。共享集群模式可以让多种框架共享数据（HDFS上的数据）、共享硬件资源，大大减少了移动数据带来的成本（即移动计算要比移动数据好，将作业任务分配到数据所在节点上去运行，减少数据网络传输的开销）。
二、YARN（Yet Another Reource Negotiator,另一资源协调者）
一个通用的资源管理系统，为上层应用提供统一的资源管理和调度。解决了集群资源利用率、数据共享、资源统一管理等方面的问题，yarn取代了Job Tracker的角色。
YARN架构（采用Master/Slave结构——主从设备模式）
组成：
Client：向Resource Manager提交任务、终止任务
Resource Manager（RM）：
集群只有一个RM，一个RM对应多个NM；
处理客户端的请求（启动/终止应用程序）；
启动/监控AM，若AM挂掉，RM会在另一NM节点上启动AM；
监控NM，接收NM汇报的心跳信息并分配任务给NM执行；一旦某个NM故障，标记下该NM上的任务，告诉对应的AM如何处理。
Node Manager（NM）：
集群中有多个NM，负责单个节点资源管理和使用；
周期性地通过心跳信息向RM汇报本节点上资源使用情况和各个Container的运行状态；
接收并处理来自RM的Container启动/停止的各种命令 。
Application Master（AM）：
对应每一个应用程序，负责应用程序的管理；
AM向RM申请资源用在NM上启动相应的任务；
为应用程序/作业向RM申请资源（Container），并分配给内部任务；
与NM通信，以启动/停止任务；
任务监控和容错，在任务执行失败时重新为该任务申请资源以重启任务；
处理RM 发过来的命令（终止Container、让NM重启）。
Container（任务运行环境的抽象）：任务是在Container中运行的，一个Container既可以运行AM，也可以运行具体的Map、Reduce、MPI、SparkTask。
Mapreduce作业启动时产生Map任务——Map Task
MPI框架对应的执行任务——MPI Task
三、YARN的架构设计
yarn的工作原理
用户向yarn提交应用程序/作业，包括AM程序，及启动AM程序的命令和用户程序；
RM为作业分配第一个Container，并与对应的NM通信，要求它在这个Container中启动该作业的AM；
AM首先向RM注册，这样用户就可以直接通过RM查询作业的运行状态;然后再为各个任务申请资源并监控任务的运行状态,直到运行结束(AM采用轮询的方式通过RPC请求向RM申请资源)；
AM一旦申请到资源,便与对应的NM通信，要求它启动任务；
NM启动任务；
各个任务通过RPC协议向AM汇报自己的状态和进度,以便AM随时掌握各个任务的运行状态,从而在任务失败时重新启动任务;
作业在运行过程中,用户可随时通过RPC向AM查询作业当前的运行状态；
作业完成后,AM向RM注销并关闭自己。
yarn的容错性
RM可基于Zookeeper实现HA(高可用),避免单点故障;
NM执行失败后,RM将失败任务告诉对应的AM,由AM决定如何处理失败任务;
AM执行失败后,由RM负责重启(AM需处理内部任务的容错问题,保存已经运行完成的Task,重启后不用再运行).
