YARN是一个资源管理、任务调度的框架，主要包含三大模块：
- ResourceManager（RM）：负责所有资源的监控、分配和管理
- NodeManager（NM）：负责每一个节点的维护
- ApplicationMaster（AM）： 负责每一个具体应用程序的调度和协调
对于所有的applications，RM拥有绝对的控制权和对资源的分配权。
每个AM会和RM协商资源，同时和NodeManager通信来执行和监控task。几个模块之间的关系如图所示。
ResourceManager
- ResourceManager负责整个集群的资源管理和分配，是一个全局的资源管理系统。
- NodeManager以心跳的方式，向ResourceManager汇报资源使用情况（目前主要是CPU和内存的使用情况）。
RM只接受NM的资源回报信息，对于具体的资源处理则交给NM自己处理。 - YARN Scheduler根据application的请求为其分配资源，不负责application job的监控、追踪、运行状态反馈、启动等工作。
NodeManager
- NodeManager是每个节点上的资源和任务管理器，它是管理这台机器的代理，负责该节点程序的运行，以及该节点资源的管理和监控。YARN集群每个节点都运行一个NodeManager。
- NodeManager定时向ResourceManager汇报本节点资源（CPU、内存）的使用情况和Container的运行状态。ResourceManager宕机时NodeManager自动连接RM备用节点。
- NodeManager接收并处理来自ApplicationMaster的Container启动、停止等各种请求。
ApplicationMaster
- 用户提交的每个应用程序均包含一个ApplicationMaster，它可以运行在ResourceManager以外的机器上。
- 负责与RM调度器协商以获取资源（用Container表示）。
- 将得到的任务进一步分配给内部的任务(资源的二次分配)。
- 与NM通信以启动/停止任务。
- 监控所有任务运行状态，并在任务运行失败时重新为任务申请资源以重启任务。
- 当前YARN自带了两个ApplicationMaster实现，一个是用于演示AM编写方法的实例程序DistributedShell，它可以申请一定数目的Container以并行运行一个Shell命令或者Shell脚本；另一个是运行MapReduce应用程序的AM—MRAppMaster。
- 注：RM只负责监控AM，并在AM运行失败时候启动它。RM不负责AM内部任务的容错，任务的容错由AM完成。
YARN运行流程
- client向RM提交应用程序，其中包括如ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等。
- ResourceManager启动一个container用于运行ApplicationMaster。
- 启动中的ApplicationMaster向ResourceManager注册自己，启动成功后与RM保持心跳。
- ApplicationMaster向ResourceManager发送请求，申请相应数目的container。
- ResourceManager返回ApplicationMaster的申请的containers信息。
申请成功的container，由ApplicationMaster进行初始化。
container的启动信息初始化后，AM与对应的NodeManager通信，要求NM启动container。
AM与NM保持心跳，从而对NM上运行的任务进行监控和管理。 - container运行期间，ApplicationMaster对container进行监控。
container通过RPC协议向对应的AM汇报自己的进度和状态等信息。 - 应用运行期间，client直接与AM通信获取应用的状态、进度更新等信息。
- 应用运行结束后，ApplicationMaster向ResourceManager注销自己，并允许属于它的container被收回。
Container是什么？
Container就是一个yarn的java进程，在Mapreduce中的AM，MapTask，ReduceTask都作为Container在Yarn的框架上执行
- RM通过逻辑上的队列分配内存，CPU等资源给application，
默认情况下RM允许最大AM申请Container资源为8192MB(“yarn.scheduler.maximum-allocation-mb“)，默认情况下的最小分配资源为1024M(“yarn.scheduler.minimum-allocation-mb“)， - AM只能以增量（”yarn.scheduler.minimum-allocation-mb“）和不会超过(“yarn.scheduler.maximum-allocation-mb“)的值去向RM申请资源，
- AM负责将(“mapreduce.map.memory.mb“)和(“mapreduce.reduce.memory.mb“)的值规整到能被(“yarn.scheduler.minimum-allocation-mb“)整除，
- RM会拒绝申请内存超过8192MB和不能被1024MB整除的资源请求【内存增量】。