Hadoop Failover
YARN - Failover
失敗類型
- 程序問題
- 進程崩潰
- 硬件問題
失敗處理
任務失敗
- 運行時異常或者JVM退出都會報告給ApplicationMaster
- 通過心跳來檢查掛住的任務(timeout),會檢查多次(可配置)才判斷該任務是否失效
- 一個作業的任務失敗率超過配置,則認爲該作業失敗
- 失敗的任務或作業都會有ApplicationMaster重新運行
ApplicationMaster失敗
- ApplicationMaster定時發送心跳信號到ResourceManager,通常一旦ApplicationMaster失敗,則認爲失敗,但也可以通過配置多次後才失敗
- 一旦ApplicationMaster失敗,ResourceManager會啓動一個新的ApplicationMaster
- 新的ApplicationMaster負責恢復之前錯誤的ApplicationMaster的狀態(yarn.app.mapreduce.am.job.recovery.enable=true),這一步是通過將應用運行狀態保存到共享的存儲上來實現的,ResourceManager不會負責任務狀態的保存和恢復
- Client也會定時向ApplicationMaster查詢進度和狀態,一旦發現其失敗,則向ResouceManager詢問新的ApplicationMaster
NodeManager失敗
- NodeManager定時發送心跳到ResourceManager,如果超過一段時間沒有收到心跳消息,ResourceManager就會將其移除
- 任何運行在該NodeManager上的任務和ApplicationMaster都會在其他NodeManager上進行恢復
- 如果某個NodeManager失敗的次數太多,ApplicationMaster會將其加入黑名單(ResourceManager沒有),任務調度時不在其上運行任務
ResourceManager失敗
- 通過checkpoint機制,定時將其狀態保存到磁盤,然後失敗的時候,重新運行
- 通過zookeeper同步狀態和實現透明的HA
可以看出,一般的錯誤處理都是由當前模塊的父模塊進行監控(心跳)和恢復。而最頂端的模塊則通過定時保存、同步狀態和zookeeper來ֹ實現HA