说明
最近关于YARN的配置，尤其是调试日志的信息，总是记不住，留个记录，方便以后查看。
转自董西成的博客,在此感谢董西成老师的分享。
如需转载，请注明出处，链接列表如下
RM与NM相关参数
权限与日志聚集相关参数
MapReduce相关参数
Fair Scheduler相关参数
Capacity Scheduler相关参数
RM与NM相关参数
ResourceManager
| 参数名称 | 作用 | 默认值 |
|---|---|---|
| yarn.resourcemanager.address | ResourceManager 对客户端暴露的地址。客户端通过该地址向RM提交应用程序，杀死应用程序等。 | ${yarn.resourcemanager.hostname}:8032 |
| yarn.resourcemanager.scheduler.address | ResourceManager 对ApplicationMaster暴露的访问地址。ApplicationMaster通过该地址向RM申请资源、释放资源等。 | ${yarn.resourcemanager.hostname}:8030 |
| yarn.resourcemanager.resource-tracker.address | ResourceManager 对NodeManager暴露的地址.。NodeManager通过该地址向RM汇报心跳，领取任务等。 | ${yarn.resourcemanager.hostname}:8031 |
| yarn.resourcemanager.admin.address | ResourceManager 对管理员暴露的访问地址。管理员通过该地址向RM发送管理命令等。 | ${yarn.resourcemanager.hostname}:8033 |
| yarn.resourcemanager.webapp.address | ResourceManager对外web ui地址。用户可通过该地址在浏览器中查看集群各类信息。 | ${yarn.resourcemanager.hostname}:8088 |
| yarn.resourcemanager.scheduler.class | 启用的资源调度器主类。目前可用的有FIFO、Capacity Scheduler和Fair Scheduler。 | org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler |
| yarn.resourcemanager.resource-tracker.client.thread-count | 处理来自NodeManager的RPC请求的Handler数目。 | 50 |
| yarn.resourcemanager.scheduler.client.thread-count | 处理来自ApplicationMaster的RPC请求的Handler数目。 | 50 |
| yarn.scheduler.minimum-allocation-mb/ yarn.scheduler.maximum-allocation-mb | 单个可申请的最小/最大内存资源量。比如设置为1024和3072，则运行MapRedce作业时，每个Task最少可申请1024MB内存，最多可申请3072MB内存。 | 1024/8192 |
| yarn.scheduler.minimum-allocation-vcores / yarn.scheduler.maximum-allocation-vcores | 单个可申请的最小/最大虚拟CPU个数。比如设置为1和4，则运行MapRedce作业时，每个Task最少可申请1个虚拟CPU，最多可申请4个虚拟CPU。什么是虚拟CPU，可阅读我的这篇文章：“YARN 资源调度器剖析”。 | 1/32 |
| yarn.resourcemanager.nodes.include-path /yarn.resourcemanager.nodes.exclude-path | NodeManager黑白名单。如果发现若干个NodeManager存在问题，比如故障率很高，任务运行失败率高，则可以将之加入黑名单中。注意，这两个配置参数可以动态生效。（调用一个refresh命令即可） | "" |
| yarn.resourcemanager.nodemanagers.heartbeat-interval-ms | NodeManager心跳间隔 | 1000（毫秒） |
NodeManager
| 参数名称 | 作用 | 默认值 |
|---|---|---|
| yarn.nodemanager.resource.memory-mb | NodeManager总的可用物理内存。注意，该参数是不可修改的，一旦设置，整个运行过程中不可动态修改。另外，该参数的默认值是8192MB，即使你的机器内存不够8192MB，YARN也会按照这些内存来使用（傻不傻？），因此，这个值通过一定要配置。不过，Apache已经正在尝试将该参数做成可动态修改的。 | 8192 |
| yarn.nodemanager.vmem-pmem-ratio | 每使用1MB物理内存，最多可用的虚拟内存数。 | 2.1 |
| yarn.nodemanager.resource.cpu-vcores | NodeManager总的可用虚拟CPU个数。 | 8 |
| yarn.nodemanager.local-dirs | 中间结果存放位置，类似于1.0中的mapred.local.dir。注意，这个参数通常会配置多个目录，已分摊磁盘IO负载。 | ${hadoop.tmp.dir}/nm-local-dir |
| yarn.nodemanager.log-dirs | 日志存放地址（可配置多个目录）。 | ${yarn.log.dir}/userlogs |
| yarn.nodemanager.log.retain-seconds | NodeManager上日志最多存放时间（不启用日志聚集功能时有效）。 | 10800（3小时） |
| yarn.nodemanager.aux-services | NodeManager上运行的附属服务。需配置成mapreduce_shuffle，才可运行MapReduce程序 | 默认值："" |
权限与日志聚集
日志聚集
| 参数名称 | 作用 | 默认值 |
|---|---|---|
| yarn.log-aggregation-enable | 是否启用日志聚集功能。 | false |
| yarn.log-aggregation.retain-seconds | 在HDFS上聚集的日志最多保存多长时间。 | -1 |
| yarn.log-aggregation.retain-check-interval-seconds | 多长时间检查一次日志，并将满足条件的删除，如果是0或者负数，则为上一个值的1/10。 | -1 |
| yarn.nodemanager.remote-app-log-dir | 当应用程序运行结束后，日志被转移到的HDFS目录（启用日志聚集功能时有效）。 | /tmp/logs |
| yarn.log-aggregation.retain-seconds | 远程日志目录子目录名称（启用日志聚集功能时有效）。 | 日志将被转移到目录 |
MapReduce
本节所有配置都写在mapred-site.xml中
MapReduce JobHistory
| 参数名称 | 作用 | 默认值 |
|---|---|---|
| mapreduce.jobhistory.address | MapReduce JobHistory Server地址。 | 0.0.0.0:10020 |
| mapreduce.jobhistory.webapp.address | MapReduce JobHistory Server Web UI地址。 | 0.0.0.0:19888 |
| mapreduce.jobhistory.intermediate-done-dir | MapReduce作业产生的日志存放位置。 | /mr-history/tmp |
| mapreduce.jobhistory.done-dir | MR JobHistory Server管理的日志的存放位置。 | /mr-history/done |
MapReduce作业配置
下面的参数可以配置在客户端的mapred-site.xml中，作为MapReduce作业的缺省配置。也可以在提交作业时单独指定这些参数
| 参数名称 | 说明 | 缺省值 |
|---|---|---|
| mapreduce.job.name | 作业名称 | |
| mapreduce.job.priority | 作业优先级 | NORMAL |
| yarn.app.mapreduce.am.resource.mb | ApplicationMaster占用的内存量 | 1536 |
| yarn.app.mapreduce.am.resource.cpu-vcores | ApplicationMaster占用的虚拟CPU个数 | 1 |
| mapreduce.am.max-attempts | ApplicationMaster最大失败尝试次数 | 2 |
| mapreduce.map.memory.mb | 每个Map Task需要的内存量 | 1024 |
| mapreduce.map.cpu.vcores | 每个Map Task需要的虚拟CPU个数 | 1 |
| mapreduce.map.maxattempts | Map Task最大失败尝试次数 | 4 |
| mapreduce.reduce.memory.mb | 每个Reduce Task需要的内存量 | 1024 |
| mapreduce.reduce.cpu.vcores | 每个Reduce Task需要的虚拟CPU个数 | 1 |
| mapreduce.reduce.maxattempts | Reduce Task最大失败尝试次数 | 4 |
| mapreduce.map.speculative | 是否对Map Task启用推测执行机制 | FALSE |
| mapreduce.reduce.speculative | 是否对Reduce Task启用推测执行机制 | FALSE |
| mapreduce.job.queuename | 作业提交到的队列 | default |
| mapreduce.task.io.sort.mb | 任务内部排序缓冲区大小 | 100 |
| mapreduce.map.sort.spill.percent | Map阶段溢写文件的阈值（排序缓冲区大小的百分比） | 0.8 |
| mapreduce.reduce.shuffle.parallelcopies | Reduce Task启动的并发拷贝数据的线程数目 | 5 |
Fair Scheduler相关参数
本节的参数需要在yarn-site.xml中，将配置参数yarn.resourcemanager.scheduler.class设置为org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler 才会生效。Fair Scheduler的配置选项包括两部分，其中一部分在yarn-site.xml中，主要用于配置调度器级别的参数，另外一部分在一个自定义配置文件（默认是fair-scheduler.xml）中，主要用于配置各个队列的资源量、权重等信息。
yarn-site.xml
| 参数名称 | 说明 | 缺省值 |
|---|---|---|
| yarn.scheduler.fair.allocation.file | 自定义XML配置文件所在位置，该文件主要用于描述各个队列的属性，比如资源量、权重等，具体配置格式将在后面介绍。 | |
| yarn.scheduler.fair.user-as-default-queue | 当应用程序未指定队列名时，是否指定用户名作为应用程序所在的队列名。如果设置为false或者未设置，所有未知队列的应用程序将被提交到default队列中 | true |
| yarn.scheduler.fair.preemption | 是否启用抢占机制 | false |
| yarn.scheduler.fair.sizebasedweight | 在一个队列内部分配资源时，默认情况下，采用公平轮询的方法将资源分配各各个应用程序，而该参数则提供了另外一种资源分配方式：按照应用程序资源需求数目分配资源，即需求资源数量越多，分配的资源越多。 | false |
| yarn.scheduler.assignmultiple | 是否启动批量分配功能。当一个节点出现大量资源时，可以一次分配完成，也可以多次分配完成。 | false |
| yarn.scheduler.fair.max.assign | 如果开启批量分配功能，可指定一次分配的container数目。 | -1，表示不限制。 |
| yarn.scheduler.fair.locality.threshold.node | 当应用程序请求某个节点上资源时，它可以接受的可跳过的最大资源调度机会。当按照分配策略，可将一个节点上的资源分配给某个应用程序时，如果该节点不是应用程序期望的节点，可选择跳过该分配机会暂时将资源分配给其他应用程序，直到出现满足该应用程序需的节点资源出现。通常而言，一次心跳代表一次调度机会，而该参数则表示跳过调度机会占节点总数的比例 | -1.0，表示不跳过任何调度机会 |
| yarn.scheduler.fair.locality.threshold.rack | 当应用程序请求某个机架上资源时，它可以接受的可跳过的最大资源调度机会。 | |
| yarn.scheduler.increment-allocation-mb | 内存规整化单位 | 默认是1024，这意味着，如果一个Container请求资源是1.5GB，则将被调度器规整化为ceiling(1.5 GB / 1GB) * 1G=2GB。 |
| yarn.scheduler.increment-allocation-vcores | 虚拟CPU规整化单位 | 默认是1，含义与内存规整化单位类似。 |
自定义配置文件
Fair Scheduler允许用户将队列信息专门放到一个配置文件（默认是fair-scheduler.xml），对于每个队列，管理员可配置以下几个选项：
| 参数名称 | 说明 | 缺省值 |
|---|---|---|
| minResources | 最少资源保证量，设置格式为“X mb, Y vcores”，当一个队列的最少资源保证量未满足时，它将优先于其他同级队列获得资源，对于不同的调度策略（后面会详细介绍），最少资源保证量的含义不同，对于fair策略，则只考虑内存资源，即如果一个队列使用的内存资源超过了它的最少资源量，则认为它已得到了满足；对于drf策略，则考虑主资源使用的资源量，即如果一个队列的主资源量超过它的最少资源量，则认为它已得到了满足。 | |
| maxResources | 最多可以使用的资源量，fair scheduler会保证每个队列使用的资源量不会超过该队列的最多可使用资源量。 | |
| maxRunningApps | 最多同时运行的应用程序数目。通过限制该数目，可防止超量Map Task同时运行时产生的中间输出结果撑爆磁盘。 | |
| minSharePreemptionTimeout | 最小共享量抢占时间。如果一个资源池在该时间内使用的资源量一直低于最小资源量，则开始抢占资源。 | |
| schedulingMode/schedulingPolicy | 队列采用的调度模式，可以是fifo、fair或者drf。 | |
| aclSubmitApps | 可向队列中提交应用程序的Linux用户或用户组列表，默认情况下为“*”，表示任何用户均可以向该队列提交应用程序。需要注意的是，该属性具有继承性，即子队列的列表会继承父队列的列表。配置该属性时，用户之间或用户组之间用“，”分割，用户和用户组之间用空格分割，比如“user1, user2 group1,group2”。 | |
| aclAdministerApps | 该队列的管理员列表。一个队列的管理员可管理该队列中的资源和应用程序，比如可杀死任意应用程序。 |
Capacity Scheduler相关参数
在Capacity Scheduler的配置文件中，队列queueX的参数Y的配置名称为yarn.scheduler.capacity.queueX.Y，为了简单起见，我们记为Y，则每个队列可以配置的参数如下：
资源分配相关参数
| 参数名称 | 说明 | 缺省值 |
|---|---|---|
| capacity | 队列的资源容量（百分比）。 当系统非常繁忙时，应保证每个队列的容量得到满足，而如果每个队列应用程序较少，可将剩余资源共享给其他队列。注意，所有队列的容量之和应小于100。 | |
| maximum-capacity | 队列的资源使用上限（百分比）。由于存在资源共享，因此一个队列使用的资源量可能超过其容量，而最多使用资源量可通过该参数限制。 | |
| minimum-user-limit-percent | 每个用户最低资源保障（百分比）。任何时刻，一个队列中每个用户可使用的资源量均有一定的限制。当一个队列中同时运行多个用户的应用程序时中，每个用户的使用资源量在一个最小值和最大值之间浮动，其中，最小值取决于正在运行的应用程序数目，而最大值则由minimum-user-limit-percent决定。比如，假设minimum-user-limit-percent为25。当两个用户向该队列提交应用程序时，每个用户可使用资源量不能超过50%，如果三个用户提交应用程序，则每个用户可使用资源量不能超多33%，如果四个或者更多用户提交应用程序，则每个用户可用资源量不能超过25%。 | |
| user-limit-factor | 每个用户最多可使用的资源量（百分比）。比如，假设该值为30，则任何时刻，每个用户使用的资源量不能超过该队列容量的30%。 |
现在应用程序数目相关参数
| 参数名称 | 说明 | 缺省值 |
|---|---|---|
| maximum-applications | 集群或者队列中同时处于等待和运行状态的应用程序数目上限，这是一个强限制，一旦集群中应用程序数目超过该上限，后续提交的应用程序将被拒绝，所有队列的数目上限可通过参数yarn.scheduler.capacity.maximum-applications设置（可看做默认值），而单个队列可通过参数yarn.scheduler.capacity.<queue-path>.maximum-applications设置适合自己的值。 | 10000 |
| maximum-am-resource-percent | 集群中用于运行应用程序ApplicationMaster的资源比例上限，该参数通常用于限制处于活动状态的应用程序数目。该参数类型为浮点型。所有队列的ApplicationMaster资源比例上限可通过参数yarn.scheduler.capacity. maximum-am-resource-percent设置（可看做默认值），而单个队列可通过参数yarn.scheduler.capacity.<queue-path>. maximum-am-resource-percent设置适合自己的值。 | 0.1，表示10% |
队列访问和权限控制参数
| 参数名称 | 说明 | 缺省值 |
|---|---|---|
| state | 队列状态可以为STOPPED或者RUNNING，如果一个队列处于STOPPED状态，用户不可以将应用程序提交到该队列或者它的子队列中，类似的，如果ROOT队列处于STOPPED状态，用户不可以向集群中提交应用程序，但正在运行的应用程序仍可以正常运行结束，以便队列可以优雅地退出。 | |
| acl_submit_applications | 限定哪些Linux用户/用户组可向给定队列中提交应用程序。需要注意的是，该属性具有继承性，即如果一个用户可以向某个队列中提交应用程序，则它可以向它的所有子队列中提交应用程序。配置该属性时，用户之间或用户组之间用“，”分割，用户和用户组之间用空格分割，比如“user1, user2 group1,group2”。 | |
| acl_administer_queue | 为队列指定一个管理员，该管理员可控制该队列的所有应用程序，比如杀死任意一个应用程序等。同样，该属性具有继承性，如果一个用户可以向某个队列中提交应用程序，则它可以向它的所有子队列中提交应用程序。 |
