转载：http://blog.itpub.net/30089851/viewspace-2127851/，部分内容讲解并不适合最新的hadoop版本，但可以借鉴学习。

Hadoop YARN同时支持内存和CPU两种资源的调度，本文介绍如何配置YARN对内存和CPU的使用。
YARN作为一个资源调度器，应该考虑到集群里面每一台机子的计算资源，然后根据application申请的资源进行分配Container。Container是YARN里面资源分配的基本单位，具有一定的内存以及CPU资源。
在YARN集群中，平衡内存、CPU、磁盘的资源的很重要的，根据经验，每两个container使用一块磁盘以及一个CPU核的时候可以使集群的资源得到一个比较好的利用。

内存配置

关于内存相关的配置可以参考hortonwork公司的文档Determine HDP Memory Configuration Settings来配置你的集群。
YARN以及MAPREDUCE所有可用的内存资源应该要除去系统运行需要的以及其他的hadoop的一些程序，总共保留的内存=系统内存+HBASE内存。
可以参考下面的表格确定应该保留的内存：

计算每台机子最多可以拥有多少个container，可以使用下面的公式:
containers = min (2CORES, 1.8DISKS, (Total available RAM) / MIN_CONTAINER_SIZE)
说明：

• CORES为机器CPU核数
• DISKS为机器上挂载的磁盘个数
• Total available RAM为机器总内存
• MIN_CONTAINER_SIZE是指container最小的容量大小，这需要根据具体情况去设置，可以参考下面的表格： | 每台机子可用的RAM | container最小值 | | —- | —- | | 小于4GB | 256MB | | 4GB到8GB之间 | 512MB | | 8GB到24GB之间 | 1024MB | | 大于24GB | 2048MB |

每个container的平均使用内存大小计算方式为：
RAM-per-container = max(MIN_CONTAINER_SIZE, (Total Available RAM) / containers))
通过上面的计算，YARN以及MAPREDUCE可以这样配置：

举个例子：对于128G内存、32核CPU的机器，挂载了7个磁盘，根据上面的说明，系统保留内存为24G，不适应HBase情况下，系统剩余可用内存为104G，计算containers值如下：
containers = min (232, 1.8 7 , (128-24)/2) = min (64, 12.6 , 51) = 13
计算RAM-per-container值如下：
RAM-per-container = max (2, (124-24)/13) = max (2, 8) = 8
你也可以使用脚本yarn-utils.py来计算上面的值：
点击(此处)折叠或打开

1. !/usr/bin/env python

2. import optparse
3. from pprint import pprint
4. import logging
5. import sys
6. import math
7. import ast
8. 
   
9. ‘’’ Reserved for OS + DN + NM, Map: Memory => Reservation ‘’’
10. reservedStack = { 4:1, 8:2, 16:2, 24:4, 48:6, 64:8, 72:8, 96:12,
11. 128:24, 256:32, 512:64}
12. ‘’’ Reserved for HBase. Map: Memory => Reservation ‘’’
14. reservedHBase = {4:1, 8:1, 16:2, 24:4, 48:8, 64:8, 72:8, 96:16,
15. 128:24, 256:32, 512:64}
16. GB = 1024
17. 
    
18. def getMinContainerSize(memory):
19. if (memory <= 4):
20. return 256
21. elif (memory <= 8):
22. return 512
23. elif (memory <= 24):
24. return 1024
25. else:
26. return 2048
27. pass
28. 
    
29. def getReservedStackMemory(memory):
30. if (reservedStack.has_key(memory)):
31. return reservedStack[memory]
32. if (memory <= 4):
33. ret = 1
34. elif (memory >= 512):
35. ret = 64
36. else:
37. ret = 1
38. return ret
39. 
    
40. def getReservedHBaseMem(memory):
41. if (reservedHBase.has_key(memory)):
42. return reservedHBase[memory]
43. if (memory <= 4):
44. ret = 1
45. elif (memory >= 512):
46. ret = 64
47. else:
48. ret = 2
49. return ret
51. def main():
52. log = logging.getLogger(name)
53. out_hdlr = logging.StreamHandler(sys.stdout)
54. out_hdlr.setFormatter(logging.Formatter(‘ %(message)s’))
55. out_hdlr.setLevel(logging.INFO)
56. log.addHandler(out_hdlr)
57. log.setLevel(logging.INFO)
58. parser = optparse.OptionParser()
59. memory = 0
60. cores = 0
61. disks = 0
62. hbaseEnabled = True
63. parser.add_option(‘-c’, ‘—cores’, default = 16,
64. help = ‘Number of cores on each host’)
65. parser.add_option(‘-m’, ‘—memory’, default = 64,
66. help = ‘Amount of Memory on each host in GB’)
67. parser.add_option(‘-d’, ‘—disks’, default = 4,
68. help = ‘Number of disks on each host’)
69. parser.add_option(‘-k’, ‘—hbase’, default = “True”,
70. help = ‘True if HBase is installed, False is not’)
71. (options, args) = parser.parse_args()
73. cores = int (options.cores)
74. memory = int (options.memory)
75. disks = int (options.disks)
76. hbaseEnabled = ast.literal_eval(options.hbase)
78. log.info(“Using cores=” + str(cores) + “ memory=” + str(memory) + “GB” +
79. “ disks=” + str(disks) + “ hbase=” + str(hbaseEnabled))
80. minContainerSize = getMinContainerSize(memory)
81. reservedStackMemory = getReservedStackMemory(memory)
82. reservedHBaseMemory = 0
83. if (hbaseEnabled):
84. reservedHBaseMemory = getReservedHBaseMem(memory)
85. reservedMem = reservedStackMemory + reservedHBaseMemory
86. usableMem = memory - reservedMem
87. memory -= (reservedMem)
88. if (memory < 2):
89. memory = 2
90. reservedMem = max(0, memory - reservedMem)
92. memory *= GB
94. containers = int (min(2 * cores,
95. min(math.ceil(1.8 * float(disks)),
96. memory/minContainerSize)))
97. if (containers <= 2):
98. containers = 3
99. 
    
100. log.info(“Profile: cores=” + str(cores) + “ memory=” + str(memory) + “MB”
101. • “ reserved=” + str(reservedMem) + “GB” + “ usableMem=”
102. • str(usableMem) + “GB” + “ disks=” + str(disks))
104. container_ram = abs(memory/containers)
105. if (container_ram > GB):
106. container_ram = int(math.floor(container_ram / 512)) * 512
107. log.info(“Num Container=” + str(containers))
108. log.info(“Container Ram=” + str(container_ram) + “MB”)
109. log.info(“Used Ram=” + str(int (containers*container_ram/float(GB))) + “GB”)
110. log.info(“Unused Ram=” + str(reservedMem) + “GB”)
111. log.info(“yarn.scheduler.minimum-allocation-mb=” + str(container_ram))
112. log.info(“yarn.scheduler.maximum-allocation-mb=” + str(containers*container_ram))
113. log.info(“yarn.nodemanager.resource.memory-mb=” + str(containers*container_ram))
114. map_memory = container_ram
115. reduce_memory = 2*container_ram if (container_ram <= 2048) else container_ram
116. am_memory = max(map_memory, reduce_memory)
117. log.info(“mapreduce.map.memory.mb=” + str(map_memory))
118. log.info(“mapreduce.map.java.opts=-Xmx” + str(int(0.8 * map_memory)) +”m”)
119. log.info(“mapreduce.reduce.memory.mb=” + str(reduce_memory))
120. log.info(“mapreduce.reduce.java.opts=-Xmx” + str(int(0.8 * reduce_memory)) + “m”)
121. log.info(“yarn.app.mapreduce.am.resource.mb=” + str(am_memory))
122. log.info(“yarn.app.mapreduce.am.command-opts=-Xmx” + str(int(0.8*am_memory)) + “m”)
123. log.info(“mapreduce.task.io.sort.mb=” + str(int(0.4 * map_memory)))
124. pass
125. 
     
126. if name == ‘main‘:
127. try:
128. main()
129. except(KeyboardInterrupt, EOFError):
130. print(“\nAborting … Keyboard Interrupt.”)
131. sys.exit(1)

执行下面命令：
python yarn-utils.py -c 32 -m 128 -d 7 -k False

返回结果如下：
点击(此处)折叠或打开

1. Using cores=32 memory=128GB disks=7 hbase=False
2. Profile: cores=32 memory=106496MB reserved=24GB usableMem=104GB disks=7
3. Num Container=13
4. Container Ram=8192MB
5. Used Ram=104GB
6. Unused Ram=24GB
7. yarn.scheduler.minimum-allocation-mb=8192
8. yarn.scheduler.maximum-allocation-mb=106496
9. yarn.nodemanager.resource.memory-mb=106496
10. mapreduce.map.memory.mb=8192
11. mapreduce.map.java.opts=-Xmx6553m
12. mapreduce.reduce.memory.mb=8192
13. mapreduce.reduce.java.opts=-Xmx6553m
14. yarn.app.mapreduce.am.resource.mb=8192
15. yarn.app.mapreduce.am.command-opts=-Xmx6553m
16. mapreduce.task.io.sort.mb=3276

这样的话，每个container内存为8G，似乎有点多，我更愿意根据集群使用情况任务将其调整为2G内存，则集群中下面的参数配置值如下：

对应的xml配置为：
点击(此处)折叠或打开

2. yarn.nodemanager.resource.memory-mb
3. 106496
6. yarn.scheduler.minimum-allocation-mb
7. 2048
10. yarn.scheduler.maximum-allocation-mb
11. 106496
14. yarn.app.mapreduce.am.resource.mb
15. 4096
18. yarn.app.mapreduce.am.command-opts
19. -Xmx3276m

另外，还有一下几个参数：

• 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2.1M。
• 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。
• yarn.nodemanager.vmem-pmem-ratio：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。

第一个参数的意思是当一个map任务总共分配的物理内存为2G的时候，该任务的container最多内分配的堆内存为1.6G，可以分配的虚拟内存上限为2*2.1=4.2G。另外，照这样算下去，每个节点上YARN可以启动的Map数为104/2=52个。

CPU配置

YARN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：

• 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。
• 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。
• yarn.scheduler.maximum-allocation-vcores：单个任务可申请的最多虚拟CPU个数，默认是32。

对于一个CPU核数较多的集群来说，上面的默认配置显然是不合适的，在我的测试集群中，4个节点每个机器CPU核数为31，留一个给操作系统，可以配置为：
点击(此处)折叠或打开

2. yarn.nodemanager.resource.cpu-vcores
3. 31
6. yarn.scheduler.maximum-allocation-vcores
7. 124