一. ResourceManager 相关配置参数

1.1 通信配置参数

1. yarn.resourcemanager.address

• 参数解释：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

• 默认值：${yarn.resourcemanager.hostname}:8032

2. yarn.resourcemanager.scheduler.address

• 参数解释：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

• 默认值：${yarn.resourcemanager.hostname}:8030

3. yarn.resourcemanager.resource-tracker.address

• 参数解释：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

• 默认值：${yarn.resourcemanager.hostname}:8031

4. yarn.resourcemanager.admin.address

• 参数解释：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。

• 默认值：${yarn.resourcemanager.hostname}:8033

5. yarn.resourcemanager.webapp.address

• 参数解释：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

• 默认值：${yarn.resourcemanager.hostname}:8088

1.2 调度器配置参数

1. yarn.resourcemanager.scheduler.class

• 参数解释：启用的资源调度器主类。目前可用的有 FIFO、Capacity Scheduler 和 Fair Scheduler。

• 默认值：Fair Scheduler （hadoop 2.5）

2. yarn.resourcemanager.resource-tracker.client.thread-count

• 参数解释：处理来自 NodeManager 的 RPC 请求的 Handler 数目

• 默认值：50

3. yarn.resourcemanager.scheduler.client.thread-count

• 参数解释：处理来自 ApplicationMaster 的 RPC 请求的 Handler 数目

• 默认值：50

4. yarn.resourcemanager.nodes.include-path /yarn.resourcemanager.nodes.exclude-path

• 参数解释：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）

• 默认值：“”

5. yarn.resourcemanager.nodemanagers.heartbeat-interval-ms

• 参数解释：NodeManager 心跳间隔

• 默认值：1000（毫秒）

1.3 内存和 CPU 配置参数

1. yarn.scheduler.minimum-allocation-mb/ yarn.scheduler.maximum-allocation-mb

• 参数解释：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

• 默认值：1024/8192

2. yarn.scheduler.minimum-allocation-vcores / yarn.scheduler.maximum-allocation-vcores

• 参数解释：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

• 默认值：1/32

二. NodeManager 相关配置参数

2.1 内存与 CPU 配置参数

1. yarn.nodemanager.resource.memory-mb

• 参数解释：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 8192 MB，即使你的机器内存不够 8192 MB，YARN 也会按照这些内存来使用，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

• 默认值：8192

2. yarn.nodemanager.vmem-pmem-ratio

• 参数解释：每使用 1MB 物理内存，最多可用的虚拟内存数

• 默认值：2.1

3. yarn.nodemanager.resource.cpu-vcores

• 参数解释：NodeManager总的可用虚拟CPU个数

• 默认值：8

2.1 日志配置参数

1. yarn.nodemanager.local-dirs

• 参数解释：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

• 默认值：${hadoop.tmp.dir}/nm-local-dir

2. yarn.nodemanager.log-dirs

• 参数解释：日志存放地址（可配置多个目录）。

• 默认值：${yarn.log.dir}/userlogs

3. yarn.nodemanager.log.retain-seconds

• 参数解释：NodeManager上日志最多存放时间（不启用日志聚集功能时有效）。

• 默认值：10800（3小时）

2.3 运行配置参数

1. yarn.nodemanager.aux-services

• 参数解释：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：“”

三. Hadoop YARN 中内存的设置详解

在 YARN 中，资源管理由 ResourceManager 和 NodeManager 共同完成，其中，ResourceManager 中的调度器负责资源的分配，而 NodeManager 则负责资源的供给和隔离。ResourceManager 将某个 NodeManager 上资源分配给任务（这就是所谓的“资源调度”）后，NodeManager 需按照要求为任务提供相应的资源，甚至保证这些资源应具有独占性，为任务运行提供基础的保证，这就是所谓的资源隔离。

3.1 nodemanager 属性配置

基于以上考虑，YARN 允许用户配置每个节点上可用的物理内存资源，注意，这里是“可用的”，因为一个节点上的内存会被若干个服务共享，比如一部分给 YARN，一部分给 HDFS，一部分给 Hbase等，YARN 配置的只是自己可以使用的，配置参数如下：

1. yarn.nodemanager.resource.memory-mb

表示该节点上 YARN 可使用的物理内存总量，默认是 8192（MB），注意，如果你的节点内存资源不够 8GB，则需要调减小这个值，而 YARN 不会智能的探测节点的物理内存总量。

2. 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2.1。

3. 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。

4. yarn.nodemanager.vmem-check-enabled

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。

5. yarn.scheduler.minimum-allocation-mb

单个任务可申请的最少物理内存量，默认是1024（MB），如果一个任务申请的物理内存量少于该值，则该对应的值改为这个数。

6. yarn.scheduler.maximum-allocation-mb

单个任务可申请的最多物理内存量，默认是8192（MB）。

默认情况下，YARN 采用了线程监控的方法判断任务是否超量使用内存，一旦发现超量，则直接将其杀死。由于 Cgroups 对内存的控制缺乏灵活性（即任务任何时刻不能超过内存上限，如果超过，则直接将其杀死或者报 OOM），而 Java 进程在创建瞬间内存将翻倍，之后骤降到正常值，这种情况下，采用线程监控的方式更加灵活（当发现进程树内存瞬间翻倍超过设定值时，可认为是正常现象，不会将任务杀死），因此 YARN 未提供 Cgroups 内存隔离机制。

3.2 动态设置内存大小

可以使用如下命令在提交任务时动态设置：

hadoop jar <jarName> -D mapreduce.map.memory.mb=5120

hadoop jar <jarName> -D mapreduce.reduce.memory.mb=5120

例如如下，其中后面的 1024 及两个 1 均为 jar 的输入参数。

./bin/hadoop jar /home/hadoop/jar-output/TestLoop-1024M.jar -D mapreduce.map.memory.mb=5120 AESEnTest 1024 1 1 或者

 ./bin/hadoop jar /home/hadoop/jar-output/TestLoop-1024M.jar -D mapreduce.map.memory.mb=5120 AESEnTest 1024 1 1

3.3 总结内存配置

当发生如下错误

Container [pid=24156,containerID=container_1427332071311_0019_01_000002] is running beyond physical memory limits. Current usage: 2.1 GB of 2 GB physical memory used; 2.7 GB of 4.2 GB virtual memory used. Killing container.

1. 在 RM 内存资源配置——两个参数（yarn-site.xml）

• yarn.scheduler.minimum-allocation-mb

• yarn.scheduler.maximum-allocation-mb

它们表示单个容器可以申请的最小与最大内存

2. 在 NM 内存资源配置(yarn-site.xml)

• yarn.nodemanager.resource.memory-mb

• yarn.nodemanager.vmem-pmem-ratio

前者表示单个节点可用的最大内存，RM 中的两个值都不应该超过该值。 
后者表示虚拟内存率，即占 task 所用内存的百分比，默认为 2.1。

3. 在 AM 配置(mapred-site.xml)

• mapreduce.map.memory.mb

• mapreduce.reduce.memory.mb

指定 map 和 reduce task 的内存大小，该值应该在 RM 的最大最小 container 之间。如果不设置，则默认用以下规则进行计算：max{MIN_Container_Size,(Total Available RAM/containers)}。

一般地，reduce 设置为 map 的两倍。

• mapreduce.map.java.opts

• mapreduce.reduce.java.opts

这两个参数是为需要运行 JVM 程序（java，Scala等）准备，通过这两个参数可以向 JVM 中传递参数，与内存有关的是 -Xmx, -Xms 等选项，数值的大小应该要在 AM 中的 map.mb 和 reduce.mb 之间。