在 Hadoop YARN 架构中，ApplicationMaster（AM）负责单个应用程序的资源申请、任务调度和状态监控。如果 ApplicationMaster 发生宕机，YARN 提供了一套完善的容错机制来确保作业能够恢复并继续执行。 整个容错和恢复过程可以分为以下几个关键步骤： 1. 故障检测 (心跳机制) 心跳维持：在正常运行期间，AM 会周期性地向 ResourceManager (RM) 发送心跳信息（汇报进度、申请资源等）。 超时判定：RM 内部有一个 （AM 活跃度监控器）。如果 RM 在规定的超时时间内（由参数 控制，默认通常为 10 分钟）没有收到 AM 的心跳，就会判定该 AM 已经宕机。 2. 状态清理与旧容器销毁 一旦确认 AM 宕机，RM 会将该 AM 标记为失败状态。 RM 会通知运行该 AM 的 NodeManager (NM) 清理掉这个失败的 AM 容器（Container），释放其占用的资源。 3. AM 的重新启动 重试次数限制：RM 不会无限次地重启 AM。YARN 允许配置 AM 的最大重试次数（参数 ，默认值通常为 2）。只有当重...
播面