参考：https://www.ibm.com/developerworks/cn/opensource/os-cn-hadoop-yarn/
Yarn是Hadoop2的产物。提到这个问题就不得不说下Hadoop1与Hadoop2的差别。
详细的内容可参考博客：https://blog.csdn.net/jiangheng0535/article/details/12946529 。
Hadoop1的架构是：多个Application --> JobTracker --> 多个TaskTracker。
多个Application提交任务到JobTracker，JobTracker根据application申请资源情况启动并监控TaskTracker的状态。简单点来说存在以下四个问题：
1、JobTracker 是 Map-reduce 的集中处理点，存在单点故障。
2、JobTracker 既要监控各个Task的执行状态，又要做任务调度，负责的任务太多，造成了过多的资源消耗。当 map-reduce job 非常多的时候，会造成很大的内存开销，潜在来说，也增加了 JobTracker fail 的风险，这也是业界普遍总结出老 Hadoop 的 Map-Reduce 只能支持 4000 节点主机的上限。
3、在 TaskTracker 端，以 map/reduce task 的数目作为资源的表示过于简单，没有考虑到 cpu/ 内存的占用情况，如果两个大内存消耗的 task 被调度到了一块，很容易出现 OOM。
4、在 TaskTracker 端，把资源强制划分为 map task slot 和 reduce task slot, 如果当系统中只有 map task 或者只有 reduce task 的时候，会造成资源的浪费，也就是前面提过的集群资源利用的问题。
Yarn有没有解决问题？
hadoop2的架构是：多个application --> ResourceManager --> 多个NodeManager --> 多个application Master --> 多个container
多个Application提交任务到ResouceManager，ResourceManager通过NodeManager针对于每个application启动一个application Master。
application Master通过向ResourceManger申请资源，启动container。
针对于上述问题：
1、yarn可通过ResouceManager的HA来解决单点故障问题。
http://hadoop.apache.org/docs/stable/hadoop-yarn/hadoop-yarn-site/ResourceManagerHA.html 。
2、yarn 将 JobTracker 两个主要的功能资源管理和任务调度 / 监控分离成单独的组件。新的资源管理器全局管理所有应用程序计算资源的分配，每一个应用的 ApplicationMaster 负责相应的调度和协调。
3、yarn 通过NodeManager详细地统计了各个节点各个纬度的资源使用情况。
4、yarn的container没有map和reduce之分，可充分利用资源。
mesos解决了什么问题？
关于mesos，详细内容可参考博客 https://blog.csdn.net/u012050154/article/details/52572756 。
各种大数据计算框架不断出现，支持离线处理的MapReduce、在线处理的Storm，迭代计算框架Spark、及流式处理框架S4……各种分布式计算框架应运而生，
各自解决某一类应用中的问题。Mesos可以在各个框架间进行粗粒度的资源分配，每个框架根据自身任务的特点进行细粒度的任务调度。
其架构如下：
Mesos Master：整个系统的核心。主要负责管理各个Framework（通过Framework_manager管理接入的各个Framework）和Slave（通过Slaves_manager管理所有的Slave），并将Slave上的资源按照某资源分配策略分配给各个Framework；
Mesos Slave：接收来自Mesos Master的命令、管理本地节点上的各个Mesos Task，如为每个Executor分配资源。Mesos Slave将自己的资源量（包括CPU和内存）发送经Mesos Master，由Mesos Master的Allocator模块决定资源的具体分配；
Framework：负责外部的计算框架的接入，如Hadoop、Spark等。这些外部计算框架通过注册的方式接入Mesos，由Mesos进行分布式集群资源的分配；而任务的调度和执行由计算机框架本身完成（即计算框架本身调度器负责将资源分配给具体的任务）；
Executor：启动框架内部的Task。由于不同的框架接入Mesos的接口、方式不同，所以新框架接入Mesos需要编写自己的executor，通知Mesos如何启动框架中的Task。
mesos与yarn有哪些不同？
1、Mesos和Yarn都采用双层调度机制，即资源管理系统层（将资源分配给应用程序）和资源调度层（将资源具体分配给计算框架中的任务），但资源分配程度不同。Mesos只负责为Framework计算框架提供资源，具体的资源分配由计算框架自己实现。而Yarn则从计算框架中分离出资源管理，自己全权负责资源分配及调度；
2、Mesos采用Linux Container容器（一种内核虚拟化技术）对多计算框架共享资源进行隔离。而Yarn则是通过进程隔离，这一点Yarn的性能比较好（Yarn的发展借鉴了Mesos思想）；
链接：https://www.jianshu.com/p/a4ba843b09cc