YARN和MapReduce的总可用RAM应考虑保留内存。Reserved Memory是系统进程和其他Hadoop进程（例如HBase）所需的RAM。
1. 保留内存
保留内存=为堆栈内存保留+为HBase内存保留（如果HBase在同一节点上）
保留的内存建议:
| 每个节点的总内存 | 推荐的预留系统内存 | 推荐的预留HBase内存 |
|---|---|---|
| 4GB | 1GB | 1GB |
| 8GB | 2GB | 1GB |
| >=16GB | 总内存1/8 | 总内存1/8 |
2. 确定每个节点允许的最大容器数。
容器数量= min（2 * CORES，1.8 * DISKS，（总可用RAM）/ MIN_CONTAINER_SIZE）
其中MIN_CONTAINER_SIZE是最小容器大小（在RAM中）。此值取决于可用的RAM量 - 在较小的内存节点中，最小容器大小也应该更小。下表概述了建议值：
| 每个节点的总RAM | 建议的最小容器尺寸 |
|---|---|
| 小于4 GB | 256 MB |
| 介于4 GB和8 GB之间 | 512 MB |
| 介于8 GB和24 GB之间 | 1024 MB |
| 超过24 GB | 2048 MB |
3. 确定每个容器的RAM量：
RAM-per-container = max（MIN_CONTAINER_SIZE，（总可用RAM）/容器数量））
| 配置文件 | 配置设置 | 价值计算 |
|---|---|---|
| yarn-site.xml | yarn.nodemanager.resource.memory-mb | = containers * RAM-per-container |
| yarn-site.xml | yarn.scheduler.minimum-allocation-mb | = RAM-per-container |
| yarn-site.xml | yarn.scheduler.maximum-allocation-mb | = containers * RAM-per-container |
| mapred-site.xml | mapreduce.map.memory.mb | = RAM-per-container |
| mapred-site.xml | mapreduce.reduce.memory.mb | = 2 * RAM-per-container |
| mapred-site.xml | mapreduce.map.java.opts | = 0.8 * RAM-per-container |
| mapred-site.xml | mapreduce.reduce.java.opts | = 0.8 * 2 * RAM-per-container |
| yarn-site.xml (check) | yarn.app.mapreduce.am.resource.mb | = 2 * RAM-per-container |
| yarn-site.xml (check) | yarn.app.mapreduce.am.command-opts | = 0.8 * 2 * RAM-per-container |
4. 在YARN上配置MapReduce内存设置
MapReduce在YARN之上运行，并利用YARN Containers来安排和执行Map and Reduce任务。在YARN上配置MapReduce资源利用率时，需要考虑三个方面：
-
每个Map和Reduce任务的物理RAM限制。
-
每个任务的JVM堆大小限制。
-
每个任务将接收的虚拟内存量。
您可以为每个Map和Reduce任务定义最大内存量。由于每个Map和Reduce任务都将在一个单独的Container中运行，因此这些最大内存设置应等于或大于YARN最小Container分配。
对于上一节中使用的示例群集（48 GB RAM，12个磁盘和12个核心），Container的最小RAM（yarn.scheduler.minimum-allocation-mb）= 2 GB。因此，我们将为Map任务容器分配4 GB，为Reduce任务容器分配8 GB。
在 mapred-site.xml：
<name> mapreduce.map.memory.mb </ name>
<value> 4096 </ value>
<name> mapreduce.reduce.memory.mb </ name>
<value> 8192 </ value>
每个Container都将运行JVM以执行Map和Reduce任务。JVM堆大小应设置为低于Map和Reduce Containers的值，以便它们在YARN分配的Container内存的范围内。
在 mapred-site.xml：
<name> mapreduce.map.java.opts </ name>
<value> -Xmx3072m </ value>
<name> mapreduce.reduce.java.opts </ name>
<value> -Xmx6144m </ value>
上述设置配置Map和Reduce任务将使用的物理RAM的上限。每个Map和Reduce任务的虚拟内存（物理+分页内存）上限由允许每个YARN Container的虚拟内存比确定。此比率使用以下配置属性设置，默认值为2.1：
在 yarn-site.xml：
<name> yarn.nodemanager.vmem-pmem-ratio </ name>
<value> 2.1 </ value>
通过我们示例集群上的上述设置，每个Map任务将接收以下内存分配：
分配的物理RAM总量= 4 GB
Map任务Container中的JVM堆空间上限= 3 GB
虚拟内存上限= 4 * 2.1 = 8.2 GB
例子
群集节点具有12个CPU核心，48 GB RAM和12个磁盘。
保留内存= 6 GB保留用于系统内存+（如果是HBase）8 GB用于HBase
最小容器大小= 2 GB
1. 如果没有HBase：
容器数量= min（2 * 12,1.8 * 12，（48-6）/ 2）= min（24,21.6,21）= 21
RAM-per-container = max（2，（48-6）/ 21）= max（2,2）= 2
| 组态 | 价值计算 |
|---|---|
| yarn.nodemanager.resource.memory-mb | = 21 * 2 = 42 * 1024 MB |
| yarn.scheduler.minimum.allocation-mb | = 2 * 1024 MB |
| yarn.scheduler.maximum.allocation-mb | = 21 * 2 = 42 * 1024 MB |
| mapreduce.map.memory.mb | = 2 * 1024 MB |
| mapreduce.reduce.memory.mb | = 2 * 2 = 4 * 1024 MB |
| mapreduce.map.java.opts | = 0.8 * 2 = 1.6 * 1024 MB |
| mapreduce.reduce.java.opts | = 0.8 * 2 * 2 = 3.2 * 1024 MB |
| yarn.app.mapreduce.am.resource.mb | = 2 * 2 = 4 * 1024 MB |
| yarn.app.mapreduce.am.command-opts | = 0.8 * 2 * 2 = 3.2 * 1024 MB |
2. 如果包含HBase：
容器数量= min（2 * 12,1.8 * 12，（48-6-8）/ 2）= min（24,21.6,17）= 17
RAM-per-container = max（2，（48-6-8）/ 17）= max（2,2）= 2
| 组态 | 价值计算 |
|---|---|
| yarn.nodemanager.resource.memory-mb | = 17 * 2 = 34 * 1024 MB |
| yarn.scheduler.minimum.allocation-mb | = 2 * 1024 MB |
| yarn.scheduler.maximum.allocation-mb | = 17 * 2 = 34 * 1024 MB |
| mapreduce.map.memory.mb | = 2 * 1024 MB |
| mapreduce.reduce.memory.mb | = 2 * 2 = 4 * 1024 MB |
| mapreduce.map.java.opts | = 0.8 * 2 = 1.6 * 1024 MB |
| mapreduce.reduce.java.opts | = 0.8 * 2 * 2 = 3.2 * 1024 MB |
| yarn.app.mapreduce.am.resource.mb | = 2 * 2 = 4 * 1024 MB |
| yarn.app.mapreduce.am.command-opts |