3. JobTracker作业内存使用控制
3.1 JobTracker控制task内存使用方法
JobTracker：如果： mapred.job.map.memory.mb > mapred.cluster.max.map.memory.mb，则直接跑出异常，告诉client提交作业的内存不合法
3.2 JobTracker上相关类方法
initializeTaskMemoryRelatedConfig：初始化内存相关的配置变量
checkMemoryRequirements：判断某个作业内存使用量是否超出限制
4. Capacity Scheduler
Capacity Scheduler较其他Hadoop Scheduler，如FIFO或者Fair Scheduler，最大的好处之一是可以根据作业的内存需求量进行调度。核心思想是：用户提交作业时，指定作业的每个task预期使用内存量，然后根据该内存量计算出对应的slot数，这当该作业的某个task在某个TaskTracker执行时，一次性占用多个slot。
该调度器解决了Hadoop本身设计的一个缺陷，即：作业调度完全按照slot数来，如果有20个slot，则会同时有20个task执行。一般而言，slot对应CPU数，也就是说，调度器完全按照cpu资源调度，并没有考虑到内存，网络IO等资源。
5. 相关的Hadoop patch
Hadoop与task内存等资源控制相关的patch有三个：
（1） MAPREDUCE-1218：TaskTracker通过Heartbeat向jobtracker汇报自己可用的内存和cpu使用率。
（2） MAPREDUCE-220：TaskTracker收集自身每个task的内存和cpu使用量，并通过hearteat汇报给JobTracker
（3） MAPREDUCE-2037：TaskTracker收集自身的内存和cpu负载，并通过HeatBeat告诉JobTracker
另外，其他资源的收集，如网络IO和磁盘IO的收集的必要性和可行性，见：https://issues.apache.org/jira/browse/MAPREDUCE-220。