考虑这样一个场景：您正在设置一个集群，其中每台计算机都有48gb的ram。一些ram应该保留给操作系统和其他已安装的应用程序。
yarn.nodemanager.resource.memory-mb:
可分配给容器的物理内存量（mb）。这意味着此节点上可以使用的内存量，因此此属性应低于该机器的总内存。

<name>yarn.nodemanager.resource.memory-mb</name>
<value>40960</value> <!-- 40 GB -->

下一步是就如何将可用的总资源分解到容器中提供指导。为此，您可以指定要为容器分配的最小ram单位。
在 yarn-site.xml ```
yarn.scheduler.minimum-allocation-mb <!-- RAM-per-container ->
2048

yarn.scheduler.maximum-allocation-mb:
它定义了容器可用的最大内存分配（mb）
这意味着rm只能以 `"yarn.scheduler.minimum-allocation-mb"` 不超过 `"yarn.scheduler.maximum-allocation-mb"` 并且它不应该超过节点的总分配内存。
在 `yarn-site.xml` ```
<name>yarn.scheduler.maximum-allocation-mb</name> <!-Max RAM-per-container->
 <value>8192</value>

对于mapreduce应用程序，yarn在一个容器中处理每个map或reduce任务，在一台机器上可以有多个容器。我们希望在每个节点上最多允许20个容器，因此每个由属性控制的容器至少需要（40 gb总ram）/（20#个容器）=2 gb yarn.scheduler.minimum-allocation-mb 同样，我们要限制由属性控制的容器的最大内存利用率 "yarn.scheduler.maximum-allocation-mb" 例如，如果一个作业要求每个Map容器有2049 mb内存( mapreduce.map.memory.mb=2048 set in mapred-site.xml )，rm将为其提供4096 mb( 2*yarn.scheduler.minimum-allocation-mb )容器。
如果有一个巨大的mr作业需要一个9999mb的Map容器，那么该作业将被终止，并显示错误消息。