请描述Hadoop框架中任务容错的具体保障方式，并解释其重试机制是如何设计与运作的？

回答思路

1. 【回答框架 1】Hadoop的容错性体现在多个层面：NameNode通过元数据持久化（fsimage和edits log）和SecondaryNameNode辅助恢复；DataNode通过心跳机制和块复制（默认3副本）应对节点故障。
2. 【回答框架 2】任务级容错主要依赖ResourceManager和NodeManager：YARN通过检测NodeManager心跳超时，将运行中的任务重新调度到其他健康节点。MapReduce框架则通过TaskAttempt机制，为每个任务创建多个执行尝试。
3. 【回答框架 3】重试机制的核心是TaskAttempt的失败检测与重新执行：当task执行失败、节点故障或输出丢失时，ApplicationMaster会重新启动新的attempt，并设置最大重试次数（mapreduce.map.maxattempts默认4，reduce同理）。
4. 【回答框架 4】重试策略还包括推测执行：当有任务执行缓慢时，会启动备份任务，取最先完成的作为结果，加快作业完成。同时，Hadoop会处理任务输出的持久化（如Intermediate数据写入本地磁盘），并支持在重试时清理无效数据。
5. 【回答框架 5】此外，Hadoop支持将作业的提交逻辑设计为幂等，通过OutputCommitter管理任务和作业的提交，确保重复执行不会产生脏数据。整体设计基于状态记录和乐观重试，但需注意重试可能增加集群负载，最终一致性由上层应用保证。
6. 【关键点 1】Hadoop的容错依赖元数据持久化、副本机制和心跳检测。
7. 【关键点 2】YARN负责节点故障后的任务迁移调度。
8. 【关键点 3】TaskAttempt机制提供失败重试，受最大尝试次数限制。
9. 【关键点 4】推测执行通过冗余任务减少慢任务影响。
10. 【关键点 5】输出提交的幂等设计保证重试不会产生脏数据。
11. 【易错点 1】不能将Hadoop重试机制直接等价为业务幂等，任务重复执行时需额外设计唯一标识或状态记录。
12. 【易错点 2】重试次数并非无限，默认有上限，超过后作业会失败。
13. 【易错点 3】推测执行并不总是提升效率，资源竞争时可能加重集群负担。