Mesos中包含四类主要的服务（实际上是一个socket server），它们分别是Mesos Master，Mesos Slave，SchedulerProcess和ExecutorProcess，它们之间通过Protocal Buffer消息进行通信，每种服务内部注册了若干种Protocal Buffer消息处理器，一旦收到某种消息，则会调用相应的消息处理器进行处理。除了以上四种服务之外，Mesos还对外提供了三种可编程组件，分别是 Alloctor、Framework Scheduler和Framework Executor，编写这几个组件必须按照要求实现了几个接口，而这些接口将分别被下图中相邻的服务调用。
大部分人看到以上Mesos架构后，均会认为Framework必须是一个通用的框架，比如MapReduce、Storm、Spark等，而 Mesos Master负责将资源分配给各个框架，而各个框架的Scheduler进一步将资源分配给其内部的各个应用程序。这种观念是错误的，是对Mesos架构 的一种错误解读。
事实上，Framework不仅可以是通用的框架，也可以是像Hadoop的Job或者YARN的Application那样的简单计算任务，也就 是说，Framework并需要一定是一个“Framework”，或者一个长时间运行的服务（比如JobTracker等），也可以是一个短生命周期的 Job或者Application。如果让Framework对应一个Hadoop Job，则可以这样设计Framework Scheduler和Framework Executor：
（1）Framework Scheduler功能
Framework Scheduler负责按照作业的输入数据量，将之分解成若干任务，并为这些任务申请资源、监控这些任务的运行状态，一旦发现某个任务运行失败则重新为之申请资源。
（2）Framework Executor功能
为一个节点上的Map Task或者Reduce Task准备运行环境，包括准备各种jar包、二进制文件，设置必要的环境变量，进行必要的资源隔离，启动Jetty Shuffle以为Reduce Task提供远程数据拷贝服务等，接收来自Framework Scheduler的命令（启动任务、杀死任务等），并执行。
通过上面的介绍可以知道，Framework Scheduler只负责运行一个Hadoop Job，而如果你对YARN比较熟悉，便会发现者正是YARN中的MapReduce ApplicationMaster做的事情，没错，Mesos与YARN的设计架构如此的相近，以至于我们很容易通过修改YARN 的任何一个ApplicationMaster，让它作为一个Framework Scheduler运行在Mesos中。
最近Mesos提供了一个mesos-submit工具（https://github.com/apache/mesos/blob/trunk/docs/Using-the-mesos-submit-tool.md，注意，该工具尚不完善），该工具可以让用户的Framework Scheduler运行在任何一个Mesos Slave上，以防止客户端运行过多的Framework Scheduler，这样，Mesos的整个架构和工作流程已经变得与YARN相差无几了。
为了让大家更容易理解Mesos和YARN在架构上的相似性，下面给出了Mesos和YARN的组件对应表：
| Mesos中的组件 | YARN中的组件 | 功能 |
| Mesos Master | Resource Manager | 整个集群的资源管理和调度 |
| Mesos Slave | Node Manager | 单个节点的资源管理（资源隔离、汇报等）、任务启动等 |
| Framework Executor | ||
| Framework Scheduler | ApplicationMaster | 单个应用程序的管理和资源二次调度，基本操作均包括注册、资源申请/获取、资源分配（给内部的任务）等。 |
既然Mesos和YARN如此的相近，那么我们到底应该使用哪一个呢？或者说，哪一个系统更有前景？
就目前看来，YARN在以下几个方面存在明显优势：（1）人力投入大。目前YARN有专门的公司（hortonwork）维护和开发 （2）知名度高。YARN之前从Hadoop 1.0中演化而来，继承了Hadoop的知名度，且有大量公司和开发人员共享patch。然而，Mesos***优点的设计简单、容易上手使用，它不像 YARN那样，一个资源的分配过程要涉及到若干个状态机，且每种状态机十几种状态，十几种事件。但稳定性看，两个系统都处于研发和测试阶段，离稳定可用还 有一段距离。
