Spark内存管理机制
1 内存管理面临的挑战
- 内存消耗来源多种多样，难以统一管理。Spark运行时内存消耗主要包括3个方面：
- 框架本身在数据处理时所需要的内存(如Shuffle Read/Write阶段使用的类HashMap和Array数组)
- 数据缓存，对于需要重复使用的数据，我们一般缓存到内存中，避免重复计算
- 用户代码消耗的内存(User Code)，如用户在reduceByKey(func)、mapPartitions(func)中自定踹出的数据结构，暂存处理结果
- 内存消耗动态变化、难以预估，为内存分配和回收带来困难。Spark运行时的内存消耗内存和多种因素相关，如Shuffle机制中的内存用量与Shuffle数据量、分区个数，用户自定的聚合函数相关，难以预估。用户代码的内存用量与func的计算逻辑、输入数据量有关，也难以估计。并且这些内存消耗来源产生的内存对象的生命周期不同。
- task之间共享内存，导致内存竞争。task一线程方式运行在同一个Executor JVM中，task之间还存在内存共享和内存竞争。
2 应用内存消耗来源和影响因素
Hadoop MapReduce中，task是以JVm进程方式运行，因此内存消耗指的是进程的内存消耗。而Spark的task是以线程方式运行在Executor JVM中，因此，Spark内存消耗在微观上指的是task线程的内存消耗，在宏观上指的是Executor JVM的内存消耗。由于Executor JVM中可以同时运行多个task，存在内存竞争，为了简化分析，我们主要关注单个task的内存消耗。
2.1 用户代码
用户代码指的是用户采用数据操作和其中死func，如map(func)，reduceByKey(func)等。func有两种类型：一种是一进一出的，对产生的结果不进行存储，这类内存消耗可以忽略不计。另一种是对中间计算结果进行一定程度的存储，如groupByKey()，需要利用数组对数据进行存储，并存储计算结果，这些中间结果会造成内存消耗。
影响因素：包括数据操作的输入数据大小，以及func的空间复杂度。输入数据大小决定用户代码会产生多少个中间计算结果，空间复杂度决定有多少中间计算结果保存在内存之中。
2.2 Shuffle机制中产生的中间数据
Shuffle Write：该阶段首先对map task输出的Output-records进行分区，以便后续分配不同的reduce task，在这个过程中只需要计算每个record的partitionId，因此内存消耗可以忽略不计。然后，如果需要进行combine()聚合，没么Spark会将record内存存放到AppendOnlyMap或ExternalAppendOnlyMap类HashMap的数据结构中进行聚合，这个过程中HashMap会占用大量内存。最后Spark会按照partitionId或Key对record进行排序，这个过程中可能会使用数组保存record，也会消耗一定的内存空间。
Shuffle Read：该阶段将来自不同map task的分区数据进行聚合、排序，得到结果后进行下一步计算。首先分配一个buffer暂存从不同map task获取的record，这个buffer需要消耗一些内存。然后，如果需要对数据进行聚合，那么Spark将采用类似HashMap的数据结构对这些record进行聚合，会占用大量内存空间。最后，如果需要对Key进行排序，那么会建立数组来进行排序，需要消耗一定内存空间。
影响因素：首先，Shuffle方式影响内存消耗，对分区、排序、聚合这些需求不同导致需要的内存不同。其次Shuffle Write/Read的数据量影响中间数据大小，进而影响内存消耗。最后，用户定义的聚合函数的空间复杂度影响中间计算结果大小，进而影响内存消耗。
2.3 缓存数据
RDD会被缓存到内存中以减少下一个job的计算开销，尤其是迭代型应用对这方面的需求更大。
影响因素：需要缓存的RDD大小、缓存级别、是否序列化等。
3 Spark框架统一内存管理模型(UnifiedMemoryManager)
将内存划分为3个分区：数据缓存空间、框架执行空间和用户代码空间。在这3个分区中，数据缓存空间和框架执行空间组成(共享)了一个大的空间，称为Framework memory。Framework memory大小固定，且为数据缓存空间和框架执行空间设置了初始比例，但这个比例可以在应用执行过程中动态调整。同时，两者之间比例也有上下界，使得一方不能完全侵占另一方的空间，从而为了避免某一方空间占满导致后续的数据缓存操作或Shuffle操作无法执行。对于用户代码空间，Spark将其设定为固定大小，原因是难以在运行时获取用户代码的真实内存消耗，也就难以动态设定用户代码空间的比例。
另外，当框架内存执行空间不足时，会将Shuffle数据spill到磁盘上；当数据缓存空间不足时，Spark会进行缓存替换，移除缓存数据等操作。最后，为了限制每个task的内存使用，也会对每个task的内存使用限额。
Executor JVM的整个内存空间划分为以下3个部分：
- Reserved Memory(系统保留内存)：Reserved Memory使用较小的空间存储Spark框架产生的内部对象(如Spark Executor对想，TaskMemoryManager对象等Spark内部对象)，系统保留内存大小通过spark.testing.ReservedMemory设置(默认为300MB)。
- User Memory(用户代码空间)：用户代码空间被用于存储用户代码生成的对象，如map()中用户自定义的数据结构。用户代码空间默认为40%的内存空间。
- Framework Memory(框架内存)：Framework Memory包括Executor Memory和Storage Memory。总大小为spark.memory.fraction(default 0.6)*(heap-Reserved memory)，约等于60%的内存空间，两者共享这个空间，其中一方空间不足时可以动态向另一方借用。但是至少要保证数据缓存空间具有50%左右(spark.memory.storageFraction(default 0.5)*FrameWork memory大小)的空间。在框架执行时，借走的空间不会归还给数据缓存空间，原因是难以实现。
- Framwork Memory的堆外内存：为了减少GC开销，Spark也允许使用堆外内存，这个空间不受JVM GC管理，在结束时需要手动释放空间。因为堆外内存主要存储序列化对象数据，而用户代码处理的是普通Java对象，因此堆外内存只用于框架执行空间和数据缓存空间，而不用于用户代码空间。如果用户定义了堆外内存，其大小通过spark.memory.offHeap.size设置，那么Spark仍然会按照堆外内存使用的spark.memory.storageFraction比例将堆外内存分为框架执行空间和数据缓存空间，而且堆外内存的管理方式和功能与堆内内存的Framework Memory一样。在运行应用是，Spark会根据应用Shuffle方式及用户设置的数据缓存级别来使用堆内内存还是堆外内存。SerializedShuffle方式可以利用堆外内存来进行Shuffle Write，用户可以使用rdd.persist(OFF_HEAP)后可以将rdd存储到堆外内存。
注意：虽然Spark内存模型可以限制框架使用的空间大小，但无法控制用户代码的内存消耗量，用户代码运行时的实际内存消耗量可能超过用户代码空间的界限，侵占框架使用的空间，此时如果框架也使用了大量内存空间，则可能会OOM。
4 Spark框架执行内存消耗与管理
内存共享与竞争
由于Executor中存在多个task，因此框架执行空间实际上是由多个task(ShuffleMapTask或ResultTask)共享。在运行过程中，Executor中活跃的task数目在[0,#ExecutorCores]内变化，#ExecutorCores是每个Executor分配的CPU个数。为了公平性，每个task可使用的内存空间被均分，也就是空间大小被控制在[1/2N,1/N]*ExecutorMemory内，N是当前活跃的task数目。这个策略也适用于堆外内存中的Executition Memory。
内存使用
框架执行空间主要用于Shuffle阶段，Shuffle阶段中需要对数据进行partition、sort、merge、fetch、aggregate等操作，Spark的数据结构会优先将这个过程中产生的中间数据保存在内存中，当内存不足时，spill到磁盘上。
4.1 Shuffle Write阶段内存消耗和管理
Map()端聚合 | 按Key排序 | Partition | 类别 | Shuffle Write实现类 | 内存消耗 |
No | No | <=200 | Serialized | BypassMergeSortShuffleWriter | Fixed buffers(on-heap) |
No | No | >200 & <16777216(2^24) | Serialized | SerializedShuffleWriter | PointerArray+Data pages(On-heap or off-heap) |
No | Yes | Unlimited | Unserialized | SortShuffleWriter(KeyOrdering=true) | Array(on-heap) |
Yes | Yes/No | Unlimited | Unserialized | SortShuffleWriter(mapSideCombine=true) | HashMap(on-heap) |
- BypassMergeSortShuffle-Writer：基于buffer，无map()端聚合，无排序且partition个数不超过200。
- SerializedShuffleWriter：无map()端聚合，无排序且partition个数大于200的情况。
- SortShuffleWriter(KeyOrder=true)：基于数组，无map()端聚合但需要排序的情况。
- SortShuffleWriter(mapSideCombine=true)：基于HashMap，有map()端聚合的情况。
1、2、4这3种方式都是利用堆内存来聚合、排序record对象的，属于Unserialized Shuffle方式。这种方式处理的record对象是普通的Java对象，有较大的内存消耗，也会造成较大的JVM立即回收开销。Spark为了提高Shuffle效率，在2.0版本中引入了Serialized Shuffle方式，核心思想是直接在内存中操作序列化后的record对象(二进制数据)，降低内存消耗和GC开销，同时也可以利用堆外内存。然后，由于Serialized Shuffle方式处理的是序列化后的数据，也有一些适用性上的不足，如在Shuffle Write中，只用于无map()端聚合且无排序的情况。
BypassmergeSortShuffle-Writer
不需要map()端聚合，不需要按Key进行排序，且分区个数较小，只需要实现数据分区功能即可。buffer-based Shuffle。map()依次输出<K,V>record，并根据record的PID，将其输出到不同的buffer中，每当buffer填满record溢写到磁盘上的分区文件中。分配buffer的原因是map()输出record的速度很快，需要进行缓冲来减少磁盘I/O。
内存消耗：整个Shuffle Writer过程中只有buffer消耗内存，buffer被分配在堆内内存(On-heap)中，buffer的个数与分区个数相等，并且生命周期直至Shuffle Write结束。因此，每个task的内存消耗为BufferSize(default 32KB)*partition number。如果partition个数较多，task数目也较多，那么总的内存消耗会很大。所以，该Shuffle方式只适用于分区个数较小的情况。
SerializedShuffleWriter
不需要map()端聚合，不需要按Key进行排序，但分区个数较大。当分区个数较多时，BypassmergeSortShuffle-Writer这种方式buffer内存消耗过大，此时可以采用基于数组排序的方法，将map()输出的<K,V>record不断放进数组，然后将数组里的record按照PID进行排序，最后输出即可。这样是可行的，但是普通的record对象是Java对象，占用空间较大，需要大的数组，而太大的数组容易造成OMM。另外，大量record对象存放到内存中也会造成频繁GC。前面提到过，为了提升内存利用率，Spark设计了SerializedShuffle方式(SerializedShuffleWriter)，将record对象序列化再存放到可分页存储的数组中，序列化可以减少存储开销，分页可以利用不连续的空间。
内存消耗：PointerArray，存储record的Page，sort算法所需的额外空间，总大小不超过task的内存限制。需要注意的是，单个数据结构(如PointerArray、serialized record)不能同时使用堆内内存和堆外内存，因此Serialized Shuf使用堆外内存最大的问题是，在Shuffle Write时不能同时利用堆内内存和堆外内存，可能会造成更多的spill次数。
Serialized Shuffle的优点
- 序列化后的record占用内存空间小。
- 不需要连续的内存空间。Serialized Shuffle将存储record的数组进行分页，分页可以利用内存碎片，不需要连续的内存空间，而普通数组需要连续的内存空间。
- 排序效率高。对序列化后的record按PID进行排序时，排序的不是record本身，而record序列化后字节数组的指针(元数据)。由于直接基于二进制数据进行操作，所以在这里面没有序列化和反序列化的过程，内存和GC开销降低。
- 可以使用cache-efficient sort等优化技术，提高排序性能。
- 可以使用堆外内存，分页可以方便统一管理堆内内存和堆外内存。
使用Serialized Shuffle需要满足4个条件：
- 不需要map()端聚合，也不需要按Key进行排序。
- 使用的序列化类(serializer)支持序列化Value的位置互换功能(relocation of serialized Value)，目前KryoSerializer和Spark SQL的custom serializers都支持该功能。
- 分区个数小于16777216(2^24)。
- 单个Serialized record小于128MB。
实现方式：Serialized Shufffle采用了分页技术，想操作系统一样将内存空间划分为Page，每个Page大小在1MB~64MB，既可以在堆内内存上分配，也可以在堆外内存上分配。Page由Executor中的TaskMemoryManager对象来管理，TaskMemoryManager包含一个PageTable，可以最多寻址8192个Page。
对于map()输出的每个<K,V>record，Spark将其序列化后写入某个Page中，再将该record的索引，包括PID，所在的PageNum，以及在该Page中的Offse放到PointerArray中，然后通过排序PID来对record进行排序。
当Page总大小达到了task的内存限制时，如Task1种的Page0+Page1+Page2大小超过Task的内存界限，将这些Page中的record按照PID进行排序，并spill到磁盘上。这样，在Shuffle Write过程中可能会形成多个spill文件。最后，task将这些spill文件归并即可。
具体过程：首先将新来的<K,V>record，序列化写入一个1MB的缓冲区(serBuffer)，然后将serBuffer中序列化的record放到ShuffleExternalSorter的Page中进行排序。插入和排序方法是，首先分配一个LongArray来保存record的指针，指针为64位，前24位存储record的PID，中间13位存储record所在的Page Num，后27位存储record在该Page中的偏移量。也就是说LongArray最多可以管理2^(13+27)=8192*128MB=1TB的内存。随着record不断地插入Page中，如果LongArray不够用或Page不够用，则会通过allocatePage()向TaskMemoryManager申请，如果申请不到，就启动spill()程序，将中间结果spill到磁盘上，最后再由UnsafeShuffleWriter进行统一的merger。Page有TaskMemoryManager管理和分配，可以存放在堆内内存或堆外内存。
SortShuffleWriter(KeyOrder=true)
不需要map()端combine，但是需要排序，这种情况下需要按照PID+Key进行排序。Spark采用了基于数组排序的方法。具体方法是建立一个Array(PartitionedPairBuffer)来存放map()输出的record，并对Array中元素的Key进行精心设计，将每个<K,V>record转化为<(PID,K),V>record存储，然后按照PID+Key对record进行排序，最后将record写入一个文件中，通过建立索引来标识每个分区。
如果Array存放不下，就会先扩容，如果还存放不下，就将Array中的元素排序后spill到磁盘上，等待map()输出玩以后，再将Array中的元素与磁盘上已排序的record进行全局排序，得到最终有序的record，并写入文件中。
内存消耗：最大的内存消耗是存储record的数组PartitionedPairBuffer，占用堆内内存，具有扩容能力，但大小不超过task的内存限制。
SortShuffleWriter(mapSideCombine=true)
需要map()端聚合，需要或不需要按Key进行排序，此时Spark采用基于HashMap的聚合方法。具体实现方法是建立一个类HashMap的数据结构PartitionedAppendOnlyMap对map()端输出的record进行聚合，HashMap中的Key是PID+Key，HashMap中的Value是经过相同的combine()的聚合结果。如果不需要按Key进行排序，则指根据PID进行排序，如果需要按Key排序，则根据PID+Key进行排序。最后，将排序后的record写入一个分区文件中。
内存消耗：HashMap在堆内分配，需要消耗大量内存。如果HashMap存放部下，则会先扩容为两倍大小，如果还存放部下，九江HashMap中的record排序后spill到磁盘上，放入堆内HashMap或buffer中的record大小，如果超过task的内存限制，那么会spill到磁盘上，该Shuffle方式的有点是通用性强、对分区个数也无限制，缺点是内存消耗高(record是普通Java对象)、不能使用堆外内存。
4.2 Shuffle Read阶段内存消耗及管理
fetch -> aggregate -> sort
reduce端聚合 | 按Key排序 | Shuffle Read实现类 | 内存消耗 | 典型操作 |
No | No | BlockStoreShuffleReader (aggregate=false,Keysort=false) | Small buffer (on-heap) | partitionBy() |
No | Yes | BlockStoreShuffleReader (aggregate=false,Keysort=yes) | Array (on-heap) | sortByKey() |
No | No | BlockSortShuffleReader (aggregate=yes,Keysort=false) | HashMap (on-heap) | reduceByKey() |
- 无聚合且无排序的情况：采用基于buffer获取数据并直接处理的方式，这种方式最为简单，只需要一个大小为spark.reducer.maxSizeInFlight=48MB的缓冲区。适用于partitionBy()
- 无聚合但需要排序的情况：采用基于数组排序的方式，适用于sortByKey()
- 有聚合的情况：采用基于HashMap聚合的方式，适用于reduceByKey()
这3种方式都是利用内存来完成数据处理的，属于UnSerialized Shuffle方式。
BlockStoreShuffleReader(aggregate=false,Keysort=yes)
不需要聚合但需要排序
只需要实现数据获取和按Kye进行排序的功能。Spark采用了基于数据的排序方式，下游的task不断获取上游task输出的record，经过缓冲后，将record一次输出到一个Array结构(PartitionedPairBuffer)中，然后，对Array中的record按照Key进行排序，并将排序结果输出或者传递给下一步操作。
当内存中无法存下所有record时，PartitionedPairBuffer会将record排序后spill到磁盘上，最后将内存中和磁盘上的record进行归并排序，得到最终结果。
内存消耗：由于Shuffle Read端获取的是各个上游task的输出数据，因此需要较大的Array(PartitionPairBuffer)来存储和排序这些数据。Array大小可控，具有扩容和spill到磁盘上的功能，并在堆内分配。
BlockSortShuffleReader(aggregate=yes,Keysort=false)
需要聚合且需要排序
Spark采用基于HashMap的聚合方法和基于数组的排序方法。获取record后，Spark建立一个类似HashMap的数据结构(ExternalAppendOnlyMap)对buffer中的record进行聚合，HashMap中的Key是record中的Key，HashMap中的Value是具有相同Key的record经过聚合函数(func)计算后的结果。由于ExternalAppendOnlyMap底层实现是基于数据来存放<K,V>record，因此，如果需要排序，则可以直接对数组中的record按Key进行排序，排序后结果输出或传递给下一步操作。
如果HashMap存放不下，则会先扩容为两倍大小，如果还存放部下，就将HashMap中的record排序后spill到磁盘上，最后将磁盘文件和内存中record进行全局merge。
内存消耗：由于Shuffle Read端获取的是各个上游task的输出数据，用于数据聚合的HashMap结构后消耗大量内存，而且只能使用堆内内存。当然HashMap的内存消耗量也与record中不同Key的个数及聚合函数的复杂度相关。HashMap具有扩容和spill到磁盘上的功能，支持任意规模数据的聚合。
5 数据缓存空间管理
数据缓存空间主要存放3种数据：RDD缓存数据(RDD partition)、广播数据(Broadcast data)和task的计算结果(TaskResult)。另外，还有集中临时空间，如用于反序列化(展开iterator为Array[])的临时空间、用于存放Netty网络数据传输的临时空间。
与框架执行内存空间一样，数据缓存空间也同时存放在堆内和堆外，而且由task共享。不同的是，每个task的存储空间并没有被限制为1/N。在缓存时，如果发现数据缓存空间不够，且不能从框架执行内存空间借用空间时，就只能采取缓存替换或者直接丢掉数据的方式。
5.1 RDD缓存数据
数据缓存空间最主要存储的是RDD缓存数据。
缓存级别 | 存储位置 | 序列化存储 | 内存不足放磁盘 |
MEMORY_ONLY | 内存 | × | ×重新计算 |
MEMORY_AND_DISK | 内存+磁盘 | × | √ |
MEMORY_ONLY_SER | 内存 | √ | × |
MEMORY_AND_DISK_SER | 内存+磁盘 | √ | √ |
OFF_HEAP | 堆外内存 | √ | × |
另外，还有MEMORY_ONLY_2、MEMORY_AND_DISK_2等模式，可以将缓存数据赋值到多台机器上。
5.1.1 MEMORY_ONLY/MEMORY_AND_DISK
实现方式：对于需要缓存的RDD，task在计算该RDD partition的过程中会将该partition缓存到Executor的memoryStore中，而快车认为memoryStore代表了堆内的数据缓存空间。memoryStore持有一个链表(LinkedHashMap)来存储和管理缓存的RDD partition。在链表中，Key的形式是(rddId=m,partitionId=n)，表示其Value存储的数据来自RDD m的第n个分区，Value是该partition的引用，引用指向一个名为DeserializedMemoryEntry的对象。该对象包含一个Vector，里面存放了partition中的record。由于缓存级别没有设置为序列化存储，这些record以普通Java对象的方式存放在Vector中。需要注意的是，一个Executor中可能同时运行多个task，因此，链表被多个task共用，即数据缓存空间由多个task共享。
内存消耗：数据缓存空间的内存消耗由存放到其中的RDD record大小决定，即等于所有task缓存的RDD partition的record总大小。
5.1.2 MEMORY_ONLY_SER/MEMORY_AND_DISK_SER
实现方式：与MEMORY_ONLY的实现方式方式基本相同，唯一不同的是，这里的partition中的record以序列化方式存储在一个ChunkedByteBuffer(不连续的ByteBuffer数据)中。使用不连续的ByteBuffer数组的目的是方便分配和回收，因为如果record非常多，序列化后就需要一个非常大的数据来存储，而此时的内存空间如果没有连续的一大块空间，就无法存储。在之前的MEMORY_ONLY模式中不存在这个问题，因为单个普通Java对象可以存放在内存中的任何位置。
内存消耗：由存储的record总大小决定，即等于所有task缓存的RDD partition的record序列化后的总大小。
5.1.3 OFF_HEAP
实现方式：该缓存模式的存储方式与MEMORY_ONLY_SER/MEMORY_AND_DISK_SER模式基本相同，需要缓存的partition中的record也是以序列化的方式存储在一个ChunkedByteBuffer(不连续的ByteBuffer数组)中，只是存放的是堆外内存。
内存消耗：存放到OFF_HEAP中的partition的原始大小。
在Spark中，目前还没有实现同时使用堆内和外内存的缓存级别，堆外和堆内内存并没有协作。
5.2 广播数据
实现方式：Broadcast默认使用类似BT下载的TorrentBroadcast方式。需要广播的数据一般预先存储在Driver端，Spark在Driver端将要广播的数据划分大小为spark.Broadcast.blockSize=4MB的数据块(block)，然后赋予每个数据快一个blockId为BroadcastblockId(id,“piece”+i)，id是block编号，piece表示被划分后的第几个block。之后，使用类似BT的方式将每个block广播到每个Executor中，Executo接收到每个block数据块后，将其放到堆内的数据缓存空间的ChunkedbyteBuffer里面，缓存模式为MEMORY_AND_DISK_SER，因此，这里的ChuckedByteBuffer构造与MEMORY_ONLY_SER模式中的一样，都是用不连续的空间来存储序列化数据。
内存消耗：序列化后的Broadcast block总大小。
内存不足：Broadcast data的存放方式是内存+磁盘，内存不足时放入磁盘。
5.3 task计算结果
当task的输出结果大小超过spark.task.maxDirectResultSize=1MB且小于1GB时，需要先将每个task的输出结果缓存到执行该task的Executor中，存放模式是MEMORY_AND_DISK_SER，然后Executor将task的输出结果发送到Driver端进一步处理。
Driver端需要收集task1和task2的计算结果，那么task1和task2计算得到结果Result1和Result2后，先将其缓存到Executor的数据缓存空间中，缓存级别为MEMORY_AND_DISK_SER，缓存结构仍然采用ChunkedByteBuffer。
内存消耗：序列化后的task输出结果大小，不超过1GB。在Executor中一般运行多个task，如果每个task都占用了1GB以上的话，则会引起Executor的数据缓存空间不足。
内存不足：因为缓存方式是内存+磁盘，所以内存不足时放入磁盘。
