目录

探究思路

理论引导

理论够了...开始实战

第一种方案:Tiny executors [每个Executor一个Core]

第二种方案:Fat executors (每个节点一个Executor)

第三种方案:Balance between Fat (vs) Tiny

结论

本人实践中的一些看法


 

在跑Spark-On-Yarn程序的时候,往往会对几个参数(num-executors,executor-cores,executor-memory等)理解很模糊,从而凭感觉地去指定值,这是不符合有追求程序员信仰的。因此,搞懂它们,很有必要。
本文翻译自https://spoddutur.github.io/spark-notes/distribution_of_executors_cores_and_memory_for_spark_application.html

译文如下:

是否曾经想要知道如何根据你的集群,配置这些Spark运行参数:--num-executors, --executor-memory and --execuor-cores 呢?

探究思路

  1. 理论引导:首先,有必要了解一些重要建议,能帮助我们更好地理解它;
  2. 实战:其次,以一个集群为例,推演出该集群的参数的推荐值。

理论引导

当配置参数时,请遵循下表,将其推荐建议牢记于心

  • Hadoop/Yarn/OS 守护进程:
    当利用一个集群管理器(比如YARN)运行spark程序时,存在一些守护进程运行在后台,比如NameNode,Secondary NameNode,DataNode,JobTracker和TaskTracker。因此,当确定num-executor时,我们需要确保有足够的cores(大约每个节点一个core)维持这些守护进程的平稳运行。
  • Yarn ApplicationMaster (AM):
    ApplicationMaster的职责是:向ResourceManager协商资源,与NodeManager一同执行并监控containner及其资源消耗。如果程序运行在Spark-On-Yarn,我们需要预留一些资源给ApplicationMaster,AM大约需要1024MB的内存和一个Executor。
  • HDFS吞吐:
    HDFS客户端会遇到大量并发线程的问题。 据观察,HDFS当达到全写入吞吐量时,需要每个executor执行约5个任务。 因此,最好控制每个executor中core的数目低于那个数字。
  • 内存开销:
    下图描绘了spark-yarn的内存使用情况:

 

  • 图中注意两件事情:
Full memory requested to yarn per executor =
          spark-executor-memory + spark.yarn.executor.memoryOverhead
      spark.yarn.executor.memoryOverhead = 
            Max(384MB, 7% of spark.executor-memory)

所以,如果我们申请了每个executor的内存为20G时,对我们而言,AM将实际得到20G+ memoryOverhead = 20 + 7% * 20GB = ~23G内存。

  • 执行拥有太多内存的executor会产生过多的垃圾回收延迟
  • 执行过小的executor(举例而言,一个只有一核和仅仅足够内存跑一个task的executor),将会丢失在单个JVM中运行多任务的好处。

理论够了...开始实战

现在,我们考虑一个10个节点的如下配置的集群,并分析不同参数设置的结果。
集群配置如下:

 

**集群配置:**
10个节点
每个节点16核
每个节点64G内存

第一种方案:Tiny executors [每个Executor一个Core]

Tiny executors表示一个executor配置一个core。下表描述了该方案下的参数配置。

 

- '--num-executors' = '该方案下,每个executor配置一个core'
                                = '集群中的core的总数'
                                = '每个节点的core数目 * 集群中的节点数' 
                                = 16 x 10 = 160
- '--executor-cores' = 1 (每个executor一个core)
- '--executor-memory' = '每个executor的内存'
                                    = '每个节点的内存/每个节点的executor数目'
                                    = 64GB/16 = 4GB

分析:当一个executor只有一个core时,正如我们上面分析的,我们可能不能发挥在单个JVM上运行多任务的优势。此外,共享/缓存变量(如广播变量和累加器)将复制到节点的每个core,这里是16次。并且,我们没有为Hadoop / Yarn守护进程留下足够的内存开销,我们也没有计入ApplicationManager。因此,这不是一个好的方案!

第二种方案:Fat executors (每个节点一个Executor)

Fat executors表示一个executor独占一个节点。下表描述了该方案下的参数配置:

- `--num-executors` = `该方案下,一个executor独占一个节点`
                                = `集群中的节点的数目`
                                = 10
- `--executor-cores` = `一个节点一个executor意味着每个executor独占节点中所 
                                   有的cores`
                                = `节点中的core的数目`
                                = 16
- `--executor-memory` = `每个executor的内存`
                                    = `节点的内存/节点中executor的数目`
                                    = 64GB/1 = 64GB

分析:每个executor独占16个核心,则ApplicationManager和守护程序进程则无法分配到core,并且,HDFS吞吐量会受到影响,导致过多的垃圾结果。 同样地,该方案不好!

第三种方案:Balance between Fat (vs) Tiny

根据上面讨论的建议:

  • 基于上述的建议,我们给每个executor分配5个core => -- executor-cores = 5 (保证良好的HDFS吞吐)
  • 每个节点留一个core给Hadoop/Yarn守护进程 => 每个节点可用的core的数目 = 16 - 1
  • 所以,集群中总共可用的core的数目是 15 * 10 = 150
  • 可用的executor的数目 = (总的可用的core的数目 / 每个executor的core的数目)= 150 / 5 = 30
  • 留一个executor给ApplicationManager => --num-executors = 29
  • 每个节点的executor的数目 = 30 / 10 = 3
  • 每个executor的内存 = 64GB / 3 = 21GB
  • 计算堆开销 = 7% * 21GB = 3GB。因此,实际的 --executor-memory = 21 - 3 = 18GB

因此,推荐的配置如下:29 executors, 18GB memory each and 5 cores

each !
分析:很明显,第三种方案在Fat vs Tiny 两种方案中找到了合适的平衡点。毋庸置疑,它实现了Fat executor的并行性和Tiny executor的最佳吞吐量!

结论

我们看到:

  • 当为spark程序配置运行参数的时候,应谨记一些推荐事项:
    1.为Yarn的Application Manager预留资源
    2.我们应该如何为Hadoop / Yarn / OS deamon进程节省一些cores
    3.学习关于spark-yarn-memory-usage
  • 另外,检查并分析了配置这些参数的三种不同方法:
    1.Tiny Executors - 每个executor配置一个core
    2.Fat Executors - 每个executor独占一个节点
    3.推荐方案 - 基于建议项的Tiny(Vs)Fat的合适的平衡。

--num-executors, --executor-cores and --executor-memory..这三个参数在spark性能中扮演很重要的角色,他们控制这你的spark程序获得的CPU和内存的资源。对于用户来说,很有必要理解如何去配置它们。希望这篇博客对你有帮助。

 

----------------------------------------------------------------------分割线-------------------------------------------------------------------------------

本人实践中的一些看法

在推荐方案 - 基于建议项的Tiny(Vs)Fat的合适的平衡中,理论其实跟实际的企业环境也是有出入的,也许对于整个集群如果只有单个任务在跑,可能推荐方案是最优的选择,但实际上还需要跟现实情况再做个妥协,比如整个集群其实不关是你一个人的业务在跑,其他业务线的业务也都在集群上跑,而遵循局部最优的做法,反而会上整个集群的吞吐量变得不高(毕竟每个executor申请这么大内存,又按整个集群去申请,吃不消啊,别的业务申请不到资源),因此实际操作的时候,可能每个executor的核心数需要缩水,比如是2-3核,内存也会适当的按比例进行缩水。