資安

MaxCompute Spark 資源使用優化祥解

本文作者:吳數傑 阿里雲智能 開發工程師

1. 概述

本文主要講解MaxCompute Spark資源調優,目的在於在保證Spark任務正常運行的前提下,指導用戶更好地對Spark作業資源使用進行優化,極大化利用資源,降低成本。


2. Sensor

  • Sensor提供了一種可視化的方式監控運行中的Spark進程,每個worker(Executor)及master(Driver)都具有各自的狀態監控圖,可以通過Logview中找到入口,如下圖所示:

1.png


  • 打開Sensor之後,可以看到下圖提供了Driver/Executor在其生命週期內的CPU和內存的使用情況:
    • cpu_plan/mem_plan(藍線)代表了用戶申請的CPU和內存計劃量
    • 用戶可以直觀地從cpu_usage圖中看出任務運行中的CPU利用率
    • mem_usage代表了任務運行中的內存使用,是mem_rss和page cache兩項之和,詳見下文

1.png

  • Memory Metrics
    • mem_rss 代表了進程所佔用了常駐內存,這部分內存也就是Spark任務運行所使用的實際內存,通常需要用戶關注,如果該內存超過用戶申請的內存量,就可能會發生OOM,導致Driver/Executor進程終止。此外,該曲線也可以用於指導用戶進行內存優化,如果實際使用量遠遠小於用戶申請量,則可以減少內存申請,極大化利用資源,降低成本。
    • mem_cache(page_cache)用於將磁盤中的數據緩存到內存中,從而減少磁盤I/O操作,通常由系統進行管理,如果物理機內存充足,那麼mem_cache可能會使用很多,用戶可以不必關心該內存的分配和回收。

1.png


3. 資源參數調優

(1)Executor Cores

  • 相關參數:spark.executor.cores
    • 每個Executor的核數,即每個Executor中的可同時運行的task數目
    • Spark任務的最大並行度是num-executors * executor-cores
    • Spark任務執行的時候,一個CPU core同一時間最多隻能執行一個Task。如果CPU core數量比較充足,通常來說,可以比較快速和高效地執行完這些Task。同時也要注意,每個Executor的內存是多個Task共享的,如果單個Executor核數太多,內存過少,那麼也很可能發生OOM。

(2)Executor Num

  • 相關參數:spark.executor.instances
    • 該參數用於設置Spark作業總共要用多少個Executor進程來執行
    • 通常用戶可以根據任務複雜度來決定到底需要申請多少個Executor
    • 此外,需要注意,如果出現Executor磁盤空間不足,或者部分Executor OOM的問題,可以通過減少單個Executor的cores數,增加Executor的instances數量來保證任務總體並行度不變,同時降低任務失敗的風險。

(3)Executor Memory

  • 相關參數:spark.executor.memory
    • 該參數用於設置每個Executor進程的內存。Executor內存的大小,很多時候直接決定了Spark作業的性能,而且JVM OOM在Executor中更為常見。

  • 相關參數2:spark.executor.memoryOverhead
    • 設置申請Executor的堆外內存,主要用於JVM自身,字符串, NIO Buffer等開銷,注意memoryOverhead 這部分內存並不是用來進行計算的,用戶代碼及spark都無法直接操作。
    • 如果不設置該值,那麼默認為spark.executor.memory * 0.10,最小為384 MB
  • Executor 內存不足的表現形式:
    • 在Executor的日誌(Logview->某個Worker->StdErr)中出現Cannot allocate memory

1.png

    • 在任務結束的Logview result的第一行中出現:The job has been killed by "OOM Killer", please check your job's memory usage.
    • 在Sensor中發現內存使用率非常高
    • 在Executor的日誌中出現java.lang.OutOfMemoryError: Java heap space
    • 在Executor的日誌中出現GC overhead limit exceeded
    • Spark UI中發現頻繁的GC信息
    • 可能出現OOM的間接表現形式:部分Executor出現No route to host: workerd********* / Could not find CoarseGrainedScheduler等錯誤
  • 可能原因及解決方案:
    • 限制executor 並行度,將cores 調小:多個同時運行的 Task 會共享一個Executor 的內存,使得單個 Task 可使用的內存減少,調小並行度能緩解內存壓力增加單個Executor內存
    • 增加分區數量,減少每個executor負載
    • 考慮數據傾斜問題,因為數據傾斜導致某個 task 內存不足,其它 task 內存足夠
    • 如果出現了上文所述的Cannot allocate memory或The job has been killed by "OOM Killer", please check your job's memory usage,這種情況通常是由於系統內存不足,可以適當增加一些堆外內存來緩解內存壓力,通常設置spark.executor.memoryOverhead為1g/2g就足夠了

(4)Driver Cores

  • 相關參數spark.driver.cores
    • 通常Driver Cores不需要太大,但是如果任務較為複雜(如Stage及Task數量過多)或者Executor數量過多(Driver需要與每個Executor通信並保持心跳),在Sensor中看到Cpu利用率非常高,那麼可能需要適當調大Driver Cores
    • 另外要注意,在Yarn-Cluster模式運行Spark任務,不能直接在代碼中設置Driver的資源配置(core/memory),因為在JVM啟動時就需要該參數,因此需要通過--driver-memory命令行選項或在spark-defaults.conf文件/Dataworks配置項中進行設置。

(5)Driver Memory

  • 相關參數1:spark.driver.memory
    • 設置申請Driver的堆內內存,與executor類似
  • 相關參數2:spark.driver.maxResultSize
    • 代表每個Spark的action(例如collect)的結果總大小的限制,默認為1g。如果總大小超過此限制,作業將被中止,如果該值較高可能會導致Driver發生OOM,因此用戶需要根據作業實際情況設置適當值。
  • 相關參數3:spark.driver.memoryOverhead
    • 設置申請Driver的堆外內存,與executor類似

  • Driver的內存通常不需要太大,如果Driver出現內存不足,通常是由於Driver收集了過多的數據,如果需要使用collect算子將RDD的數據全部拉取到Driver上進行處理,那麼必須確保Driver的內存足夠大。
  • 表現形式:
    • Spark應用程序無響應或者直接停止
    • 在Driver的日誌(Logview->Master->StdErr)中發現了Driver OutOfMemory的錯誤
    • Spark UI中發現頻繁的GC信息
    • 在Sensor中發現內存使用率非常高
    • 在Driver的日誌中出現Cannot allocate memory
  • 可能原因及解決方案:
    • 代碼可能使用了collect操作將過大的數據集收集到Driver節點
    • 在代碼創建了過大的數組,或者加載過大的數據集到Driver進程彙總
    • SparkContext,DAGScheduler都是運行在Driver端的。對應rdd的Stage切分也是在Driver端運行,如果用戶自己寫的程序有過多的步驟,切分出過多的Stage,這部分信息消耗的是Driver的內存,這個時候就需要調大Driver的內存。有時候如果stage過多,Driver端甚至會有棧溢出

(6)本地磁盤空間

  • 相關參數:spark.hadoop.odps.cupid.disk.driver.device_size:
    • 該參數代表為單個Driver或Executor申請的磁盤空間大小,默認值為20g,最大支持100g
    • Shuffle數據以及BlockManager溢出的數據均存儲在磁盤上
  • 磁盤空間不足的表現形式:
    • 在Executor/Driver的日誌中發現了No space left on device錯誤
  • 解決方案:
    • 最簡單的方法是直接增加更多的磁盤空間,調大spark.hadoop.odps.cupid.disk.driver.device_size
    • 如果增加到100g之後依然出現該錯誤,可能是由於存在數據傾斜,shuffle或者cache過程中數據集中分佈在某些block,也可能是單個Executor的shuffle數據量確實過大,可以嘗試:
      • 對數據重分區,解決數據傾斜問題
      • 縮小單個Executor的任務併發spark.executor.cores
      • 縮小讀表併發spark.hadoop.odps.input.split.size
      • 增加executor的數量spark.executor.instances
  • 需要注意:
    • 同樣由於在JVM啟動前就需要掛載磁盤,因此該參數必須配置在spark-defaults.conf文件或者dataworks的配置項中,不能配置在用戶代碼中
    • 此外需要注意該參數的單位為g,不能省略g
    • 很多時候由於用戶配置位置有誤或者沒有帶單位g,導致參數實際並沒有生效,任務運行依然失敗


4. 總結

上文主要介紹了MaxCompute Spark在使用過程中可能遇到的資源不足的問題及相應的解決思路,為了能夠最大化利用資源,首先建議按照1: 4的比例來申請單個worker資源,即1 core: 4 gb memory,如果出現OOM,那麼需要查看日誌及Sensor對問題進行初步定位,再進行相應的優化和資源調整。不建議單個Executor Cores 設置過多,通常單個Executor在2-8 core是相對安全的,如果超過8,那麼建議增加instance數量。適當增加堆外內存(為系統預留一些內存資源)也是一個常用的調優方法,通常在實踐中可以解決很多OOM的問題。最後,用戶可以參考官方文檔https://spark.apache.org/docs/2.4.5/tuning.html,包含更多的內存調優技巧,如gc優化,數據序列化等。

5.MaxCompute Spark 相關文章

MaxCompute Spark 使用和常見問題

Spark On MaxCompute如何訪問Phonix數據

如何使用MaxCompute Spark讀寫阿里雲Hbase

Spark在MaxCompute的運行方式

Maxcompute Spark作業管控利器—Cupid Console

MaxCompute Spark與Spark SQL對比分析及使用注意事項

更多關於大數據計算、雲數倉技術交流,歡迎掃碼加入 “MaxCompute開發者社區” 釘釘群

2群.jpg

Leave a Reply

Your email address will not be published. Required fields are marked *