De forma predeterminada, Cloud Data Fusion usó el ajuste de escala automático como perfil de procesamiento. Calcular el mejor número de trabajadores del clúster (nodos) para una carga de trabajo es difícil, y un tamaño de clúster único para una canalización completa a menudo no es ideal. El ajuste de escala automático de Dataproc proporciona un mecanismo para automatizar la administración de recursos del clúster y habilitar el ajuste de escala automático de la VM de trabajador del clúster. Para ver más consulta Ajuste de escala automático
En la página Configuración de procesamiento, en la que puedes ver una lista de perfiles, hay una columna Total de núcleos, que tiene la cantidad máxima de CPUs virtuales a las que puede escalar el perfil, como Up to 84.
Si deseas usar el perfil de procesamiento de Dataproc, puedes administrar los tamaños de los clústeres según el tamaño de la canalización.
Nodo principal
Los nodos de instancia principal usan recursos de forma proporcional a la cantidad de canalizaciones o aplicaciones adicionales que se ejecutan en el clúster. Si ejecutas canalizaciones en clústeres efímeros, usa 2 CPU y 8 GB de memoria para la instancia principal nodos. Si usas clústeres persistentes, es posible que necesites nodos principales más grandes. para estar al día con el flujo de trabajo. Para saber si necesitas nodos principales más grandes, puede supervisar el uso de la memoria y de la CPU en el nodo. Recomendamos que dimensiones nodos trabajadores con al menos 2 CPU y 8 GB de memoria. Si has configuraste tus canalizaciones para usar mayores cantidades de memoria, debes usar con trabajadores más grandes.
A fin de minimizar el tiempo de ejecución, asegúrate de que tu clúster tenga suficientes nodos para permitir el procesamiento lo más paralelo posible.
Trabajadores
En las siguientes secciones, se describen los aspectos relacionados con el tamaño de los nodos de trabajo.
CPU y memoria
Recomendamos que dimensiones tus nodos trabajadores con al menos 2 CPU y 8 GB de memoria. Si configuraste tus canalizaciones para que usen más memoria, usa
con trabajadores más grandes. Por ejemplo, con un nodo trabajador de 4 CPU y 15 GB, cada
tendrá 4 CPU y 12 GB disponibles para ejecutar contenedores YARN. Si tu canalización está configurada para ejecutar 1 CPU, 8 GB de ejecutores, YARN no puede ejecutar más de un contenedor por nodo de trabajo. Cada nodo trabajador tendría 3 CPU y 4 GB adicionales que se desperdician porque no se pueden usar para ejecutar nada. Para maximizar el uso de recursos en tu clúster, debes
la memoria YARN y las CPU para que sea un múltiplo exacto de la cantidad necesaria
Ejecutor de Spark. Puedes verificar cuánta memoria reservó cada trabajador para YARN
comprobando la propiedad yarn.nodemanager.resource.memory-mb en YARN.
Si usas Dataproc, la memoria disponible para YARN contenedores serán aproximadamente el 75% de la memoria de la VM. El tamaño mínimo del contenedor de YARN también se ajusta según el tamaño de las VMs de trabajador. Algunos trabajadores comunes y su configuración de YARN correspondiente se proporcionan en la siguiente tabla.
| CPU de trabajador | Memoria de trabajador (GB) | Memoria de nodo YARN (GB) | Memoria de asignación mínima de YARN (MB) |
|---|---|---|---|
| 1 | 4 | 3 | 256 |
| 2 | 8 | 6 | 512 |
| 4 | 16 | 12 | 1024 |
| 8 | 32 | 24 | 1024 |
| 16 | 64 | 51 | 1024 |
Ten en cuenta que Spark solicita más memoria que la memoria del ejecutor
para la canalización, y YARN redondea la cantidad solicitada. Para
Por ejemplo, supongamos que configuraste la memoria del ejecutor en 2, 048 MB y no configuraste
dado un valor para spark.yarn.executor.memoryOverhead, lo que significa que el valor
de 384 MB. Eso significa que Spark solicita 2,048 MB + 384 MB para cada ejecutor, que YARN redondea a un múltiplo exacto de la asignación mínima de YARN. Cuando se ejecuta en un nodo trabajador de 8 GB, debido a que el código YARN
asignación mínima es de 512 MB, se redondea a 2.5 GB. Esto significa que cada trabajador puede ejecutar dos contenedores, agotando todas las CPU disponibles, pero dejando sin usar 1 GB de memoria de YARN (6 GB - 2.5 GB - 2.5 GB). Esto significa que el nodo trabajador puede
cuyo tamaño sea un poco menor, o a los ejecutores se les puede dar
un poco más de memoria.
Cuando se ejecuta en un nodo trabajador de 16 GB, se reducen 2,048 MB + 1,024 MB
y se redondea a 3 GB, ya que la asignación mínima de YARN es de 1,024 MB.
Esto significa que cada nodo trabajador puede ejecutar cuatro contenedores, con todas las CPU y la memoria de YARN en uso.
Para contextualizar, la siguiente tabla muestra los tamaños de trabajadores recomendados según algunos tamaños de ejecutores comunes.
| CPU del ejecutor | Memoria del ejecutor (MB) | CPU de trabajador | Memoria de trabajador ( GB) |
|---|---|---|---|
| 1 | 2,048 | 4 | 15 |
| 1 | 3072 | 4 | 21 |
| 1 | 4,096 | 4 | 26 |
| 2 | 8192 | 4 | 26 |
Por ejemplo, un nodo trabajador de 26 GB se traduce en 20 GB de memoria utilizables para ejecutar contenedores YARN. Con una memoria del ejecutor configurada en 4 GB, se reduce como sobrecarga, lo que significa contenedores YARN de 5 GB para cada ejecutor. Esta lo que significa que el trabajador puede ejecutar cuatro contenedores sin sobras de recursos adicionales. También puedes multiplicar el tamaño de los trabajadores. Por ejemplo, si la memoria del ejecutor se establece en 4096 GB, un trabajador con 8 CPU y 52 GB de memoria también funcionaría bien. Las VMs de Compute Engine restringen la cantidad de memoria que puede tener según la cantidad de núcleos. Por ejemplo, una VM con 4 núcleos debe tener al menos 7.25 GB de memoria y un máximo de 26 GB de memoria Esto significa que un ejecutor Configurada para usar 1 CPU y 8 GB de memoria usa 2 CPU y 26 GB de memoria en la VM. Si, en cambio, los ejecutores se configuran para usar 2 CPU y 8 GB de memoria, se utilizan todas las CPU.
Disco
El disco es importante para algunas canalizaciones, pero no para todas. Si tu canalización No debe contener Shuffle, el disco solo se usará cuando Spark se quede sin memoria. y necesita volcar los datos al disco. Para estos tipos de canalizaciones, el tamaño del disco por lo general no tendrán un gran impacto en el rendimiento. Si el redistribuye muchos datos, el rendimiento del disco marcará la diferencia. Si que estás usando Dataproc, se recomienda que uses tamaños de disco de al menos 1 TB, a medida que el rendimiento del disco aumenta con su tamaño. Información sobre el rendimiento de los discos, consulta Configura discos empresariales.
Cantidad de trabajadores
Para minimizar el tiempo de ejecución, asegúrate de que tu clúster sea lo suficientemente grande como para que pueda ejecutarse tanto como sea posible en paralelo. Por ejemplo, tu fuente de canalización lee datos con 100 divisiones, debes asegurarte de que sea lo suficientemente grande para ejecutar 100 ejecutores a la vez.
La forma más sencilla de saber si tu clúster tiene un tamaño insuficiente es observar la memoria pendiente de YARN con el tiempo. Si estás usando Dataproc, un gráfico puede se encuentran en la página de detalles del clúster.
Si la memoria pendiente es alta durante períodos largos de tiempo, puedes aumentar la cantidad de trabajadores para agregar tanta capacidad adicional a tu clúster. En el ejemplo anterior, el clúster debería aumentarse en alrededor de 28 GB para garantizar que se alcance el nivel máximo de paralelismo.
Modo de flexibilidad mejorada (EFM)
EFM te permite especificar que solo participen los nodos trabajadores principales durante la redistribución de datos no estructurados. Dado que los trabajadores secundarios ya no son responsables del Shuffle intermedio cuando se quitan de un clúster, los trabajos de Spark no sufran demoras errores. Como nunca se reduce la escala verticalmente de los trabajadores principales, el clúster reduce su escala verticalmente con más estabilidad y eficiencia. Si ejecutas canalizaciones con Shuffle en un clúster estático, se recomienda que uses EFM.
Para obtener más información sobre EFM, consulta Modo de flexibilidad mejorada de Dataproc.