En esta página, se explican la terminología y los conceptos básicos del procesamiento de canalizaciones Cloud Data Fusion.
El rendimiento de la canalización depende de los siguientes aspectos:
- El tamaño y las características de tus datos
- La estructura de tu canalización
- Tamaño del clúster
- Complementos que utiliza tu canalización de Cloud Data Fusion
Terminología de procesamiento de canalizaciones en Cloud Data Fusion
La siguiente terminología se aplica al procesamiento de canalizaciones en Cloud Data Fusion.
- Tipo de máquina
- Tipo de máquinas virtuales (VMs) utilizadas (CPU, memoria)
- Clúster
- Un grupo de VMs que trabajan juntas para manejar tareas de procesamiento de datos a gran escala.
- Nodos principales y trabajadores
- Máquinas físicas o virtuales que pueden realizar el procesamiento. Por lo general, los nodos principales coordinar el trabajo. Los nodos trabajadores ejecutan ejecutores que procesan datos. Tienen características de la máquina (cantidad de memoria y cantidad de vCores disponibles para los procesos).
- vCPU, núcleos o CPUs
- Es un recurso que se encarga de la computación. Por lo general, tus nodos proporcionan una cantidad determinada de núcleos, y tus ejecutores solicitan una o varias CPUs. Equilibra esto junto con memoria o tu clúster no uses.
- Driver
- Una VM única que actúa como el coordinador central de todo el clúster. Administra tareas, programa el trabajo en los nodos de trabajo y supervisa el progreso de los trabajos.
- Ejecutores
- Varias VMs que realizan las tareas reales de procesamiento de datos, según lo indica el controlador. Tus datos se particionan y distribuyen en estos ejecutores para y procesamiento paralelo. Para usar todos los ejecutores, debes tener suficientes divisiones.
- Divisiones o particiones
- Un conjunto de datos se divide en divisiones (otras particiones de nombre) para procesar datos en en paralelo. Si no tienes suficientes divisiones, no podrás usar todo el clúster.
Descripción general del ajuste de rendimiento
Las canalizaciones se ejecutan en clústeres de máquinas. Cuando eliges ejecutar canalizaciones de Cloud Data Fusion en clústeres de Dataproc (que es el aprovisionador recomendado), se usa YARN (Yet Another Resource Negotiator) en segundo plano. Dataproc usa YARN para administrar recursos en en el clúster. Cuando envías una canalización de Cloud Data Fusion a un clúster de Dataproc, el trabajo subyacente de Apache Spark aprovecha YARN para la asignación de recursos y la programación de tareas.
Un clúster consta de nodos principales y trabajadores. Por lo general, los nodos principales son de coordinar el trabajo, mientras que los nodos trabajadores realizan el trabajo real. Por lo general, los clústeres tendrán una pequeña cantidad de nodos principales (uno o tres) y un una gran cantidad de trabajadores. YARN se usa como sistema de coordinación del trabajo. YARN ejecuta un servicio de Resource Manager en el nodo principal y un servicio de Node Manager en cada nodo trabajador. Los administradores de recursos se coordinan entre todos los administradores de nodos para determinar dónde crear y ejecutar contenedores en el clúster.
En cada nodo trabajador, el Administrador de nodos reserva una parte de la memoria y las CPUs de la máquina disponibles para ejecutar contenedores de YARN. Por ejemplo, en un Clúster de Dataproc, si tus nodos trabajadores son VMs n1-standard-4 (4 CPU, 15 GB de memoria), cada Node Manager reservará 4 CPU y 12 GB de memoria para ejecutar contenedores YARN Los 3 GB de memoria restantes se dejan para los otros servicios de Hadoop que se ejecutan en el nodo.
Cuando una canalización se ejecuta en YARN, inicia un controlador de flujo de trabajo de la canalización, un el controlador de Spark y muchos ejecutores de Spark en Dataproc.
El controlador del flujo de trabajo es responsable de iniciar uno o más programas de Spark. que conforman una canalización. Por lo general, el controlador del flujo de trabajo no realiza mucho trabajo. Cada El programa Spark ejecuta un solo controlador y varios ejecutores de Spark. El las coordenadas del controlador funcionan entre los ejecutores, pero, por lo general, no realiza ninguna el trabajo real. Los ejecutores de Spark realizan la mayor parte del trabajo real.
¿Qué sigue?
- Obtén información sobre el procesamiento paralelo en Cloud Data Fusion.