Menggunakan GPU dengan Google Cloud Serverless untuk Apache Spark

Anda dapat melampirkan akselerator GPU ke workload batch Google Cloud Serverless for Apache Spark untuk mencapai hasil berikut:

• Mempercepat pemrosesan workload analisis data berskala besar.

• Percepat pelatihan model pada set data besar menggunakan library machine learning GPU.

• Melakukan analisis data tingkat lanjut, seperti pemrosesan video atau bahasa alami.

Semua runtime Spark yang didukung Serverless untuk Apache Spark menambahkan library Spark RAPIDS ke setiap node workload. Runtime Spark Serverless untuk Apache Spark versi 1.1 juga menambahkan library XGBoost ke node workload. Library ini menyediakan alat transformasi data dan machine learning yang canggih yang dapat Anda gunakan dalam workload yang dipercepat GPU.

Manfaat GPU

Berikut beberapa manfaat saat Anda menggunakan GPU dengan workload Spark Serverless untuk Apache Spark:

• Peningkatan performa: Akselerasi GPU dapat meningkatkan performa workload Spark secara signifikan, terutama untuk tugas-tugas yang intensif komputasi, seperti machine learning dan deep learning, pemrosesan grafik, dan analisis kompleks.

• Pelatihan model yang lebih cepat: Untuk tugas machine learning, memasang GPU dapat mengurangi waktu yang diperlukan untuk melatih model secara signifikan, sehingga data scientist dan engineer dapat melakukan iterasi dan eksperimen dengan cepat.

• Skalabilitas: Pelanggan dapat menambahkan lebih banyak node GPU atau GPU yang lebih canggih ke node untuk menangani kebutuhan pemrosesan yang semakin kompleks.

• Efisiensi biaya: Meskipun GPU memerlukan investasi awal, Anda dapat menghemat biaya dari waktu ke waktu karena waktu pemrosesan yang lebih singkat dan pemanfaatan resource yang lebih efisien.

• Analisis data yang ditingkatkan: Akselerasi GPU memungkinkan Anda melakukan analisis lanjutan, seperti analisis gambar dan video serta natural language processing, pada set data berukuran besar.

• Produk yang lebih baik: Pemrosesan yang lebih cepat memungkinkan pengambilan keputusan yang lebih cepat dan aplikasi yang lebih responsif.

Batasan dan pertimbangan

• Anda dapat melampirkan GPU NVIDIA A100 atau NVIDIA L4 ke beban kerja batch Google Cloud Serverless untuk Apache Spark. Akselerator A100 dan L4 tunduk pada ketersediaan regional GPU Compute Engine.

• Library XGBoost hanya disediakan untuk workload yang diakselerasi GPU Serverless for Apache Spark saat menggunakan versi runtime Spark 1.x Serverless for Apache Spark.

• Batch yang dipercepat GPU Serverless for Apache Spark dengan XGBoost menggunakan kuota Compute Engine yang lebih besar. Misalnya, untuk menjalankan workload batch serverless yang menggunakan GPU NVIDIA L4, Anda harus mengalokasikan kuota NVIDIA_L4_GPUS.

• Tugas yang diaktifkan akselerator tidak kompatibel dengan kebijakan organisasi constraints/compute.requireShieldedVm. Jika organisasi Anda menerapkan kebijakan ini, tugas yang diaktifkan akseleratornya tidak akan berhasil dijalankan.

• Anda harus menyetel set karakter default ke UTF-8 saat menggunakan akselerasi GPU RAPIDS dengan runtime Serverless untuk Apache Spark yang didukung sebelum versi 2.2. Lihat Membuat workload batch serverless dengan akselerator GPU untuk mengetahui informasi selengkapnya.

Harga

Lihat harga Serverless untuk Apache Spark untuk mengetahui informasi harga akselerator.

Sebelum memulai

Sebelum membuat beban kerja batch tanpa server dengan akselerator GPU yang terpasang, lakukan hal berikut:

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Dataproc, Compute Engine, and Cloud Storage APIs.

Enable the APIs

Install the Google Cloud CLI.

Jika Anda menggunakan penyedia identitas (IdP) eksternal, Anda harus login ke gcloud CLI dengan identitas gabungan Anda terlebih dahulu.

Untuk melakukan inisialisasi gcloud CLI, jalankan perintah berikut:

gcloud init

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Dataproc, Compute Engine, and Cloud Storage APIs.

Enable the APIs

Install the Google Cloud CLI.

Jika Anda menggunakan penyedia identitas (IdP) eksternal, Anda harus login ke gcloud CLI dengan identitas gabungan Anda terlebih dahulu.

Untuk melakukan inisialisasi gcloud CLI, jalankan perintah berikut:

gcloud init

1. In the Google Cloud console, go to the Cloud Storage Buckets page.

   Go to Buckets

2. Click add_box Create.
3. On the Create a bucket page, enter your bucket information. To go to the next step, click Continue.
   1. In the Get started section, do the following:
      • Enter a globally unique name that meets the bucket naming requirements.
      • To add a bucket label, expand the Labels section (expand_more), click add_box Add label, and specify a key and a value for your label.
   2. In the Choose where to store your data section, do the following:
      1. Select a Location type.
      2. Choose a location where your bucket's data is permanently stored from the Location type drop-down menu.
         • If you select the dual-region location type, you can also choose to enable turbo replication by using the relevant checkbox.
      3. To set up cross-bucket replication, select Add cross-bucket replication via Storage Transfer Service and follow these steps:

         Set up cross-bucket replication

         1. In the Bucket menu, select a bucket.

         2. In the Replication settings section, click Configure to configure settings for the replication job.

            The Configure cross-bucket replication pane appears.

            • To filter objects to replicate by object name prefix, enter a prefix that you want to include or exclude objects from, then click add Add a prefix.
            • To set a storage class for the replicated objects, select a storage class from the Storage class menu. If you skip this step, the replicated objects will use the destination bucket's storage class by default.
            • Click Done.
   3. In the Choose how to store your data section, do the following:
      1. Select a default storage class for the bucket or Autoclass for automatic storage class management of your bucket's data.
      2. To enable hierarchical namespace, in the Optimize storage for data-intensive workloads section, select Enable hierarchical namespace on this bucket.
   4. In the Choose how to control access to objects section, select whether or not your bucket enforces public access prevention, and select an access control method for your bucket's objects.
   5. In the Choose how to protect object data section, do the following:
      • Select any of the options under Data protection that you want to set for your bucket.
        • To enable soft delete, click the Soft delete policy (For data recovery) checkbox, and specify the number of days you want to retain objects after deletion.
        • To set Object Versioning, click the Object versioning (For version control) checkbox, and specify the maximum number of versions per object and the number of days after which the noncurrent versions expire.
        • To enable the retention policy on objects and buckets, click the Retention (For compliance) checkbox, and then do the following:
          • To enable Object Retention Lock, click the Enable object retention checkbox.
          • To enable Bucket Lock, click the Set bucket retention policy checkbox, and choose a unit of time and a length of time for your retention period.
      • To choose how your object data will be encrypted, expand the Data encryption section (expand_more), and select a Data encryption method.
4. Click Create.

Membuat workload batch serverless dengan akselerator GPU

Kirimkan workload batch Serverless untuk Apache Spark yang menggunakan GPU NVIDIA L4 untuk menjalankan tugas PySpark yang diparalelkan. Ikuti langkah-langkah berikut menggunakan gcloud CLI:

1. Klik Expand me, lalu buat dan simpan kode PySpark yang tercantum ke file test-py-spark-gpu.py di komputer lokal Anda menggunakan editor teks atau kode.

   Luaskan saya Ciutkan saya

   #!/usr/bin/env python
   
   """S8s Accelerators Example."""
   
   import subprocess
   from typing import Any
   from pyspark.sql import SparkSession
   from pyspark.sql.functions import col
   from pyspark.sql.types import IntegerType
   from pyspark.sql.types import StructField
   from pyspark.sql.types import StructType
   
   spark = SparkSession.builder.appName("joindemo").getOrCreate()
   
   
   def get_num_gpus(_: Any) -> int:
     """Returns the number of GPUs."""
     p_nvidia_smi = subprocess.Popen(
         ["nvidia-smi", "-L"], stdin=None, stdout=subprocess.PIPE
     )
     p_wc = subprocess.Popen(
         ["wc", "-l"],
         stdin=p_nvidia_smi.stdout,
         stdout=subprocess.PIPE,
         stderr=subprocess.PIPE,
         universal_newlines=True,
     )
     [out, _] = p_wc.communicate()
     return int(out)
   
   
   num_workers = 5
   result = (
       spark.sparkContext.range(0, num_workers, 1, num_workers)
       .map(get_num_gpus)
       .collect()
   )
   num_gpus = sum(result)
   print(f"Total accelerators: {num_gpus}")
   
   # Run the join example
   schema = StructType([StructField("value", IntegerType(), True)])
   df = (
       spark.sparkContext.parallelize(range(1, 10000001), 6)
       .map(lambda x: (x,))
       .toDF(schema)
   )
   df2 = (
       spark.sparkContext.parallelize(range(1, 10000001), 6)
       .map(lambda x: (x,))
       .toDF(schema)
   )
   joined_df = (
       df.select(col("value").alias("a"))
       .join(df2.select(col("value").alias("b")), col("a") == col("b"))
       .explain()
   )

2. Gunakan gcloud CLI di komputer lokal Anda untuk mengirimkan tugas batch serverless Serverless for Apache Spark dengan lima pekerja, dengan setiap pekerja dipercepat menggunakan GPU L4:

   gcloud dataproc batches submit pyspark test-py-spark-gpu.py \
       --project=PROJECT_ID \
       --region=REGION \
       --deps-bucket=BUCKET_NAME \
       --version=1.1 \
       --properties=spark.dataproc.executor.compute.tier=premium,spark.dataproc.executor.disk.tier=premium,spark.dataproc.executor.resource.accelerator.type=l4,spark.executor.instances=5,spark.dataproc.driverEnv.LANG=C.UTF-8,spark.executorEnv.LANG=C.UTF-8,spark.shuffle.manager=com.nvidia.spark.rapids.RapidsShuffleManager
   

Catatan:

• PROJECT_ID: ID project Google Cloud Anda.
• REGION: region Compute Engine yang tersedia untuk menjalankan beban kerja.
• BUCKET_NAME: Nama bucket Cloud Storage Anda. Spark mengupload dependensi workload ke folder /dependencies di bucket ini sebelum menjalankan workload batch.
• --version: Semua runtime Serverless for Apache Spark yang Didukung Google Cloud menambahkan library RAPIDS ke setiap node beban kerja yang diakselerasi GPU. Hanya versi runtime 1.1 yang menambahkan library XGBoost ke setiap node beban kerja yang dipercepat GPU.

• --properties (lihat Properti alokasi resource Spark) :

  • spark.dataproc.driverEnv.LANG=C.UTF-8 dan spark.executorEnv.LANG=C.UTF-8 (diperlukan dengan versi runtime sebelum 2.2): Properti ini menetapkan himpunan karakter default ke C.UTF-8.

  • spark.dataproc.executor.compute.tier=premium (wajib): Workload yang dipercepat dengan GPU ditagih menggunakan Unit Komputasi Data (DCU) premium. Lihat Harga Akselerator Serverless untuk Apache Spark.

  • spark.dataproc.executor.disk.tier=premium (wajib): Node dengan akselerator A100-40, A100-80, atau L4 harus menggunakan tingkat disk premium.

  • spark.dataproc.executor.resource.accelerator.type=l4 (wajib): Hanya satu jenis GPU yang harus ditentukan. Contoh tugas memilih GPU L4. Jenis akselerator berikut dapat ditentukan dengan nama argumen berikut:

    Jenis GPU	Nama argumen
    A100 40GB	a100-40
    A100 80GB	a100-80

  • spark.executor.instances=5 (wajib): Minimal harus dua. Tetapkan ke lima untuk contoh ini.

  • spark.executor.cores (opsional): Anda dapat menetapkan properti ini untuk menentukan jumlah vCPU inti. Nilai yang valid untuk GPU L4 adalah 4, default, atau 8, 12, 16, 24, 48, atau 96. Satu-satunya nilai yang valid dan default untuk GPU A100 adalah 12. Konfigurasi dengan GPU L4 dan 24, 48, atau 96 core memiliki 2, 4, atau 8 GPU yang terpasang ke setiap eksekutor. Semua konfigurasi lainnya memiliki 1GPU yang terpasang.

  • spark.dataproc.executor.disk.size (wajib): GPU L4 memiliki ukuran disk tetap sebesar 375 GB, kecuali untuk konfigurasi dengan 24, 48, atau 96 core, yang masing-masing memiliki 750, 1,500, atau 3,000 GB. Jika Anda menetapkan properti ini ke nilai yang berbeda saat mengirimkan beban kerja yang dipercepat L4, akan terjadi error. Jika Anda memilih GPU A100 40 atau A100 80, ukuran yang valid adalah 375g, 750g, 1500g, 3000g, 6000g, dan 9000g.

  • spark.executor.memory (opsional) dan spark.executor.memoryOverhead (opsional): Anda dapat menyetel salah satu properti ini, tetapi tidak keduanya. Jumlah memori yang tersedia yang tidak digunakan oleh properti set diterapkan ke properti yang tidak disetel. Secara default, spark.executor.memoryOverhead ditetapkan ke 40% dari memori yang tersedia untuk workload batch PySpark, dan 10% untuk workload lainnya (lihat Properti alokasi resource Spark).

    Tabel berikut menunjukkan jumlah memori maksimum yang dapat disetel untuk berbagai konfigurasi GPU A100 dan L4. Nilai minimum untuk salah satu properti adalah 1024 MB.

    	A100 (40 GB)	A100 (80 GB)	L4 (4 core)	L4 (8 core)	L4 (12 core)	L4 (16 core)	L4 (24 core)	L4 (48 core)	L4 (96 core)
    Total memori maksimum (MB)	78040	165080	13384	26768	40152	53536	113072	160608	321216

  • Properti Spark RAPIDS (opsional): Secara default, Serverless untuk Apache Spark menetapkan nilai properti Spark RAPIDS berikut:

    • spark.plugins=com.nvidia.spark.SQLPlugin
    • spark.executor.resource.gpu.amount=1
    • spark.task.resource.gpu.amount=1/$spark_executor_cores
    • spark.shuffle.manager=''. Secara default, properti ini tidak disetel. NVIDIA merekomendasikan untuk mengaktifkan pengelola shuffle RAPIDS saat menggunakan GPU untuk meningkatkan performa. Untuk melakukannya, tetapkan spark.shuffle.manager=com.nvidia.spark.rapids.RapidsShuffleManager saat Anda mengirimkan beban kerja.
    • spark.rapids.sql.concurrentGpuTasks= minimum dari (gpuMemoryinMB / 8, 4)
    • spark.rapids.shuffle.multiThreaded.writer.threads= minimum (inti CPU di VM / jumlah GPU per VM, 32)
    • spark.rapids.shuffle.multiThreaded.reader.threads= minimum (inti CPU di VM / jumlah GPU per VM, 32)

    Lihat Konfigurasi RAPIDS Accelerator for Apache Spark untuk menyetel properti Spark RAPIDS, dan Konfigurasi Lanjutan RAPIDS Accelerator for Apache Spark untuk menyetel properti lanjutan Spark.