Worker secondari Dataproc

Oltre a utilizzare le VM di Compute Engine standard come worker Dataproc (chiamati worker "primari"), i cluster Dataproc possono utilizzare i worker secondary.

Le seguenti caratteristiche si applicano a tutti i worker secondari di un cluster Dataproc:

• Solo elaborazione: i lavoratori secondari non archiviano i dati. Fungono solo da nodi di elaborazione. Pertanto, puoi utilizzare i worker secondari per scalare il calcolo senza scalare l'archiviazione.

• Nessun cluster solo con worker secondari: il cluster deve avere worker primari. Se crei un cluster e non specifichi il numero di worker primari, Dataproc aggiunge due worker primari al cluster.

• Tipo di macchina: per impostazione predefinita, i worker secondari utilizzano il tipo di macchina dei worker principali del cluster. Ad esempio, se crei un cluster con worker principali che utilizzano tipi di macchine n1-standard-4, per impostazione predefinita, tutti i worker secondari aggiunti al cluster utilizzeranno anche macchine n1-standard-4.

  Anziché utilizzare il tipo di macchina worker principale predefinito per i worker secondari, puoi specificare uno o più elenchi classificati di tipi di macchine per i worker secondari. Per saperne di più, consulta VM flessibili Dataproc.

• Dimensione del disco permanente: per impostazione predefinita, i worker secondari vengono creati con la dimensione più piccola tra 1000 GB e la dimensione del disco di avvio del worker primario. Questo spazio su disco viene utilizzato per la memorizzazione nella cache locale dei dati e non è disponibile tramite HDFS. Puoi sostituire la dimensione predefinita del disco con il comando gcloud dataproc clusters create --secondary-worker-boot-disk-size al momento della creazione del cluster. Puoi specificare questo flag anche se il cluster non avrà worker secondari al momento della creazione.

• Creazione asincrona: quando aggiungi worker secondari creando o scalando un cluster, è possibile che i worker secondari non vengano sottoposti al provisioning al termine dell'operazione di creazione o aggiornamento. Questo perché Dataproc gestisce i worker secondari utilizzando i gruppi di istanze gestite (MIG), che creano VM in modo asincrono non appena possono essere sottoposte a provisioning (vedi Controlla lo stato delle istanze gestite).

Worker secondari prerilasciabili e non prerilasciabili

Esistono tre tipi di worker secondari: VM spot, VM prerilasciabili standard e VM non prerilasciabili. Il tipo di worker secondario Dataproc predefinito è la VM prerilasciabile standard. Puoi specificare un mix di worker secondari spot e non prerilasciabili.

Esempio: se selezioni tre worker secondari quando crei un cluster, puoi specificare tre VM spot, tre VM prerilasciabili, tre VM non prerilasciabili o un mix di worker spot e non prerilasciabili.

Worker preemptible

• Sebbene la potenziale rimozione dei worker prerilasciabili possa influire sulla stabilità dei job, puoi decidere di utilizzare istanze prerilasciabili per ridurre i costi di calcolo orari per l'elaborazione dei dati non critici o per creare cluster molto grandi a un costo totale inferiore (puoi utilizzare il Calcolatore prezzi di Google Cloud per stimare i costi).

• Per ottenere risultati ottimali, il numero di worker prerilasciabili nel cluster deve essere inferiore al 50% del numero totale di tutti i worker (principali più tutti i worker secondari) nel cluster.

• Quando utilizzi i worker preemptive, è molto probabile che i tuoi job riscontrino un numero maggiore di errori temporanei delle attività con un solo worker rispetto ai job eseguiti su worker non preemptive. Per aumentare la tolleranza dei job agli errori di attività di basso livello, puoi impostare valori delle proprietà del cluster simili ai valori delle proprietà predefiniti utilizzati con i cluster di scalabilità automatica per aumentare il numero massimo di tentativi di ripetizione delle attività ed evitare errori dei job.

• Considerazione sul risparmio sui costi:l'utilizzo di VM prerilasciabili non sempre consente di risparmiare sui costi, poiché i preemptions possono causare un'esecuzione più lunga del job con conseguenti costi più elevati. Sebbene l'utilizzo della modalità di flessibilità avanzata (EFM) con le VM prerilasciabili possa contribuire a mitigare questo risultato, il risparmio complessivo sui costi delle VM prerilasciabili varia a seconda del caso d'uso. In generale, i job di breve durata sono più adatti all'utilizzo di VM prerilasciabile, poiché la probabilità di interruzioni durante l'esecuzione del job sarà inferiore. Prova diverse opzioni di job, ad esempio VM non prerilasciabili e VM prerilasciabili con EFM, per stimare i costi e trovare la soluzione migliore.

Worker non preemptible

• Puoi creare un cluster con worker secondari non prerilasciabili per scalare il calcolo senza sacrificare la stabilità del job. Per farlo, specifica non-preemptible come tipo di worker secondario. Puoi combinare worker secondari non prerilasciabili con worker secondari spot.

Seleziona i worker secondari

Puoi specificare il numero e il tipo di worker secondari quando crei un cluster utilizzando la Google Cloud console, gcloud CLI o l'API Dataproc.

• Puoi combinare spot con worker secondari non prerilasciabili.
• Puoi aggiornare il cluster dopo la creazione per modificare il numero, ma non il tipo, di worker secondari nel cluster.
• Gli aggiornamenti delle etichette vengono propagati a tutti i worker secondari prerilasciabili entro 24 ore. Gli aggiornamenti delle etichette non vengono propagati ai worker secondari non prerilasciabili esistenti. Gli aggiornamenti delle etichette vengono propagati a tutti i worker aggiunti a un cluster dopo un aggiornamento delle etichette. Ad esempio, se aumenti le dimensioni del cluster, tutti i nuovi worker principali e secondari avranno le nuove etichette.

gcloud dataproc clusters create cluster1 \
    --num-secondary-workers=2 \
    --region=us-central1

gcloud dataproc clusters create cluster2 \
    --num-secondary-workers=2 \
    --secondary-worker-type=spot \
    --region=us-central1

gcloud dataproc clusters create cluster3 \
    --num-secondary-workers=2 \
    --secondary-worker-type=non-preemptible \
    --region=us-central1

gcloud dataproc clusters update example-cluster \
    --num-secondary-workers=4 \
    --region=us-central1

gcloud dataproc clusters update example-cluster \
    --num-secondary-workers=0 \
    --region=us-central1

POST https://dataproc.googleapis.com/v1/projects/project-id/regions/region/clusters

{
  "clusterName": "cluster1",
  "config": {
    "secondaryWorkerConfig": {
      "numInstances": 2
    }
  }
}

POST https://dataproc.googleapis.com/v1/projects/project-id/regions/region/clusters

{
  "clusterName": "cluster2",
  "config": {
    "secondaryWorkerConfig": {
      "numInstances": 2,
      "preemptibility": "SPOT"
    }
  }
}

POST https://dataproc.googleapis.com/v1/projects/project-id/regions/region/clusters

{
  "clusterName": "cluster3",
  "config": {
    "secondaryWorkerConfig": {
      "numInstances": 2,
      "preemptibility": "NON_PREEMPTIBLE"
    }
  }
}

PATCH /v1/projects/project-id/regions/region/clusters/cluster-name?updateMask=config.secondary_worker_config.num_instances
{
  "config": {
    "secondaryWorkerConfig": {
      "numInstances": 4
    }
  }
}

Risolvere i problemi relativi ai worker secondari

• Problemi di autorizzazione dell'account di servizio:i worker secondari vengono creati tramite un gruppo di istanze gestite. Se si verifica un problema di autorizzazione, i log di Dataproc non segnalano l'errore di creazione dei worker secondari, ma i worker non riusciti sono elencati nella scheda Istanze VM della pagina Dettagli cluster nella consoleGoogle Cloud senza un segno di spunta verde. Per visualizzare l'elenco, apri la pagina Cluster Dataproc, quindi fai clic sul nome del cluster per aprire la pagina Dettagli cluster del cluster.

• Problemi di autorizzazioni del gruppo di istanze gestite: per verificare se si è verificato un problema con le autorizzazioni del gruppo di istanze gestite:

  1. Trova il nome del gruppo di istanze gestite (instanceGroupManagerName).

     Console

     1. Apri la pagina Cluster di Dataproc, quindi fai clic sul nome del cluster per aprire la pagina Dettagli cluster del cluster.
     2. Fai clic su REST equivalente in fondo alla pagina, quindi visualizza il valore config.secondaryWorkerConfig.managedGroupConfig.instanceGroupManagerName.

     Google Cloud CLI

     Esegui il comando gcloud dataproc clusters describe con il flag --format per visualizzare instanceGroupManagerName.

     gcloud dataproc clusters describe CLUSTER_NAME \
         --region=REGION \
         --format='value(config.secondaryWorkerConfig.managedGroupConfig.instanceGroupManagerName)'
     

     API REST

     Invia una richiesta clusters.get per restituire il valore di config.secondaryWorkerConfig.managedGroupConfig.instanceGroupManagerName.
  2. Visualizza i log in Esplora log.

  • Seleziona il tipo di risorsa Google Compute Engine Instance Group e filtra in base al nome del gruppo di istanze gestite.

  • In alternativa, puoi applicare un filtro di logging per `resource.type="gce_instance_group" and resource.labels.instance_group_name=INSTANCE_GROUP_MANAGER_NAME.

Combinare spot con worker secondari non prerilasciabili

Puoi specificare un mix di worker secondari spot e non prerilasciabili quando crei un cluster Dataproc.

Impostazioni dei worker secondari per combinare spot con worker secondari non prerilasciabili

Utilizza le seguenti impostazioni dei worker secondari quando crei un cluster Dataproc per ottenere un livello minimo di capacità dei worker secondari con la possibilità di aumentare la capacità quando le VM spot sono disponibili:

• secondary worker number:il numero totale di worker secondari da eseguire il provisioning.

• Tipo di worker secondario:spot è il tipo di worker secondario quando si combinano worker secondari spot e non prerilasciabili.

• standardCapacityBase: il numero di worker secondari non prerilasciabili (standard) da eseguire il provisioning. I worker secondari non prerilasciabili vengono sottoposti a provisioning prima degli altri tipi di worker secondari.

• standardCapacityPercentAboveBase: dopo aver raggiunto il numero di worker secondari pari a standardCapacityBase, il numero rimanente di worker secondari necessario per raggiungere il numero totale di worker secondari richiesti viene riempito con un mix di VM non prerilasciabili e spot nel seguente modo:

  • standardCapacityPercentAboveBase: La percentuale dei worker secondari rimanenti da riempire con VM non prerilasciabili.
  • Il numero rimanente necessario per raggiungere il numero totale di worker secondari richiesti viene riempito con VM spot.

Esempio:

• Numero di worker secondari: 15
• standardCapacityBase: 5
• standardCapacityPercentAboveBase 30%

Risultato:

• Non preemptive: 8 = 5 (standardCapacityBase) + 3 (30% dei 10 rimanenti)
• Spot: 7 (70% dei 10 rimanenti)
• Totale = 15

Crea un cluster con un mix di worker secondari spot e non prerilasciabili

Puoi utilizzare gcloud CLI o l'API Dataproc per combinare spot con worker secondari non prerilasciabili quando crei un cluster.

gcloud dataproc clusters create CLUSTER_NAME \
    --project=PROJECT_ID \
    --region=REGION \
    --secondary-worker-type=spot \
    --num-secondary-workers=NUMBER_SECONDARY_WORKERS \
    --secondary-worker-standard-capacity-base=STANDARD_CAPACITY_BASE \
    --secondary-worker-standard-capacity-percent-above-base=STANDARD_CAPACITY_PERCENT_ABOVE_BASE \
    OTHER_FLAGS_AS_NEEDED

{
  "clusterName": "CLUSTER_NAME",
  "config": {
    "secondaryWorkerConfig": {
      "numInstances": 15,
      "preemptibility": "spot",
      "instanceFlexibilityPolicy": {
        "provisioningModelMix": {
          "standardCapacityBase": STANDARD_CAPACITY_BASE
          "standardCapacityPercentAboveBase": STANDARD_CAPACITY_PERCENT_ABOVE_BASE
        }
      }
    }
  }
}

Combinare il mix di worker secondari con le VM flessibili

Puoi combinare worker secondari spot e non prerilasciabili e specificare forme di VM flessibili per i worker secondari quando crei un cluster.

Esempio di gcloud CLI:

gcloud dataproc clusters create cluster-name \
    --project=project-id \
    --region=us-central1 \
    --secondary-worker-type=spot \
    --num-secondary-workers=15 \
    --secondary-worker-standard-capacity-base=5 \
    --secondary-worker-standard-capacity-percent-above-base=30 \
    --secondary-worker-machine-types="type=n2-standard-8,rank=0" \
    --secondary-worker-machine-types="type=e2-standard-8,type=t2d-standard-8,rank=1"
    ...other flags as needed

Caratteristiche di mixaggio del worker secondario

Questa sezione descrive alcuni dei comportamenti e delle caratteristiche associati al mix di worker secondari spot e non prerilasciabili.

Preferenza del worker secondario

Dataproc non dà la precedenza alle VM spot o non prerilasciabili durante la pianificazione delle applicazioni sui worker secondari.

Scalabilità dei worker secondari

Quando i worker secondari vengono scalati tramite la scalabilità automatica o la scalabilità manuale, Dataproc mantiene il rapporto spot/non prerilasciabile richiesto quando aggiunge worker secondari.

Aggiornamento delle impostazioni di mix del worker secondario

Specifichi il mix di worker secondari spot e non prerilasciabili quando crei un cluster Dataproc. Non puoi modificare le impostazioni del mix di worker secondari dopo aver creato il cluster.

Prerilascio dei worker secondari spot

• Dataproc non controlla la tempistica del prerilascio delle VM spot (vedi Prerilascio delle VM spot).
• Quando si verifica il prerilascio spot, il gruppo di worker secondario può funzionare temporaneamente con capacità ridotta finché Compute Engine non esegue il provisioning delle VM prerilasciate.
• Dataproc non aggiungerà capacità a un gruppo di worker secondari superiore alle impostazioni iniziali del gruppo.