Escalonamento automático de clusters do Dataproc

O que é escalonamento automático?

É difícil estimar o número "certo" de workers de cluster (nós) para uma carga de trabalho, e um único tamanho de cluster para um pipeline inteiro geralmente não é o ideal. O escalonamento de cluster iniciado pelo usuário aborda parcialmente esse desafio, mas requer o monitoramento da utilização de cluster e da intervenção manual.

A API ScalingPolicies do Dataproc fornece um mecanismo para automatização do gerenciamento de recursos do cluster. Além disso, permite o escalonamento automático da VM de worker do cluster. Um Autoscaling Policy é uma configuração reutilizável, que descreve como os workers do cluster que usam a política de escalonamento automático precisam ser escalonados. Ele define limites de escala, frequência e agressividade para fornecer controle refinado sobre os recursos do cluster durante a vida útil do cluster.

Quando usar o escalonamento automático

Use o escalonamento automático:

em clusters que armazenam dados em serviços externos, como o Cloud Storage ou o BigQuery

em clusters que processam muitos jobs

para escalonar clusters de job único

com Modo de flexibilidade aprimorado para jobs em lote do Spark

O escalonamento automático não é recomendado com/para:

• HDFS: o escalonamento automático não se destina ao escalonamento de HDFS no cluster porque:

  1. A utilização de HDFS não é um sinal para o escalonamento automático.
  2. Os dados do HDFS são hospedados apenas nos workers principais. O número de workers primários precisa ser suficiente para hospedar todos os dados do HDFS.
  3. A desativação dos DataNodes do HDFS pode atrasar a remoção de workers. Os Datanodes copiam blocos do HDFS para outros DataNodes antes que um worker seja removido. Dependendo do tamanho dos dados e do fator de replicação, esse processo pode levar horas.

• Rótulos de nó de YARN: o escalonamento automático não é compatível com rótulos de nó de YARN, nem com a propriedade dataproc:am.primary_only devido a YARN-9088 O YARN relata incorretamente as métricas do cluster quando os rótulos dos nós são usados.

• Structured Streaming do Spark: o escalonamento automático não oferece suporte Structured Streaming do Spark (consulte Escalonamento automático e o Spark Structured Streaming).

• Clusters inativos: o escalonamento automático não é recomendado para escalonar um cluster até seu tamanho mínimo, quando ele estiver ocioso. O tempo necessário para a criação ou o redimensionamento de um cluster é o mesmo, por isso, pense em excluir clusters inativos e criar novos. As seguintes ferramentas são compatíveis com esse modelo efêmero:

  Use os fluxos de trabalho do Dataproc para programar um conjunto de jobs em um cluster dedicado e exclua o cluster quando os jobs forem concluídos. Para uma orquestração mais avançada, use o Cloud Composer, baseado no Apache Airflow.

  Para clusters que processam consultas ad hoc ou cargas de trabalho agendadas externamente, use a Exclusão agendada de cluster para excluir o cluster após um determinado período de ociosidade ou em um horário específico.

• Cargas de trabalho de tamanhos diferentes: quando jobs pequenos e grandes são executados em um cluster, a desativação otimizada aguarda a conclusão de jobs grandes. O resultado é que um job de longa duração atrasará o escalonamento automático recursos para jobs menores em execução no cluster até que o job de longa duração termina. Para evitar esse resultado, agrupe trabalhos menores de tamanho semelhante um cluster e isolar cada job de longa duração em um cluster separado.

Como ativar o escalonamento automático

Para ativar o escalonamento automático em um cluster:

1. Crie uma política de escalonamento automático.

2. Siga uma destas instruções:

   1. Crie um cluster de escalonamento automático ou
   2. ative o escalonamento automático em um cluster atual.

Criar uma política de escalonamento automático

workerConfig:
  minInstances: 10
  maxInstances: 10
secondaryWorkerConfig:
  maxInstances: 50
basicAlgorithm:
  cooldownPeriod: 4m
  yarnConfig:
    scaleUpFactor: 0.05
    scaleDownFactor: 1.0
    gracefulDecommissionTimeout: 1h

workerConfig:
  minInstances: 10
  maxInstances: 10
  weight: 1
secondaryWorkerConfig:
  minInstances: 0
  maxInstances: 100
  weight: 1
basicAlgorithm:
  cooldownPeriod: 2m
  yarnConfig:
    scaleUpFactor: 0.05
    scaleDownFactor: 1.0
    scaleUpMinWorkerFraction: 0.0
    scaleDownMinWorkerFraction: 0.0
    gracefulDecommissionTimeout: 1h

gcloud dataproc autoscaling-policies import policy-name \
    --source=filepath/filename.yaml \
    --region=region

Criar um cluster de escalonamento automático

Depois de criar uma política de escalonamento automático, crie um cluster que use a política de escalonamento automático. O cluster precisa estar na mesma região da política de escalonamento automático.

gcloud dataproc clusters create cluster-name \
    --autoscaling-policy=policy id or resource URI \
    --region=region

Ativar o escalonamento automático em um cluster atual

Depois de criar uma política de escalonamento automático, é possível ativar a política em um cluster atual na mesma região.

gcloud dataproc clusters update cluster-name \
    --autoscaling-policy=policy id or resource URI \
    --region=region

Uso da política de vários clusters

• Uma política de escalonamento automático define o comportamento de escalonamento que pode ser aplicado a vários clusters. Uma política de escalonamento automático é melhor aplicada em vários clusters quando eles compartilham cargas de trabalho semelhantes ou executam jobs com padrões de uso de recursos semelhantes.

• É possível atualizar uma política que está sendo usada por vários clusters. As atualizações afetam imediatamente o comportamento de escalonamento automático de todos os clusters que usam a política. Consulte autoscalingPolicies.update. Se você não quiser que uma atualização de política seja aplicada a um cluster que esteja usando a política, desative o escalonamento automático no cluster antes de atualizá-la.

gcloud dataproc clusters update cluster-name --disable-autoscaling \
    --region=region

• Uma política em uso por um ou mais clusters não pode ser excluída. Consulte autoscalingPolicies.delete.

Como o escalonamento automático funciona

As métricas da YARN do Hadoop do cluster são verificadas pelo escalonamento automático, no decorrer de cada período de "resfriamento", para definir se o cluster precisa ser escalonado e qual a magnitude da atualização.

1. Valor da métrica de recurso pendente (memória pendente ou núcleos pendentes) do YARN determina se a escala deve ser aumentada ou reduzida. Um valor maior que 0 indica que os jobs do YARN estão aguardando recursos e que o escalonamento pode ser necessário. O valor 0 indica o YARN tem recursos suficientes para que uma redução ou outras alterações pode não ser necessário.

   Se o recurso pendente for maior que 0:

   $estimated\_worker\_count =$

   \[ \Biggl \lceil AVERAGE\ during\ cooldown\ period\Big(\frac{Pending + Available + Allocated + Reserved}{Resource\ per\ worker}\Big)\Biggr \rceil \]

   Se o recurso pendente for 0:

   $estimated\_worker\_count =$

   \[ \Biggl \lceil AVERAGE\ during\ cooldown\ period\Big(\frac{Allocated + Reserved}{Resource\ per\ worker}\Big)\Biggr \rceil \]

   Por padrão, o escalonador automático monitora o recurso de memória do YARN. Se Ative o escalonamento automático baseado em núcleos. a memória e os núcleos YARN são monitorados: estimated_worker_count é avaliado separadamente para memória e núcleos, e o número de workers maior é selecionado.

   $estimated\_worker\_count =$

   \[ max(estimated\_worker\_count\_by\_memory,\ estimated\_worker\_count\_by\_cores) \]

   \[ estimated\ \Delta worker = estimated\_worker\_count - current\_worker\_count \]

2. Dada a alteração estimada necessária para o número de workers, o escalonamento automático usa uma scaleUpFactor ou scaleDownFactor para calcular a mudança real no número de workers:

   if estimated Δworkers > 0:
     actual Δworkers = ROUND_UP(estimated Δworkers * scaleUpFactor)
     # examples:
     # ROUND_UP(estimated Δworkers=5 * scaleUpFactor=0.5) = 3
     # ROUND_UP(estimated Δworkers=0.8 * scaleUpFactor=0.5) = 1
   else:
     actual Δworkers = ROUND_DOWN(estimated Δworkers * scaleDownFactor)
     # examples:
     # ROUND_DOWN(estimated Δworkers=-5 * scaleDownFactor=0.5) = -2
     # ROUND_DOWN(estimated Δworkers=-0.8 * scaleDownFactor=0.5) = 0
     # ROUND_DOWN(estimated Δworkers=-1.5 * scaleDownFactor=0.5) = 0
   

   Um scaleUpFactor ou scaleDownFactor de 1.0 significa que o escalonamento automático será escalonado de forma que recurso pendente/disponível é 0 (uso perfeito).

3. Quando a mudança no número de workers for calculada, scaleUpMinWorkerFraction e scaleDownMinWorkerFraction vão agir como um limite para determinar se o escalonamento automático vai escalonar o cluster. Uma pequena fração significa que o escalonamento automático precisa ser escalonado mesmo que o Δworkers seja pequeno. Uma fração maior significa que o escalonamento só pode ocorrer quando o Δworkers é grande.

   IF (Δworkers >  scaleUpMinWorkerFraction * current_worker_count) then scale up
   

   OU

   IF (abs(Δworkers) >  scaleDownMinWorkerFraction * current_worker_count),
   THEN scale down.
   

4. Se o número de workers a escalonar for grande o suficiente para acionar o escalonamento, o escalonamento automático usará os limites minInstances maxInstances de workerConfig e secondaryWorkerConfig e weight (proporção de workers primários e secundários) para determinar como dividir o número de workers entre os grupos de instâncias de worker primário e secundário. O resultado desses cálculos é a alteração final de escalonamento automático no cluster para o período de escalonamento.

5. As solicitações de redução de escalonamento automático de escalonamento automático serão canceladas nos clusters criados com imagem Versões posteriores à 2.0.57 e 2.1.5 se:

   1. uma redução da escala vertical está em andamento com um tempo limite de desativação otimizada diferente de zero valor e

   2. o número de workers ACTIVE YARN ("workers ativos") mais a alteração no número total de workers recomendados pelo escalonador automático (Δworkers) é igual ou maior que DECOMMISSIONING workers YARN ("funcionários em desativação"), conforme mostrado na fórmula a seguir:

      IF (active workers + Δworkers ≥ active workers + decommissioning workers)
      THEN cancel the scaledown operation
      

   Para ver um exemplo de cancelamento da redução da escala vertical, consulte Quando o escalonamento automático cancela uma operação de redução da escala vertical?.

Recomendações de configuração de escalonamento automático

Evite escalonar os workers principais

Os workers principais executam os Datanodes HDFS, e os secundários são somente de computação. Com o uso de workers secundários, é possível escalonar recursos de computação com eficiência sem a necessidade de provisionar armazenamento, o que resulta em recursos de escalonamento mais rápido. Os Namenodes do HDFS podem ter várias condições de disputa que fazem com que o HDFS fique corrompido, fazendo com que a desativação fique travada para sempre. Para evitar esse problema, evite escalonar workers principais. Por exemplo: workerConfig: minInstances: 10 maxInstances: 10 secondaryWorkerConfig: minInstances: 0 maxInstances: 100

Algumas modificações precisam ser feitas no comando de criação do cluster:

1. Defina --num-workers=10 para corresponder ao tamanho do grupo de workers principais da política de escalonamento automático.
2. Defina --secondary-worker-type=non-preemptible para configurar workers secundários como não preemptivos. (a menos que as VMs preemptivas sejam necessárias).
3. Copie a configuração de hardware de workers principais para workers secundários. Por exemplo, defina --secondary-worker-boot-disk-size=1000GB para corresponder a --worker-boot-disk-size=1000GB.

Use o modo de flexibilidade aprimorado para jobs em lote do Spark

Usar o Modo de flexibilidade aprimorado (EFM, na sigla em inglês) com escalonamento automático para:

ativar a redução mais rápida do cluster enquanto os jobs estão em execução

evitar a interrupção dos jobs em execução devido para reduzir a escala vertical do cluster

minimizem a interrupção dos jobs em execução devido à preempção de workers secundários preemptivos

Com o EFM ativado, o tempo limite de desativação otimizada de uma política de escalonamento automático precisa ser definido como 0s. A política de escalonamento automático só precisa escalonar os workers secundários automaticamente.

Como escolher um tempo limite de desativação otimizada

O escalonamento automático dá suporte Desativação otimizada do YARN ao remover nós de um cluster. A desativação otimizada permite que os aplicativos concluam a reprodução aleatória de dados entre cenários para evitar a definição do andamento do job. O tempo limite de desativação otimizada fornecido em uma política de escalonamento automático é o limite máximo da duração que o YARN aguardará pela execução dos aplicativos (o aplicativo que estava em execução durante a desativação) antes como remover nós.

Quando um processo não é concluído dentro do tempo limite de desativação especificado, o nó de trabalho é encerrado de modo forçado, o que pode causar perda de dados ou interrupção do serviço. Para evitar essa possibilidade, defina o tempo limite de desativação otimizada com um valor maior que o job mais longo que o cluster vai processar. Por exemplo, se você espera que seu tempo job seja executado por uma hora, defina o tempo limite como pelo menos uma hora (1h).

Pense na migração de jobs que levam mais de uma hora para os próprios clusters efêmeros para evitar o bloqueio da desativação otimizada.

Como definir scaleUpFactor

scaleUpFactor controla a intensidade com que o escalonador automático aumenta um cluster. Especifique um número entre 0.0 e 1.0 para definir o valor fracionário do recurso pendente do YARN que causa a adição de nós.

Por exemplo, se houver 100 contêineres pendentes solicitando 512 MB cada, haverá 50 GB de memória pendente do YARN. Se scaleUpFactor for 0.5, o escalonador automático adicionará nós suficientes para adicionar 25 GB de memória do YARN. Da mesma forma, se for 0.1, o escalonador automático adicionará nós suficientes para 5 GB. Observe que esses valores correspondem à memória do YARN, não à memória total disponível fisicamente em uma VM.

Um bom ponto de partida é 0.05 para jobs do MapReduce e jobs do Spark com a alocação dinâmica ativada. Para os jobs do Spark com uma contagem de executores fixos e jobs do Tez, use 1.0. Um scaleUpFactor de 1.0 significa que o escalonamento automático será escalonado de forma que o recurso pendente/disponível é 0 (uso perfeito).

Como definir scaleDownFactor

scaleDownFactor controla a intensidade com que o escalonador automático reduz o escalonamento de um cluster. Especifique um número entre 0.0 e 1.0 para definir o valor fracionário do recurso YARN disponível que causa a remoção do nó.

Deixe esse valor em 1.0 para a maioria dos clusters de vários jobs que precisam ser escalonados para cima e para baixo com frequência. Como resultado da desativação otimizada, as operações de redução da escala vertical são significativamente mais lentas do que as operações de escalonamento vertical. Configurando scaleDownFactor=1.0 conjuntos uma taxa de redução agressiva, que minimiza o número de operações de redução da escala necessárias para atingir o tamanho apropriado do cluster.

Para clusters que precisam de mais estabilidade, defina um scaleDownFactor menor para um uma taxa de redução da escala vertical mais lenta.

Defina esse valor como 0.0 para evitar a redução da escala vertical do cluster, por exemplo, quando usando clusters temporários ou de job único.

Definindo scaleUpMinWorkerFraction e scaleDownMinWorkerFraction

scaleUpMinWorkerFraction e scaleDownMinWorkerFraction são usados com scaleUpFactor ou scaleDownFactor e têm valores de 0.0. Elas representam os limites para que o escalonador automático escalonar reduzir escala vertical o cluster: o aumento mínimo do valor fracionário ou diminuir o tamanho do cluster necessário para emitir solicitações de aumento ou redução.

Exemplos: o escalonador automático não emitirá uma solicitação de atualização para adicionar cinco workers a um cluster de 100 nós, a menos que scaleUpMinWorkerFraction seja menor ou igual a 0.05 (5%). Se definido como 0.1, o escalonador automático não emitirá a solicitação para escalonar o cluster verticalmente. Da mesma forma, se scaleDownMinWorkerFraction for 0.05, o escalonador automático não emitir uma solicitação de atualização para remover nós de um cluster de 100 nós, a menos que pelo menos 5 nós sejam removidos.

O valor padrão de 0.0 significa que não há limite.

Configuração mais alta scaleDownMinWorkerFractionthresholds em clusters grandes (> 100 nós) para evitar operações de escalonamento pequenas e desnecessárias altamente recomendado.

Como escolher um período de espera

O cooldownPeriod define um período em que o escalonador automático não emite solicitações para mudar o tamanho do cluster. Você pode usar para limitar a frequência das alterações do escalonador automático no tamanho do cluster.

O cooldownPeriod mínimo e padrão é de dois minutos. Se um cooldownPeriod mais curto for definido em uma política, as alterações de carga de trabalho afetarão mais rapidamente o tamanho do cluster, mas os clusters podem aumentar e diminuir o escalonamento desnecessariamente. A prática recomendada é definir scaleUpMinWorkerFraction e scaleDownMinWorkerFraction da política como um valor diferente de zero ao usar um cooldownPeriod mais curto. Isso garante que o cluster só aumenta ou diminui quando a alteração na utilização de recursos é suficientes para justificar uma atualização de cluster.

Se a carga de trabalho for sensível a mudanças no tamanho do cluster, será possível aumentar o período de espera. Por exemplo, se você estiver executando um de processamento, é possível definir o período de espera para 10 minutos ou mais. Teste diferentes períodos de tempo de espera para encontrar o valor que funciona melhor para sua carga de trabalho.

Limites de contagem de workers e pesos de grupo

Cada grupo de workers tem minInstances e maxInstances que configuram um limite absoluto no tamanho de cada grupo.

Cada grupo também tem um parâmetro chamado weight que configura o equilíbrio de destino entre os dois grupos. Observe que esse parâmetro é apenas uma dica e, se um grupo atingir o tamanho mínimo ou máximo, os nós só serão adicionados ou removidos do outro grupo. Assim, weight quase sempre pode ser deixado no 1 padrão.

Ativar o escalonamento automático baseado em núcleos

Por padrão, o YARN usa métricas de memória para alocação de recursos. Para aplicativos com uso intensivo de CPU, uma prática recomendada é configurar o YARN para usar o Calculadora de recursos dominantes. Para fazer isso, defina a seguinte propriedade ao criar um cluster:

capacity-scheduler:yarn.scheduler.capacity.resource-calculator=org.apache.hadoop.yarn.util.resource.DominantResourceCalculator

Métricas e registros de escalonamento automático

Os recursos e ferramentas a seguir podem ajudá-lo a monitorar operações de escalonamento automático e respectivos efeitos no seu cluster e nos seus jobs.

Cloud Monitoring

Use o Cloud Monitoring para:

• ver as métricas usadas pelo escalonamento automático;
• ver o número de administradores de nodes no cluster;
• entender porque o escalonamento automático fez ou não o escalonamento do cluster.

Cloud Logging

Use o Cloud Logging para ver os registros do Cloud Dataproc Autoscaler.

1) Encontre registros para o cluster.

2) Selecione dataproc.googleapis.com/autoscaler.

3) Expanda as mensagens de registro para visualizar o campo status. Os registros estão em JSON, um formato legível por máquina.

4) Expanda a mensagem de registro para ver recomendações de escalonamento, métricas usadas para decisões de escalonamento, o tamanho do cluster original e o novo tamanho do cluster de destino.

Segundo plano: como fazer o escalonamento automático com o Apache Hadoop e o Apache Spark

Nas seções a seguir, abordamos a maneira de interoperação do escalonamento automático com o YARN do Hadoop e o Hadoop Mapreduce e com o Apache Spark, o Spark Streaming e o Spark Structured Streaming.

Métricas do YARN do Hadoop

O escalonamento automático é centralizado nas seguintes métricas do YARN do Hadoop:

1. Allocated resource refere-se ao recurso total YARN ocupado pela execução contêineres em todo o cluster. Se houver seis contêineres em execução que podem usar até 1 unidade de recurso, há 6 recursos alocados.

2. Available resource é o recurso YARN no cluster que não é usado pelos contêineres alocados. Se houver 10 unidades de recursos em todos os gerenciadores de nó e 6 de são alocados, há 4 recursos disponíveis. Se houver recursos não utilizados no cluster, o escalonamento automático pode remover workers do cluster.

3. Pending resource é a soma das solicitações de recursos YARN para contêineres pendentes. Os contêineres pendentes aguardam espaço para serem executados no YARN. O recurso pendente é diferente de zero somente se o recurso disponível for zero ou muito pequeno para alocar ao próximo contêiner do Docker. Se houver contêineres pendentes, com o escalonamento automático será possível adicionar workers ao cluster.

É possível visualizar essas métricas no Cloud Monitoring. Por padrão, a memória YARN será de 0,8 * de memória total no cluster, com memória restante reservada para outros daemons e uso do sistema operacional, como o cache da página. É possível substituir o valor padrão pela configuração de configuração "yarn.nodemanager.resource.memory-mb" do YARN. Consulte Apache Hadoop YARN, HDFS, Spark e propriedades relacionadas.

Escalonamento automático e o Hadoop MapReduce

Com o MapReduce é executado cada mapa e reduzida a tarefa como um contêiner YARN separado. Quando um job começa, por meio do MapReduce são enviadas solicitações de contêiner para cada tarefa do mapa, resultando em grande aumento na memória pendente do YARN. À medida que as tarefas do mapa terminam, a memória pendente diminui.

Quando mapreduce.job.reduce.slowstart.completedmaps é concluído (95% por padrão no Dataproc), o MapReduce enfileira solicitações de contêiner para todos os redutores, resultando em outro pico na memória pendente.

A menos que as tarefas de mapa e redução demorem vários minutos ou mais, não defina um valor alto para o escalonamento automático scaleUpFactor. Adicionar workers ao cluster demora pelo menos 1,5 minuto, portanto, verifique se há trabalho pendente suficiente para utilizar o novo worker por vários minutos. Um bom ponto de partida é definir scaleUpFactor como 0,05 (5%) ou 0,1 (10%) da memória pendente.

Escalonamento automático e o Spark

Por meio do Spark, uma camada extra de agendamento é adicionada no topo do YARN. Especificamente, a alocação dinâmica do Spark Core faz solicitações ao YARN de contêineres para executar executores do Spark e, em seguida, programa tarefas do Spark em linhas de execução nesses executores. Com os clusters do Dataproc é feita a alocação dinâmica por padrão, portanto, os executores são adicionados e removidos conforme necessário.

No Spark, sempre é feita a solicitação de contêineres para o YARN, mas sem a alocação dinâmica, a solicitação só é feita no início do job. Com a alocação dinâmica, será feita a solicitação para a remoção de contêineres ou criação de novos, conforme a necessidade.

O Spark é iniciado com um número reduzido de executores - 2, em clusters de escalonamento automático - e o número de executores é duplicado enquanto houver tarefas acumuladas. Isso suaviza a memória pendente (menor número de picos de memória pendentes). É recomendado definir scaleUpFactor de escalonamento automático como um número grande, como 1.0 (100%), para jobs do Spark.

Como desativar a alocação dinâmica do Spark

Se você estiver executando jobs separados do Spark que não se beneficiam da alocação dinâmica do Spark, desative a alocação dinâmica do Spark definindo spark.dynamicAllocation.enabled=false e spark.executor.instances. É possível ainda usar o escalonamento automático para escalonar os clusters para mais ou para menos, enquanto os jobs separados do Spark são executados.

Jobs do Spark com dados armazenados em cache

Defina spark.dynamicAllocation.cachedExecutorIdleTimeout ou remova os conjuntos de dados em cache quando eles não forem mais necessários. Por padrão, o Spark não remove os executores que têm dados armazenados em cache, o que evitaria a redução de escalonamento do cluster.

Escalonamento automático e o Spark Streaming

1. Como o Spark Streaming tem a própria versão alocação dinâmica que usa indicadores específicos de streaming para adicionar e remover executores, defina spark.streaming.dynamicAllocation.enabled=true e desativar a alocação dinâmica do Spark Core definindo spark.dynamicAllocation.enabled=false.

2. Não use Desativação otimizada (escalonamento automático gracefulDecommissionTimeout) com jobs do Spark Streaming. Em vez disso, para remover com segurança os workers com escalonamento automático, configure o checkpoint para tolerância a falhas.

Como alternativa, para usar o Spark Streaming sem o escalonamento automático:

1. Desative a alocação dinâmica do Spark Core (spark.dynamicAllocation.enabled=false) e
2. defina o número de executores (spark.executor.instances) para o job. Veja Propriedades do cluster.

Escalonamento automático e o Spark Structured Streaming

O escalonamento automático não é compatível com o Spark Structured Streaming, porque este último não oferece suporte à alocação dinâmica. Veja SPARK-24815: o Structured Streaming é compatível com a alocação dinâmica.

Como controlar o escalonamento automático com particionamento e paralelismo

Geralmente, o paralelismo é definido ou determinado pelos recursos do cluster. Por exemplo, o número de blocos do HDFS bloqueia o número de tarefas, com o escalonamento automático, a conversão se aplica: o escalonamento automático define o número de workers de acordo com o paralelismo do job. A seguir, as diretrizes para definir o paralelismo de jobs:

• Mesmo que o Dataproc defina o número padrão de tarefas de redução do MapReduce com base no tamanho inicial do cluster, é possível definir mapreduce.job.reduces para aumentar o paralelismo da fase de redução.
• O paralelismo do Spark SQL e do DataFrame é determinado por spark.sql.shuffle.partitions, que tem como padrão 200.
• As funções RDD do Spark são padronizadas para spark.default.parallelism, que é definido como o número de núcleos nos nós de trabalho quando o job é iniciado. No entanto, todo o RDD que criam embaralhamentos parâmetro para o número de partições, que substitui spark.default.parallelism.

É preciso garantir que os dados sejam particionados de maneira uniforme. Se houver uma distorção significativa de chave, uma ou mais tarefas podem demorar bem mais do que outras, resultando em baixa utilização.

Configurações de propriedades padrão de escalonamento automático do Spark/Hadoop

Os clusters de escalonamento automático têm valores de propriedade de cluster padrão que ajudam a evitar a falha nos jobs, quando os workers principais são removidos ou quando os workers secundários são preteridos. É possível substituir esses valores padrão ao criar um cluster com escalonamento automático (consulte Propriedades do cluster).

Padrões para aumentar o número máximo de novas tentativas para tarefas, mestres de aplicativos e cenários:

yarn:yarn.resourcemanager.am.max-attempts=10
mapred:mapreduce.map.maxattempts=10
mapred:mapreduce.reduce.maxattempts=10
spark:spark.task.maxFailures=10
spark:spark.stage.maxConsecutiveAttempts=10

Padrões para redefinir os contadores de novas tentativas (útil para jobs de execução lenta do Spark Streaming):

spark:spark.yarn.am.attemptFailuresValidityInterval=1h
spark:spark.yarn.executor.failuresValidityInterval=1h

Padrões para fazer com que o mecanismo de alocação dinâmica do Spark de inicialização lenta comece com um tamanho pequeno:

spark:spark.executor.instances=2

Perguntas frequentes

O escalonamento automático pode ser ativado em clusters de alta disponibilidade e em clusters de nó único?

O escalonamento automático pode ser ativado em clusters de alta disponibilidade, mas não em clusters de nó único, porque estes não são compatíveis com redimensionamento.

É possível redimensionar manualmente um cluster de escalonamento automático?

Sim É possível redimensionar manualmente um cluster para interromper intervalos, ao ajustar uma política de escalonamento automático. No entanto, essas alterações terão apenas um efeito temporário, e o escalonamento automático acabará redimensionando novamente o cluster.

Em vez de redimensionar manualmente um cluster de escalonamento automático, considere:

Atualização da política de escalonamento automático. Todas as alterações feitas na política de escalonamento automático afetarão todos os clusters que atualmente usam a política (consulte Uso da política de vários clusters).

Desanexar a política e escalonar manualmente o cluster para o tamanho preferencial.

Como receber suporte do Dataproc.

Qual é a diferença entre o Dataproc e o escalonamento automático do Dataflow?

Consulte Escalonamento automático horizontal do Dataflow. e escalonamento automático vertical do Dataflow Prime.

A equipe de desenvolvimento do Dataproc pode redefinir o status de um cluster de ERROR para RUNNING?

Em geral, não. Isso requer esforço manual para verificar se é seguro redefinir o estado do cluster e geralmente não é possível redefini-lo sem outras etapas manuais, como reiniciar o Namenode do HDFS.

O Dataproc define o status de um cluster como ERROR quando não consegue determinar o status de um cluster após uma operação com falha. Os clusters em ERROR não têm escalonamento automático nem executam jobs. Estas são as causas mais comuns:

1. Erros retornados da API Compute Engine, geralmente durante interrupções do Compute Engine.

2. HDFS entrando em um estado corrompido devido a bugs na desativação do HDFS.

3. Erros da API Dataproc Control, como "O lease de tarefas expirou"

Excluir e recriar os clusters com status ERROR.

Quando o escalonamento automático cancela uma operação de redução?

O gráfico a seguir é uma ilustração que demonstra quando o escalonamento automático cancelar uma operação de redução de escala vertical. Consulte também Como funciona o escalonamento automático.

Observações:

• O cluster tem escalonamento automático ativado com base apenas nas métricas de memória do YARN (padrão).
• T1-T9 representam intervalos de espera quando o escalonador automático avalia o número de workers (a duração do evento foi simplificada).
• As barras empilhadas representam o número de unidades ativas, desativadas e desativadas de trabalho YARN do cluster.
• O número de workers recomendado pelo escalonador automático (linha preta) é baseado nas métricas de memória do YARN, na contagem de workers ativos do YARN; Configurações da política de escalonamento automático (consulte Como funciona o escalonamento automático).
• A área de fundo vermelha indica o período em que a operação de redução da escala vertical está em execução.
• A área de fundo amarela indica o período em que a operação de redução da escala vertical foi cancelada.
• A área de fundo verde indica o período da operação de escalonamento vertical.

As seguintes operações ocorrem nos seguintes horários:

• T1: o escalonador automático inicia uma operação de redução da escala vertical de desativação otimizada. reduzir aproximadamente metade dos workers atuais do cluster.

• T2: o escalonador automático continua monitorando as métricas do cluster. Ele não muda. a recomendação de redução da escala vertical e a operação de redução continua. Alguns workers foram desativados e outros estão sendo desativados O Dataproc excluirá os workers desativados.

• T3: o escalonador automático calcula que o número de workers pode reduzir escala vertical ainda mais. possivelmente devido à disponibilidade adicional da memória YARN. No entanto, como o de workers ativos mais a alteração recomendada no número de workers não é igual ou maior que o número de workers ativos mais com a desativação de workers, os critérios para o cancelamento da redução não forem atendidos e o escalonador automático não cancelará a operação de redução da escala vertical.

• T4: o YARN relata um aumento na memória pendente. No entanto, o escalonador automático não altera a recomendação de contagem de workers. Como em T3, a redução da escala os critérios de cancelamento permanecem não atendidos, e o escalonador automático não cancela a operação de redução da escala vertical.

• T5: o YARN pendente de memória aumenta e a mudança no número de workers recomendado pelo escalonador automático aumenta. No entanto, como o número de workers ativos mais que a alteração recomendada no número de workers seja menor que o de workers ativos e desativados, os critérios de cancelamento permanecerão não atendida e a operação de redução da escala vertical não é cancelada.

• T6: a memória pendente do YARN aumenta ainda mais. O número de workers ativos mais o a alteração no número de workers recomendados pelo escalonador automático agora é maior que o número de workers ativos e desativados. Os critérios de cancelamento forem atendidos, e o escalonador automático cancelará a operação de redução da escala vertical.

• T7: o escalonador automático está aguardando o cancelamento da operação de redução da escala vertical para concluído. O escalonador automático não avalia e recomenda uma alteração na o número de workers durante esse intervalo.

• T8: O cancelamento da operação de redução é concluído. Desativação de workers são adicionados ao cluster e ficam ativos. O escalonador automático detecta conclusão do cancelamento da operação de redução da escala vertical e espera a próxima período de avaliação de desempenho (T9) para calcular o número recomendado de workers.

• T9: não há operações ativas no horário T9. Com base na política do escalonador automático e as métricas YARN, o escalonador automático recomenda uma operação de escalonamento vertical.