Dataproc Enhanced Flexibility Mode

Enhanced Flexibility Mode (EFM) verwaltet Shuffle-Daten. Dadurch werden Verzögerungen beim Fortschritt des Jobs minimiert, die durch das Entfernen von Knoten aus einem ausgeführten Cluster verursacht werden. EFM lagert Shuffle-Daten aus, indem Daten auf primäre Worker geschrieben werden. Worker rufen diese Remoteknoten während der reduzierten Phase ab. Dieser Modus ist nur für Spark-Jobs verfügbar.

Da im EFM keine Zwischen-Shuffle-Daten auf sekundären Workern gespeichert werden, eignet sich der EFM gut für Cluster, die VMs auf Abruf oder nur die sekundäre Workergruppe automatisch skalieren.

EFM wird in Dataproc 2.0.31+, 2.1.6+, 2.2.50+ und späteren Image-Versionen unterstützt.

Beschränkungen:

• Apache Hadoop YARN-Jobs, die die AppMaster-Verschiebung nicht unterstützen, können im Enhanced Flexibility Mode fehlschlagen. Weitere Informationen unter Wann auf den Abschluss von AppMastern gewartet werden muss.
• Der Enhanced Flexibility Mode wird nicht empfohlen:
  • auf einem Cluster, der nur primäre Worker hat
  • bei Streamingjobs, da es nach Abschluss des Jobs bis zu 30 Minuten dauern kann, bis Shuffle-Zwischendaten bereinigt werden.
  • auf einem Cluster, auf dem Notebooks ausgeführt werden, da die Shuffle-Daten während der Lebensdauer der Sitzung möglicherweise nicht bereinigt werden.
  • Die Ausführung von Spark-Jobs in einem Cluster mit aktivierter ordnungsgemäßer Außerbetriebnahme Die ordnungsgemäße Außerbetriebnahme und EFM können sich gegenseitig behindern, da der Mechanismus zur ordnungsgemäßen Außerbetriebnahme in YARN die Knoten mit dem Status DECOMMISSIONING beibehält, bis alle beteiligten Anwendungen abgeschlossen sind.
  • auf einem Cluster, auf dem sowohl Spark- als auch Nicht-Spark-Jobs ausgeführt werden.
• Der Enhanced Flexibility Mode wird nicht unterstützt:
  • wenn das primäre Worker-Autoscaling aktiviert ist. In den meisten Fällen speichern primäre Worker weiterhin Shuffle-Daten, die nicht automatisch migriert werden. Durch die Herunterskalierung der primären Worker-Gruppe werden ESM-Vorteile ausgeschlossen.

Erweiterten Flexibilitätsmodus verwenden

Enhanced Flexibility wird aktiviert, wenn Sie einen Cluster erstellen und die dataproc:efm.spark.shuffle Cluster-Eigenschaft auf primary-worker festlegen.

Beispiel:

gcloud dataproc clusters create cluster-name \
    --region=region \
    --properties=dataproc:efm.spark.shuffle=primary-worker \
     other flags ...

Beispiel für Apache Spark

1. Führen Sie einen WordCount-Job für öffentlichen Shakespeare-Text mithilfe der Spark-Beispiel-JAR-Datei auf dem EFM-Cluster aus.

   gcloud dataproc jobs submit spark \
       --cluster=cluster-name \
       --region=region \
       --jars=file:///usr/lib/spark/examples/jars/spark-examples.jar \
       --class=org.apache.spark.examples.JavaWordCount \
       -- gs://apache-beam-samples/shakespeare/macbeth.txt
   

Lokale SSDs konfigurieren

Da der EFM Zwischen-Shuffle-Daten auf VM-Anhängen schreibt, profitiert er vom zusätzlichen Durchsatz und den zusätzlichen IOPS, die von lokalen SSDs bereitgestellt werden. Damit die Ressourcenzuweisung vereinfacht wird, sollten Sie beim Konfigurieren von primären Worker-Maschinen ein Ziel von etwa einer lokalen SSD-Partition pro 4 vCPUs festlegen.

Übergeben Sie das Flag --num-worker-local-ssds an den Befehl gcloud Dataproc clusters create, um lokale SSDs hinzuzufügen.

Im Allgemeinen benötigen Sie keine lokalen SSDs auf sekundären Workern. Das Hinzufügen lokaler SSDs zu den sekundären Workern eines Clusters (mit dem Flag --num-secondary-worker-local-ssds) ist oft weniger wichtig, da sekundäre Worker keine Shuffle-Daten lokal schreiben. Da lokale SSDs die Leistung lokaler Festplatten verbessern, können Sie jedoch lokale SSDs zu sekundären Workern hinzufügen, wenn Sie erwarten, dass Jobs aufgrund der Verwendung lokaler Festplatten E/A-gebunden sind. Das ist der Fall, wenn für Ihren Job viel lokaler Festplattenspeicher für Scratch-Space benötigt wird oder Ihre Partitionen zu groß sind, um in den Arbeitsspeicher zu passen, und auf die Festplatte ausgelagert werden.

Verhältnis der sekundären Worker

Da sekundäre Worker ihre Shuffle-Daten auf primäre Worker schreiben, muss Ihr Cluster eine ausreichende Anzahl von primären Workern mit genügend CPU-, Arbeitsspeicher- und Festplattenressourcen enthalten, um den Shuffle-Ladevorgang Ihres Jobs zu ermöglichen. Wenn Sie bei Autoscaling-Clustern verhindern möchten, dass die primäre Gruppe skaliert wird und unerwünschtes Verhalten verursacht, setzen Sie minInstances in der Autoscaling-Richtlinie auf den Wert maxInstances für die primäre Worker-Gruppe.

Wenn Sie ein hohes Verhältnis von sekundären zu primären Workern haben (z. B. 10:1), überwachen Sie die CPU-Auslastung, das Netzwerk und die Laufwerknutzung primärer Worker, um festzustellen, ob sie überlastet sind. Vorgehensweise:

1. Rufen Sie in derGoogle Cloud Console die Seite VM-Instanzen auf.

2. Klicken Sie auf das Kästchen links neben dem primären Worker.

3. Klicken Sie auf den Tab MONITORING, um die CPU-Auslastung, die Laufwerk-IOPS, die Netzwerk-Byte und andere Messwerte des primären Workers anzuzeigen.

Wenn primäre Worker überlastet sind, sollten Sie primäre Worker manuell vertikal skalieren.

Größe der primären Workergruppe anpassen

Die primäre Workergruppe kann sicher skaliert werden. Das Herunterskalieren der primären Workergruppe kann jedoch den Jobfortschritt beeinträchtigen. Vorgänge, die die primäre Worker-Gruppe herunterskalieren, sollten die ordnungsgemäße Außerbetriebnahme verwenden. Diese wird durch Festlegen des Flags --graceful-decommission-timeout aktiviert.

Automatisch skalierte Cluster: Die Skalierung der primären Workergruppe ist in EFS-Clustern mit Autoscaling-Richtlinien deaktiviert. So passen Sie die Größe der primären Workergruppe auf einem automatisch skalierten Cluster an:

1. Autoscaling deaktivieren

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

2. Primäre Gruppe skalieren

   gcloud dataproc clusters update \
       --cluster=cluster-name \
       --region=region \
       --num-workers=num-primary-workers \
       --graceful-decommission-timeout=graceful-decommission-timeout # (if downscaling)
   

3. Aktivieren Sie das Autoscaling wieder:

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

Nutzung des primären Worker-Laufwerks überwachen

Primäre Worker müssen genügend Speicherplatz für die Shuffle-Daten des Clusters haben. Sie können dies indirekt anhand des Messwerts remaining HDFS capacity überwachen. Wenn das lokale Laufwerk gefüllt wird, ist der Speicherplatz für HDFS nicht verfügbar und die verbleibende Kapazität sinkt.

Wenn das lokale Laufwerk eines primären Workers über 90 % der Kapazität überschreitet, wird der Knoten in der YARN-Knoten-Benutzeroberfläche standardmäßig als UNHEALTHY gekennzeichnet. Wenn Probleme mit der Laufwerkskapazität auftreten, können Sie nicht verwendete Daten aus HDFS löschen oder den primären Worker-Pool hochskalieren.

Erweiterte Konfiguration

Partitionierung und Parallelität

Konfigurieren Sie beim Senden eines Spark-Jobs eine geeignete Partitionierungsebene. Die Entscheidung über die Anzahl der Eingabe- und Ausgabepartitionen für eine Shuffle-Phase hat einen Kompromiss zwischen verschiedenen Leistungsmerkmalen. Am besten experimentieren Sie mit Werten, die für Ihre Jobformen funktionieren.

Eingabepartitionen

Die Partitionierung von Spark- und MapReduce-Eingaben wird vom Eingabe-Dataset bestimmt. Beim Lesen von Dateien aus Cloud Storage verarbeitet jede Aufgabe ungefähr eine "Blockgröße" an Daten.

• Bei Spark SQL-Jobs wird die maximale Partitionsgröße von spark.sql.files.maxPartitionBytes festgelegt. Wir empfehlen, den Wert auf 1 GB zu erhöhen: spark.sql.files.maxPartitionBytes=1073741824.

• Bei Spark-RDDs wird die Partitionsgröße in der Regel mit fs.gs.block.size gesteuert, die standardmäßig 128 MB beträgt. Wir empfehlen, den Wert auf 1 GB zu erhöhen. Beispiel: --properties spark.hadoop.fs.gs.block.size=1073741824

Ausgabepartitionen

Die Anzahl der Aufgaben in den folgenden Phasen wird durch mehrere Attribute gesteuert. Bei größeren Jobs, die mehr als 1 TB verarbeiten, sollten Sie mindestens 1 GB pro Partition bereitstellen.

• Bei Spark SQL wird die Anzahl der Ausgabepartitionen von spark.sql.shuffle.partitions gesteuert.

• Bei Spark-Jobs, die die RDD API verwenden, können Sie die Anzahl der Ausgabepartitionen angeben oder spark.default.parallelism festlegen.

Shuffle-Tuning des primären Workers

Das wichtigste Attribut ist --properties yarn:spark.shuffle.io.serverThreads=<num-threads>. Beachten Sie, dass hier ein YARN-Attribut auf Clusterebene angegeben ist, da der Spark-Shuffle-Server als Teil des Knoten-Managers ausgeführt wird. Standardmäßig wird die Anzahl der Kerne auf dem Computer verdoppelt (z. B. 16 Threads auf einem n1-highmem-8). Wenn „Shuffle Read Blocked Time“ größer als 1 Sekunde ist und primäre Worker das Netzwerk-, CPU- oder Laufwerklimit nicht erreicht haben, sollten Sie die Anzahl der Shuffle-Server-Threads erhöhen.

Bei größeren Maschinentypen sollten Sie möglicherweise spark.shuffle.io.numConnectionsPerPeer erhöhen. Der Standardwert ist 1. (Setzen Sie es z. B. auf 5 Verbindungen pro Hostpaar).

Wiederholungsversuche erhöhen

Die maximale Anzahl der Versuche, die App-Master, Aufgaben und Phasen verwenden können, kann über die folgenden Attribute konfiguriert werden:

yarn:yarn.resourcemanager.am.max-attempts
spark:spark.task.maxFailures
spark:spark.stage.maxConsecutiveAttempts

Da App-Master und Aufgaben häufiger in Clustern beendet werden, die viele VMs auf Abruf oder Autoscaling ohne ordnungsgemäße Außerbetriebnahme verwenden, kann es hilfreich sein, die Werte der vorherigen Eigenschaften in diesen Clustern zu erhöhen. Die Verwendung von EFM mit Spark und ordnungsgemäßer Außerbetriebnahme wird nicht unterstützt.

YARN: Ordnungsgemäße Außerbetriebnahme in EFS-Clustern

Die ordnungsgemäße Außerbetriebnahme in YARN kann verwendet werden, um Knoten schnell und mit minimalen Auswirkungen auf die Ausführung von Anwendungen zu entfernen. Bei Autoscaling-Clustern kann das Zeitlimit für eine ordnungsgemäße Außerbetriebnahme in einer AutoscalingPolicy festgelegt werden, die an den EFM-Cluster angehängt ist.

EFM-Verbesserungen für eine ordnungsgemäße Außerbetriebnahme

1. Da Zwischendaten in einem verteilten Dateisystem gespeichert werden, können Knoten aus einem EFM-Cluster entfernt werden, sobald alle Container, die auf diesen Knoten ausgeführt werden, abgeschlossen sind. Dagegen werden Knoten erst dann aus Standard-Dataproc-Clustern entfernt, wenn die Anwendung beendet wurde

2. Das Entfernen von Knoten wartet nicht, bis die auf einem Knoten ausgeführten App-Master beendet wurden. Wenn der Master-Container der Anwendung beendet wird, wird er auf einem anderen Knoten verschoben, der nicht außer Betrieb genommen wird. Jobfortschritte gehen nicht verloren. Der neue App-Master stellt den Status des vorherigen App-Master durch das Einlesen des Jobverlaufs schnell wieder her.