Google Cloud Dataproc 配置问题

Question

我在运行的一些 Spark LDA 主题建模中遇到了各种问题（主要是看似随机间隔的解关联错误），我认为这主要与我的执行程序上的内存分配不足有关。这似乎与有问题的自动集群配置有关。我最近的尝试使用 n1-standard-8 机器（8 个内核，30GB RAM）作为主节点和工作节点（6 个工作节点，因此总共 48 个内核）。

但是当我查看/etc/spark/conf/spark-defaults.conf 时，我看到了：

spark.master yarn-client
spark.eventLog.enabled true
spark.eventLog.dir hdfs://cluster-3-m/user/spark/eventlog

# Dynamic allocation on YARN
spark.dynamicAllocation.enabled true
spark.dynamicAllocation.minExecutors 1
spark.dynamicAllocation.initialExecutors 100000
spark.dynamicAllocation.maxExecutors 100000
spark.shuffle.service.enabled true
spark.scheduler.minRegisteredResourcesRatio 0.0

spark.yarn.historyServer.address cluster-3-m:18080
spark.history.fs.logDirectory hdfs://cluster-3-m/user/spark/eventlog

spark.executor.cores 4
spark.executor.memory 9310m
spark.yarn.executor.memoryOverhead 930

# Overkill
spark.yarn.am.memory 9310m
spark.yarn.am.memoryOverhead 930

spark.driver.memory 7556m
spark.driver.maxResultSize 3778m
spark.akka.frameSize 512

# Add ALPN for Bigtable
spark.driver.extraJavaOptions -Xbootclasspath/p:/usr/local/share/google/alpn/alpn-boot-8.1.3.v20150130.jar
spark.executor.extraJavaOptions -Xbootclasspath/p:/usr/local/share/google/alpn/alpn-boot-8.1.3.v20150130.jar

但是这些值没有多大意义。为什么只使用 4/8 执行器核心？只有 9.3 / 30GB RAM？我的印象是，所有这些配置都应该自动处理，但即使我尝试手动调整也无济于事。

例如，我尝试使用以下命令启动 shell：

spark-shell --conf spark.executor.cores=8 --conf spark.executor.memory=24g

但是这失败了

java.lang.IllegalArgumentException: Required executor memory (24576+930 MB) is above the max threshold (22528 MB) of this cluster! Please increase the value of 'yarn.scheduler.maximum-allocation-mb'.

我尝试更改/etc/hadoop/conf/yarn-site.xml 中的关联值，但没有效果。即使我尝试不同的集群设置（例如使用具有 60+ GB RAM 的执行程序），我最终也会遇到同样的问题。由于某种原因，最大阈值保持在 22528MB。

我在这里做错了什么，还是谷歌的自动配置有问题？

Answer 1

在主机器类型与工作机器类型不同的集群中，默认内存配置存在一些已知问题，但在您的情况下，这似乎不是主要问题。

当您看到以下内容时：

spark.executor.cores 4
spark.executor.memory 9310m

这实际上意味着每个工作节点将运行 2 个执行程序，每个执行程序将使用 4 个核心，这样所有 8 个核心确实在每个工作人员上都用完了。这样一来，如果我们给 AppMaster 一半的机器，AppMaster 就可以成功打包到一个 executor 旁边。

分配给 NodeManager 的内存量需要为 NodeManager 守护进程本身和其他一些开销留出一些开销。其他守护进程服务，例如 DataNode，所以大约 80% 留给 NodeManagers。此外，分配必须是最小 YARN 分配的倍数，因此在地板到最近的分配倍数之后，这就是 n1-standard-8 的 22528MB 的来源。

如果您添加具有 60+ GB RAM 的工作人员，那么只要您使用相同内存大小的主节点，那么您应该看到更高的最大阈值数。

无论哪种方式，如果您遇到 OOM 问题，那么最重要的不是每个执行程序的内存，而是每个任务的内存。如果你在增加spark.executor.cores 和spark.executor.memory 的同时增加了spark.executor.memory，那么每个任务的内存实际上并没有增加，所以在这种情况下你不会真正为你的应用程序逻辑提供更多的空间； Spark 将使用spark.executor.cores 来确定在同一内存空间中运行的并发任务数。

要真正为每个任务获得更多内存，您应该主要尝试：

1. 使用 n1-highmem-* 机器类型
2. 尝试减少 spark.executor.cores，同时保持 spark.executor.memory 不变
3. 尝试增加 spark.executor.memory 而使 spark.executor.cores 保持不变

如果您执行上述 (2) 或 (3)，那么与尝试占用所有内核的默认配置相比，您确实会让内核处于空闲状态，但这确实是为每个任务获得更多内存的唯一方法转到highmem 实例。