【大数据】Spark Executor内存管理与调优
- 堆内内存 (On-heap Memory)
- 堆外内存 (Off-heap Memory)
- Execution 内存和 Storage 内存动态占用机制
- 任务内存管理(Task Memory Manager)
- 1. Executor JVM Used Memory Heuristic
- 2. Executor Unified Memory Heuristic
- 3. Executor OOM类错误 (错误代码 137、143等)
- 4. Execution Memory Spill Heuristic
- 5. Executor GC Heuristic
- 6. Beyond … memory, killed by yarn.
我们都知道 Spark 能够有用的利用内存并进行分布式盘算,其内存管理模块在整个体系中饰演着非常紧张的脚色。为了更好地利用 Spark,深入地理解其内存管理模型具有非常紧张的意义,这有助于我们对 Spark 进行更好的调优;在出现各种内存问题时,能够摸清头脑,找到哪块内存地区出现问题。
首先我们知道在实行 Spark 的应用程序时,Spark 集群会启动 Driver 和 Executor 两种 JVM 进程,前者为主控进程,负责创建 Spark 上下文,提交 Spark 作业(Job),并将作业转化为盘算任务(Task),在各个 Executor 进程间和谐任务的调度,后者负责在工作节点上实行详细的盘算任务,并将结果返回给 Driver,同时为需要持久化的 RDD 提供存储功能。由于 Driver 的内存管理相对来说较为简朴,本文重要对 Executor 的内存管理进行分析,下文中的 Spark 内存均特指 Executor 的内存。
另外,Spark 1.6 之前使用的是静态内存管理 (StaticMemoryManager) 机制,StaticMemoryManager 也是 Spark 1.6 之前唯一的内存管理器。在 Spark1.6 之后引入了同一内存管理 (UnifiedMemoryManager) 机制,UnifiedMemoryManager 是 Spark 1.6 之后默认的内存管理器,1.6 之前接纳的静态管理(StaticMemoryManager)方式仍被保存,可通过设置 spark.memory.useLegacyMode 参数启用。这里仅对同一内存管理模块 (UnifiedMemoryManager) 机制进行分析。
Executor内存总体布局
默认环境下,Executor不开启堆外内存,因此整个 Executor 端内存布局如下图所示:
图1 单Executor节点内存布局
我们可以看到在Yarn集群管理模式中,Spark 以 Executor Container 的形式在 NodeManager 中运行,其可使用的内存上限由 yarn.scheduler.maximum-allocation-mb 指定,我们称之为 MonitorMemory。
整个Executor内存地区分为两块:
1、JVM堆外内存
巨细由 spark.yarn.executor.memoryOverhead 参数指定。默认巨细为 executorMemory * 0.10, 最小384m。
此部分内存重要用于JVM自身,字符串, NIO Buffer(Driect Buffer)等开销。此部分为用户代码及Spark 不可操作的内存,不敷时可通过调整参数办理。
The amount of off-heap memory (in megabytes) to be allocated per executor. This is memory that accounts for things like VM overheads, interned strings, other native overheads, etc. This tends to grow with the executor size (typically 6-10%).
2、堆内内存(ExecutorMemory)
巨细由 Spark 应用程序启动时的 –executor-memory 或 spark.executor.memory 参数设置,即JVM最大分配的堆内存 (-Xmx)。Spark为了更高效的使用这部分内存,对这部分内存进行了逻辑上的划分管理。我们在下面的同一内存管理会详细先容。
【注意】对于Yarn集群,存在: ExecutorMemory + MemoryOverhead <= MonitorMemory,若应用提交之时,指定的 ExecutorMemory 与 MemoryOverhead 之和大于 MonitorMemory,则会导致 Executor 申请失败;若运行过程中,实际使用内存超过上限阈值,Executor 进程会被 Yarn 停止掉 (kill)。
同一内存管理
Spark 1.6之后引入了同一内存管理,包括了堆内内存 (On-heap Memory) 和堆外内存 (Off-heap Memory) 两大地区,下面临这两块地区进行详细的阐明。
堆内内存 (On-heap Memory)
默认环境下,Spark 仅仅使用了堆内内存。Spark 对堆内内存的管理是一种逻辑上的“规划式”的管理,Executor 端的堆内内存地区在逻辑上被划分为以下四个地区:
图2 Spark1.6前后Executor节点内存划分
1. 实行内存 (Execution Memory) : 重要用于存放 Shuffle、Join、Sort、Aggregation 等盘算过程中的临时数据;
2. 存储内存 (Storage Memory) : 重要用于存储 spark 的 cache 数据,比方RDD的缓存、unroll数据;
3. 用户内存(User Memory): 重要用于存储 RDD 转换操作所需要的数据,比方 RDD 依靠等信息;
4. 预留内存(Reserved Memory): 体系预留内存,会用来存储Spark内部对象。
下面的图对这个四个内存地区的分配比例做了详细的形貌:
图3 Spark1.6后Executor节点堆内内存详细布局
1、预留内存 (Reserved Memory)
体系预留内存,会用来存储Spark内部对象。其巨细在代码中是写死的,其值即是 300MB,这个值是不能修改的(如果在测试环境下,我们可以通过 spark.testing.reservedMemory 参数进行修改);如果Executor分配的内存小于 1.5 * 300 = 450M 时,Executor将无法实行。
2、存储内存 (Storage Memory)
重要用于存储 spark 的 cache 数据,比方 RDD 的缓存、广播(Broadcast)数据、和 unroll 数据。内存占比为 UsableMemory * spark.memory.fraction * spark.memory.storageFraction,Spark 2+ 中,默认初始状态下 Storage Memory 和 Execution Memory 均约占体系总内存的30%(1 * 0.6 * 0.5 = 0.3)。在 UnifiedMemory 管理中,这两部分内存可以相互借用,详细借用机制我们下一末节会详细先容。
3、实行内存 (Execution Memory)
重要用于存放 Shuffle、Join、Sort、Aggregation 等盘算过程中的临时数据。内存占比为 UsableMemory * spark.memory.fraction * (1 - spark.memory.storageFraction),Spark 2+ 中,默认初始状态下 Storage Memory 和 Execution Memory 均约占体系总内存的30%(1 * 0.6 * (1 - 0.5) = 0.3)。在 UnifiedMemory 管理中,这两部分内存可以相互借用,详细借用机制我们下一末节会详细先容。
4、其他/用户内存 (Other/User Memory)
重要用于存储 RDD 转换操作所需要的数据,比方 RDD 依靠等信息。内存占比为 UsableMemory * (1 - spark.memory.fraction),在Spark2+ 中,默认占可用内存的40%(1 * (1 - 0.6) = 0.4)。
其中,usableMemory = executorMemory - reservedMemory,这个就是 Spark 可用内存。
【注意】1、为什么设置300M预留内存? 同一内存管理最初版本other这部分内存没有固定值 300M 设置,而是和静态内存管理相似,设置的百分比,最初版本占 25%。百分比设置在实际使用中出现了问题,若给定的内存较低时,比方 1G,会导致 OOM,详细讨论参考这里 Make unified memory management work with small heaps。因此,other这部分内存做了修改,先划出 300M 内存。2、spark.memory.fraction 由 0.75 降至 0.6? spark.memory.fraction 最初版本的值是 0.75,很多分析同一内存管理这块的文章也是这么先容的,同样的,在使用中发现这个值设置的偏高,导致了 gc 时间过长,spark 2.0 版本将其调整为 0.6,详细谈论参见 Reduce spark.memory.fraction default to avoid overrunning old gen in JVM default config。
堆外内存 (Off-heap Memory)
Spark 1.6 开始引入了 Off-heap memory (详见SPARK-11389)。这种模式不在 JVM 内申请内存,而是调用 Java 的 unsafe 相关 API 进行诸如 C 语言内里的 malloc() 直接向操作体系申请内存。这种方式下 Spark 可以直接操作体系堆外内存,减少了不必要的内存开销,以及频仍的 GC 扫描和回收,提升了处理性能。另外,堆外内存可以被精确地申请和开释,而且序列化的数据占用的空间可以被精确盘算,所以相比堆内内存来说降低了管理的难度,也降低了偏差。,缺点是必须自己编写内存申请和开释的逻辑。
默认环境下Off-heap模式的内存并不启用,我们可以通过 spark.memory.offHeap.enabled 参数开启,并由 spark.memory.offHeap.size 指定堆外内存的巨细,单位是字节(占用的空间划归 JVM OffHeap 内存)。
如果堆外内存被启用,那么 Executor 内将同时存在堆内和堆外内存,两者的使用互补影响,这个时候 Executor 中的 Execution 内存是堆内的 Execution 内存和堆外的 Execution 内存之和,同理,Storage 内存也一样。其内存分布如下图所示:
图4 堆外内存布局
相比堆内内存,堆外内存只区分 Execution 内存和 Storage 内存:
1、存储内存 (Storage Memory)
内存占比为 maxOffHeapMemory * spark.memory.storageFraction,Spark 2+ 中,默认初始状态下 Storage Memory 和 Execution Memory 均约占体系总内存的50%(1 * 0.5 = 0.5)。在 UnifiedMemory 管理中,这两部分内存可以相互借用,详细借用机制我们下一末节会详细先容。
2、实行内存 (Execution Memory)
内存占比为 maxOffHeapMemory * (1 - spark.memory.storageFraction),Spark 2+ 中,默认初始状态下 Storage Memory 和 Execution Memory 均约占体系总内存的50%(1 * (1 - 0.5) = 0.5)。在 UnifiedMemory 管理中,这两部分内存可以相互借用,详细借用机制我们下一末节会详细先容。
Execution 内存和 Storage 内存动态占用机制
在 Spark 1.5 之前,Execution 内存和 Storage 内存分配是静态的,换句话说就是如果 Execution 内存不敷,即使 Storage 内存有很大空闲程序也是无法利用到的;反之亦然。
静态内存管理机制实现起来较为简朴,但如果用户不熟悉 Spark 的存储机制,或没有根据详细的数据规模和盘算任务或做相应的设置,很容易造成”一半海水,一半火焰”的局面,即存储内存和实行内存中的一方剩余大量的空间,而另一方却早早被占满,不得不镌汰或移出旧的内容以存储新的内容。
同一内存管理机制,与静态内存管理最大的区别在于存储内存和实行内存共享同一块空间,可以动态占用对方的空闲地区:
图5 同一内存管理机制
其中最紧张的优化在于动态占用机制,其规则如下:
1、程序提交的时候我们都会设定基本的 Execution 内存和 Storage 内存地区(通过 spark.memory.storageFraction 参数设置)。我们用 onHeapStorageRegionSize 来表现 spark.storage.storageFraction 划分的存储内存地区。这部分内存是不可以被驱逐(Evict)的存储内存(但是如果空闲是可以被占用的)。
2、当盘算内存不敷时,可以借用 onHeapStorageRegionSize 中未使用部分,且 Storage 内存的空间被对方占用后,需要期待实行内存自己开释,不能抢占。
3、若实际 StorageMemory 使用量超过 onHeapStorageRegionSize,那么当盘算内存不敷时,可以驱逐并借用 StorageMemory – onHeapStorageRegionSize 部分,而 onHeapStorageRegionSize 部分不可被抢占。
4、反之,当存储内存不敷时(存储空间不敷是指不敷以放下一个完整的 Block),也可以借用盘算内存空间;但是 Execution 内存的空间被存储内存占用后,是可让对方将占用的部分转存到硬盘,然后“归还”借用的空间。
5、如果双方的空间都不敷时,则存储到硬盘;将内存中的块存储到磁盘的计谋是按照 LRU 规则进行的。
阐明
1、出于兼容旧版本的应用程序的目的,Spark 仍然保存了它的实现。可通过设置 spark.memory.useLegacyMode 参数启用。
2、spark.memory.storageFraction 是不可被驱逐的内存空间。只有空闲的时候能够被实行内存占用,但是不能被驱逐抢占。
Amount of storage memory immune to eviction, expressed as a fraction of the size of the region set aside by spark.memory.fraction. The higher this is, the less working memory may be available to execution and tasks may spill to disk more often. Leaving this at the default value is recommended. For more detail, see this description.
3、Storage 内存的空间被对方占用后,目前的实现是无法让对方”归还”,由于需要考虑 Shuffle 过程中的很多因素,实现起来较为复杂;而且 Shuffle 过程产生的文件在反面一定会被使用到,而 Cache 在内存的数据不一定在反面使用。在 Unified Memory Management in Spark 1.6 中详细讲解了为何选择这种计谋,简朴总结如下:
3.1、数据清除的开销 : 驱逐storage内存的开销取决于 storage level,MEMORY_ONLY 可能是最昂贵的,由于需要重新盘算,MEMORY_AND_DISK_SER 恰恰相反,只涉及到磁盘IO。溢写 execution 内存到磁盘的开销并不昂贵,由于 execution 存储的数据格式紧凑(compact format),序列化开销低。并且,清除的 storage 内存可能不会被用到,但是,可以预见的是,驱逐的 execution 内存是必然会再被读到内存的,频仍的驱除重读 execution 内存将导致昂贵的开销。
3.2、实现的复杂度 : storage 内存的驱逐是容易实现的,只需要使用已有的方法,drop 掉 block。execution 则复杂的多,首先,execution 以 page 为单位管理这部分内存,并且确保相应的操作至少有 one page ,如果把这 one page 内存驱逐了,对应的操作就会处于饥饿状态。别的,还需要考虑 execution 内存被驱逐的环境下,期待 cache 的 block 如那里理。
4、上面说的借用对方的内存需要借用方和被借用方的内存范例都一样,都是堆内内存或者都是堆外内存,不存在堆内内存不敷去借用堆外内存的空间。
任务内存管理(Task Memory Manager)
Executor 中任务以线程的方式实行,各线程共享JVM的资源(即 Execution 内存),任务之间的内存资源没有强隔离(任务没有专用的Heap地区)。因此,可能会出现这样的环境:先到达的任务可能占用较大的内存,而后到的任务因得不到足够的内存而挂起。
在 Spark 任务内存管理中,使用 HashMap 存储任务与其消耗内存的映射关系。每个任务可占用的内存巨细为潜在可使用盘算内存( 潜在可使用盘算内存为: 初始盘算内存 + 可抢占存储内存)的 1/2n ~ 1/n,当剩余内存为小于 1/2n 时,任务将被挂起,直至有其他任务开释实行内存,而满足内存下限 1/2n,任务被唤醒。其中 n 为当前 Executor 中活跃的任务树。
比如如果 Execution 内存巨细为 10GB,当前 Executor 内正在运行的 Task 个数为5,则该 Task 可以申请的内存范围为 10 / (2 * 5) ~ 10 / 5,也就是 1GB ~ 2GB 的范围。
任务实行过程中,如果需要更多的内存,则会进行申请,如果存在空闲内存,则自动扩容成功,否则,将抛出 OutOffMemroyError。
每个 Executor 中可同时运行的任务数由 Executor 分配的 CPU 的核数 N 和每个任务需要的 CPU 核心数 C 决定。其中:
- N = spark.executor.cores
- C = spark.task.cpus
复制代码 由此每个 Executor 的最大任务并行度可表现为 : TP = N / C 。
其中,C 值与应用范例有关,大部分应用使用默认值 1 即可,因此,影响 Executor 中最大任务并行度(最大活跃task数)的重要因素是 N。
依据 Task 的内存使用特性,前文所述的 Executor 内存模型可以简朴抽象为下图所示模型:
图6 Executor内存简化模型
其中,Executor 向 yarn 申请的总内存可表现为 : M = M1 + M2 。
如果考虑堆外内存则大概是如下布局:
图7 Executor堆内和堆外内存示意图
为了更好的理解上面堆内内存和堆外内存的使用环境,这里给出一个简朴的例子。
只用了堆内内存的示例
如今我们提交的 Spark 作业关于内存的设置如下:--executor-memory 18g
由于没有设置 spark.memory.fraction 和 spark.memory.storageFraction 参数,我们可以看到 Spark UI 关于 Storage Memory 的表现如下:
图8 Spark UI 关于 Storage Memory 的表现
上图很清晰地看到 Storage Memory 的可用内存是 10.1GB,这个数是咋来的呢?根据前面的规则,我们可以得出以下的盘算:
- systemMemory = spark.executor.memory
- reservedMemory = 300MB
- usableMemory = systemMemory - reservedMemory
- StorageMemory= usableMemory * spark.memory.fraction * spark.memory.storageFraction
复制代码 如果我们把数据代进去,得出以下的结果:
- systemMemory = 18Gb = 19327352832 字节
- reservedMemory = 300MB = 300 * 1024 * 1024 = 314572800
- usableMemory = systemMemory - reservedMemory = 19327352832 - 314572800 = 19012780032
- StorageMemory = usableMemory * spark.memory.fraction * spark.memory.storageFraction
- = 19012780032 * 0.6 * 0.5 = 5703834009.6 = 5.312109375GB
复制代码 和上面的 10.1GB 对不上啊。为什么呢?这是由于 Spark UI 上面表现的 Storage Memory 可用内存实在即是 Execution 内存和 Storage 内存之和,也就是 usableMemory * spark.memory.fraction :
- StorageMemory = usableMemory * spark.memory.fraction
- = 19012780032 * 0.6 = 11407668019.2 = 10.62421GB
复制代码 还是不对,这是由于我们固然设置了 --executor-memory 18g ,但是 Spark 的 Executor 端通过 Runtime.getRuntime.maxMemory 拿到的内存实在没这么大,只有 17179869184 字节,所以 systemMemory=17179869184,然后盘算的数据如下:
- systemMemory = 17179869184 字节
- reservedMemory = 300MB = 300 * 1024 * 1024 = 314572800
- usableMemory = systemMemory - reservedMemory = 17179869184 - 314572800 = 16865296384
- StorageMemory= usableMemory * spark.memory.fraction
- = 16865296384 * 0.6 = 9.42421875 GB
复制代码 我们通过将上面的 16865296384 * 0.6 字节除于 1024 * 1024 * 1024 转换成 9.42421875 GB,和 UI 上表现的还是对不上,这是由于 Spark UI 是通过除于 1000 * 1000 * 1000 将字节转换成 GB,如下:
- systemMemory = 17179869184 字节
- reservedMemory = 300MB = 300 * 1024 * 1024 = 314572800
- usableMemory = systemMemory - reservedMemory = 17179869184 - 314572800 = 16865296384
- StorageMemory = usableMemory * spark.memory.fraction
- = 16865296384 * 0.6 字节 = 16865296384 \* 0.6 / (1000 \* 1000 \* 1000) = 10.1GB
复制代码 如今终于对上了。
详细将字节转换成 GB 的盘算逻辑如下(core 模块下面的 /core/src/main/resources/org/apache/spark/ui/static/utils.js):
- functionformatBytes(bytes, type) {
- if(type !=='display')returnbytes;
- if(bytes == 0)return'0.0 B';
- vark = 1000;
- vardm = 1;
- varsizes = ['B','KB','MB','GB','TB','PB','EB','ZB','YB'];
- vari = Math.floor(Math.log(bytes) / Math.log(k));
- returnparseFloat((bytes / Math.pow(k, i)).toFixed(dm)) +''+ sizes[i];
- }
复制代码 我们设置了 --executor-memory 18g,但是 Spark 的 Executor 端通过 Runtime.getRuntime.maxMemory 拿到的内存实在没这么大,只有 17179869184 字节,这个数据是怎么盘算的?
Runtime.getRuntime.maxMemory 是程序能够使用的最大内存,其值会比实际设置的实行器内存的值小。这是由于内存分配池的堆部分划分为 Eden,Survivor 和 Tenured 三部分空间,而这内里一共包含了两个 Survivor 地区,而这两个 Survivor 地区在任何时候我们只能用到其中一个,所以我们可以使用下面的公式进行形貌 :
- ExecutorMemory = Eden + 2 * Survivor + Tenured
- Runtime.getRuntime.maxMemory = Eden + Survivor + Tenured
复制代码 上面的 17179869184 字节可能由于你的 GC 设置不一样得到的数据不一样,但是上面的盘算公式是一样的。
用了堆内和堆外内存的示例
如今如果我们启用了堆外内存,环境会怎样呢?我们的内存相关设置如下:
- spark.executor.memory 18g
- spark.memory.offHeap.enabled true
- spark.memory.offHeap.size 10737418240
复制代码 从上面可以看出,堆外内存为 10GB,如今 Spark UI 上面表现的 Storage Memory 可用内存为 20.9GB,如下:
图9 Spark UI 关于 Storage Memory 的表现
实在 Spark UI 上面表现的 Storage Memory 可用内存即是堆内内存和堆外内存之和,盘算公式如下:
堆内:
- systemMemory = 17179869184 字节
- reservedMemory = 300MB = 300 * 1024 * 1024 = 314572800
- usableMemory = systemMemory - reservedMemory = 17179869184 - 314572800 = 16865296384
- totalOnHeapStorageMemory = usableMemory * spark.memory.fraction
- = 16865296384 * 0.6 = 10119177830
复制代码 堆外:
- totalOffHeapStorageMemory = spark.memory.offHeap.size = 10737418240
复制代码 总 Storage 内存:
- StorageMemory = totalOnHeapStorageMemory + totalOffHeapStorageMemory
- = (10119177830 + 10737418240) 字节
- = (20856596070 / (1000 * 1000 * 1000)) GB
- = 20.9 GB
复制代码 Executor内存参数调优
1. Executor JVM Used Memory Heuristic
现象:设置的executor内存比实际使用的JVM最大使用内存还要大很多。
缘故原由:这意味着 executor 内存申请过多了,实际上并不需要使用这么多内存。
办理方案:将 spark.executor.memory 设置为一个比力小的值。
比方:
- spark.executor.memory : 16 GB
- Max executor peak JVM used memory : 6.6 GB
- Suggested spark.executor.memory : 7 GB
复制代码
图10 Executor使用的内存环境演示
2. Executor Unified Memory Heuristic
现象:分配的同一内存 (Unified Memory = Storage Memory + Execution Memory) 比 executor 实际使用的同一内存大的多。
缘故原由:这意味着不需要这么大的同一内存。
办理方案:降低 spark.memory.fraction 的比例。
比方:
- spark.executor.memory : 10 GB
- spark.memory.fraction : 0.6
- Allocated unified memory : 6 GB
- Max peak JVM userd memory : 7.2 GB
- Max peak unified memory : 1.2 GB
- Suggested spark.memory.fraction : 0.2
复制代码
图11 Executor使用的内存环境演示
3. Executor OOM类错误 (错误代码 137、143等)
该类错误一般是由于 Heap(M2)已达上限,Task 需要更多的内存,而又得不到足够的内存而导致。因此,办理方案要从增长每个 Task 的内存使用量,满足任务需求 或 降低单个 Task 的内存消耗量,从而使现有内存可以满足任务运行需求两个角度出发。因此有如下办理方案:
法一:增长单个task的内存使用量
增长最大 Heap值,即上图中 M2 的值,使每个 Task 可使用内存增长。
降低 Executor 的可用 Core 的数目 N , 使 Executor 中同时运行的任务数减少,在总资源不变的环境下,使每个 Task 得到的内存相对增长。当然,这会使得 Executor 的并行度下降。可以通过调高 spark.executor.instances 参数来申请更多的 executor 实例(或者通过 spark.dynamicAllocation.enabled 启动动态分配),进步job的总并行度。
法二: 降低单个Task的内存消耗量
降低单个Task的内存消耗量可从设置方式和调整应用逻辑两个层面进行优化:
一、设置方式
减少每个 Task 处理的数据量,可降低 Task 的内存开销,在 Spark 中,每个 partition 对应一个处理任务 Task,因此,在数据总量一定的前提下,可以通过增长 partition 数目的方式来减少每个 Task 处理的数据量,从而降低 Task 的内存开销。针对不同的 Spark 应用范例,存在不同的 partition 设置参数 :
- P = spark.default.parallism (非SQL应用)
- P = spark.sql.shuffle.partition (SQL 应用)
复制代码 通过增长 P 的值,可在一定水平上使 Task 现有内存满足任务运行。注: 当调整一个参数不能办理问题时,上述方案应进行协同调整。
二、调整应用逻辑
Executor OOM 一般发生 Shuffle 阶段,该阶段需求盘算内存较大,且应用逻辑对内存需求有较大影响,下面举例就行阐明:
1、选择符合的算子,如 groupByKey 转换为 reduceByKey
一般环境下,groupByKey 能实现的功能使用 reduceByKey 均可实现,而 ReduceByKey 存在 Map 端的合并,可以有用减少传输带宽占用及 Reduce 端内存消耗。
2、避免数据倾斜 (data skew)
Data Skew 是指任务间处理的数据量存大较大的差异。
如左图所示,key 为 010 的数据较多,当发生 shuffle 时,010 地点分区存在大量数据,不但拖慢 Job 实行(Job 的实行时间由末了完成的任务决定)。 而且导致 010 对应 Task 内存消耗过多,可能导致 OOM。
而右图,经过预处理(加盐,此处仅为举例阐明问题,办理方法不限于此)可以有用减少 Data Skew 导致的问题。
图12 加盐处理
4. Execution Memory Spill Heuristic
现象: 在 stage 3 发现实行内存溢出。Shuffle read bytes 和 spill 分布均匀。这个 stage 有 200 个 tasks。
缘故原由: 实行内存溢出,意味着实行内存不敷。跟上面的 OOM 错误一样,只是实行内存不敷的环境下不会报 OOM 而是会将数据溢出到磁盘。但是整个性能很难接受。
办理方案: 同 3。
图13 实行内存溢出环境演示
5. Executor GC Heuristic
现象: Executor 花费很多时间在 GC。
缘故原由: 可以通过 -verbose:gc -XX:+PrintGCDetails -XX:+PrintGCTimeStamps 检察 GC 环境
办理方案: Garbage Collection Tuning
6. Beyond … memory, killed by yarn.
出现该问题缘故原由是由于实际使用内存上限超过申请的内存上限而被 Yarn 停止掉了, 首先阐明 Yarn 中 Container 的内存监控机制:
Container 进程的内存使用量 : 以 Container 进程为根的进程树中全部进程的内存使用总量。
Container 被杀死的判断依据 : 进程树总内存(物理内存或虚拟内存)使用量超过向 Yarn 申请的内存上限值,则认为该 Container 使用内存超量,可以被“杀死”。
因此,对该异常的分析要从是否存在子进程两个角度出发。
1、不存在子进程
根据 Container 进程杀死的条件可知,在不存在子进程时,出现 killed by yarn 问题是于由 Executor(JVM) 进程自身内存超过向 Yarn 申请的内存总量 M 所致。由于未出现上一节所述的 OOM 异常,因此可判定其为 M1 (Overhead) 不敷,依据 Yarn 内存使用环境有如下两种方案:
法一、如果,M (spark.executor.memory) 未到达 Yarn 单个 Container 答应的上限时,可仅增长 M1(spark.yarn.executor.memoryOverhead),从而增长 M;如果,M 到达 Yarn 单个 Container 答应的上限时,增长 M1,降低 M2。
注意二者之各要小于 Container 监控内存量,否则伸请资源将被 yarn 拒绝。
法二、减少可用的 Core 的数目 N,使并行任务数减少,从而减少 Overhead 开销
2、存在子进程
Spark 应用中 Container 以 Executor(JVM进程)的形式存在,因此根进程为 Executor 对应的进程,而 Spark 应用向Yarn申请的总资源 M = M1 + M2,都是以 Executor(JVM) 进程(非进程树)可用资源的名义申请的。申请的资源并非一次性全量分配给 JVM 使用,而是先为 JVM 分配初始值,随后内存不敷时再按比率不断进行扩容,直致到达 Container 监控的最大内存使用量 M。当 Executor 中启动了子进程(如调用 shell 等)时,子进程占用的内存(记为 S)就被加入 Container 进程树,此时就会影响 Executor 实际可使用内存资源(Executor 进程实际可使用资源变为: M - S),然而启动 JVM 时设置的可用最大资源为 M,且 JVM 进程并不会感知 Container 中留给自己的使用量已被子进程占用,因此,当 JVM 使用量到达 M - S,还会继续开劈内存空间,这就会导致 Executor 进程树使用的总内存量大于 M 而被 Yarn 杀死。
典形场景有:
1. PySpark(Spark已做内存限定,一般不会占用过大内存)
2. 自定义Shell调用
其办理方案分别为:
1) PySpark场景:
如果,M 未到达 Yarn 单个 Container 答应的上限时,可仅增长 M1 ,从而增长 M;如果,M 到达 Yarn 单个 Container 答应的上限时,增长 M1,降低 M2。
减少可用的 Core 的数目 N,使并行任务数减少,从而减少 Overhead 开销
2) 自定义 Shell 场景OverHead 不敷为假象)
调整子进程可用内存量 (通过单机测试,内存控制在 Container 监控内存以内,且为 Spark 保存内存等留有空间)。
总结
本文先容了Spark Executor内存管理的相关知识,包括内存模型、内存分配、内存使用和内存回收等方面。其中,重点讲解了Executor内存的三个部分:堆内存、堆外内存和内存映射文件。同时,还先容了内存分配的两种方式:静态分配和动态分配。在内存使用方面,需要注意的是避免OOM和内存走漏问题。末了,本文还提到了一些优化Executor内存的方法,如调整内存分配比例、使用内存序列化等。
关键点:
- Spark Executor内存管理包括内存模型、内存分配、内存使用和内存回收等方面。
- Executor内存包括堆内存、堆外内存和内存映射文件。
- 内存分配有静态分配和动态分配两种方式。
- 内存使用需要注意避免OOM和内存走漏问题。
- 优化Executor内存的方法包括调整内存分配比例、使用内存序列化等。
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!更多信息从访问主页:qidao123.com:ToB企服之家,中国第一个企服评测及商务社交产业平台。 |