Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1
En esta página, se explica cómo ajustar la escala y los parámetros de rendimiento de tu entorno según las necesidades de tu proyecto para mejorar el rendimiento y reducir los costos de los recursos que no utiliza tu entorno.
Otras páginas sobre la escalabilidad y la optimización:
- Para obtener información sobre cómo escalar tus entornos, consulta Escalado de entornos.
- Para obtener información sobre cómo funciona el escalamiento del entorno, consulta Escalamiento del entorno.
- Si deseas obtener un instructivo para supervisar las métricas clave del entorno, consulta Supervisa el estado y el rendimiento del entorno con métricas clave.
Descripción general del proceso de optimización
Hacer cambios en los parámetros de tu entorno puede afectar muchos aspectos de su rendimiento. Te recomendamos que optimices tu entorno en iteraciones:
- Comienza con los parámetros de configuración predeterminados del entorno.
- Ejecuta tus DAG.
- Observa el rendimiento de tu entorno.
- Ajusta la escala del entorno y los parámetros de rendimiento, y, luego, repite desde el paso anterior.
Comienza con ajustes predeterminados del entorno
Cuando creas un entorno en la consola de Google Cloud, puedes seleccionar uno de los tres ajustes predeterminados del entorno. Estos ajustes predeterminados establecen la configuración inicial de escalamiento y rendimiento de tu entorno. Después de crearlo, puedes cambiar todos los parámetros de escalamiento y rendimiento que proporciona un ajuste predeterminado.
Te recomendamos que comiences con uno de los parámetros preestablecidos, según las siguientes estimaciones:
- Cantidad total de DAG que planeas implementar en el entorno
- Cantidad máxima de ejecuciones de DAG simultáneas
- Cantidad máxima de tareas simultáneas
El rendimiento de tu entorno depende de la implementación de DAGs específicos que ejecutes en él. En la siguiente tabla, se enumeran las estimaciones que se basan en el consumo promedio de recursos. Si esperas que tus DAG consuman más recursos, ajusta las estimaciones según corresponda.
| Configuración predeterminada recomendada | DAG totales | Ejecuciones de DAG simultáneas máximas | Cantidad máxima de tareas simultáneas |
|---|---|---|---|
| Pequeñas | 50 | 15 | 18 |
| Medias | 250 | 60 | 100 |
| Grandes | 1000 | 250 | 400 |
Por ejemplo, un entorno debe ejecutar 40 DAG. Todos los DAG deben ejecutarse al mismo tiempo con una tarea activa cada uno. Luego, este entorno usaría un preajuste mediano, ya que la cantidad máxima de ejecuciones y tareas de DAG simultáneas supera las estimaciones recomendadas para el preajuste pequeño.
Ejecuta tus DAG
Una vez creado el entorno, sube tus DAG a él. Ejecuta tus DAG y observa el rendimiento del entorno.
Te recomendamos que ejecutes tus DAG en un programa que refleje la aplicación real de tus DAG. Por ejemplo, si deseas ejecutar varios DAG al mismo tiempo, asegúrate de verificar el rendimiento de tu entorno cuando todos estos DAG se ejecuten de forma simultánea.
Observa el rendimiento de tu entorno
En esta sección, se enfocan los aspectos más comunes de la capacidad y el ajuste de rendimiento de Cloud Composer 2. Te recomendamos que sigas esta guía paso a paso, ya que primero se abordan las consideraciones de rendimiento más comunes.
Ve al panel de Monitoring
Puedes supervisar las métricas de rendimiento de tu entorno en el panel de supervisión de tu entorno.
Para ir al panel de Monitoring de tu entorno, haz lo siguiente:
En la consola de Google Cloud, ve a la página Entornos.
Haz clic en el nombre de tu entorno.
Ve a la pestaña Monitoring.
Supervisa las métricas de CPU y memoria del programador
Las métricas de CPU y memoria del programador de Airflow te ayudan a verificar si el rendimiento del programador es un cuello de botella en el rendimiento general de Airflow.
En el panel de Supervisión, en la sección Programadores, observa los grafos de Airflow de tu entorno:
- Uso total de CPU de los programadores
- Uso total de memoria de los programadores
Haz los ajustes según tus observaciones:
Si el uso de la CPU del programador es constantemente inferior al 30% o al 35%, te recomendamos que hagas lo siguiente:
Si el uso de CPU del programador supera el 80% durante más de un par de porcentajes del tiempo total, te recomendamos que hagas lo siguiente:
Supervisa el tiempo de análisis total de todos los archivos DAG
Los programadores analizan los DAG antes de programar sus ejecuciones. Si los DAG tardan mucho en analizarse, esto consume la capacidad del programador y podría reducir el rendimiento de las ejecuciones de DAG.
En el panel de Monitoring, en la sección DAG Statistics, observa los gráficos para el tiempo de análisis total del DAG.
Si el número supera los 10 segundos, es posible que tus programadores estén sobrecargados con el análisis de DAG y no puedan ejecutarlos de manera eficaz. La frecuencia predeterminada de análisis de DAG en Airflow es de 30 segundos. Si el tiempo de análisis de DAG supera este umbral, los ciclos de análisis comienzan a superponerse, lo que agota la capacidad del programador.
Según tus observaciones, te recomendamos que hagas lo siguiente:
- Simplifica tus DAG, incluidas sus dependencias de Python.
- Aumenta el intervalo de análisis de archivos DAG y aumenta el intervalo de la lista de directorios DAG.
- Aumenta la cantidad de programadores.
- Aumenta la CPU de los programadores.
Supervisa las expulsiones de pods de trabajadores
La expulsión de pods puede ocurrir cuando un pod en particular del clúster de tu entorno alcanza sus límites de recursos.
Si se expulsa un pod de trabajador de Airflow, todas las instancias de tareas que se ejecutan en ese pod se interrumpen y, luego, se marcan como con errores en Airflow.
La mayoría de los problemas con las expulsiones de pods de trabajador se deben a situaciones de falta de memoria en los trabajadores.
En el panel de Supervisión, en la sección Programadores, observa los gráficos Expulsiones de pods de trabajador de tu entorno:
El gráfico Uso total de la memoria de trabajadores muestra una perspectiva total del ambiente. Un solo trabajador puede superar el límite de memoria, incluso si el uso de memoria es correcto a nivel del entorno.
Según tus observaciones, te recomendamos que hagas lo siguiente:
- Aumentar la memoria disponible para los trabajadores
- Reduce la simultaneidad de los trabajadores. De esta manera, un trabajador solo controla menos tareas a la vez. Esto proporciona más memoria o almacenamiento a cada tarea individual. Si cambias la simultaneidad de los trabajadores, también te recomendamos que aumentes la cantidad máxima de trabajadores. De esta manera, la cantidad de tareas que puede manejar tu entorno a la vez permanece igual. Por ejemplo, si reduces la simultaneidad de los trabajadores de 12 a 6, es posible que desees duplicar la cantidad máxima de trabajadores.
Supervisa a los trabajadores activos
La cantidad de trabajadores en tu entorno se escala automáticamente en respuesta a las tareas en cola.
En el panel de Supervisión, en la sección Trabajadores, observa los gráficos de la cantidad de trabajadores activos y la cantidad de tareas en la cola:
- Trabajadores activos
- Tareas de Airflow
Haz los ajustes según tus observaciones:
- Si el entorno alcanza con frecuencia el límite máximo de trabajadores y, al mismo tiempo, la cantidad de tareas en la cola de Celery es continua, es posible que desees aumentar la cantidad máxima de trabajadores.
Si hay demoras prolongadas en la programación entre tareas, pero, al mismo tiempo, el entorno no se escala hasta su cantidad máxima de trabajadores, es probable que haya un parámetro de configuración de Airflow que reduzca la ejecución y evite que los mecanismos de Cloud Composer escalen el entorno. Debido a que los entornos de Cloud Composer 2 se ajustan según la cantidad de tareas en la cola de Celery, configura Airflow para que no reduzca la velocidad de las tareas en la cola:
- Aumenta la simultaneidad de los trabajadores. La simultaneidad de los trabajadores debe establecerse en un valor superior a la cantidad máxima esperada de tareas simultáneas, dividida por la cantidad máxima de trabajadores en el entorno.
- Aumenta la simultaneidad de DAG si un solo DAG ejecuta una gran cantidad de tareas en paralelo, lo que puede hacer que se alcance la cantidad máxima de instancias de tareas en ejecución por DAG.
- Aumenta la cantidad máxima de ejecuciones activas por DAG, si ejecutas el mismo DAG varias veces en paralelo, lo que puede hacer que Airflow regula la ejecución porque se alcanza el límite máximo de ejecuciones activas por DAG.
Supervisa el uso de CPU y memoria de los trabajadores
Supervisa el uso total de la CPU y la memoria agregado en todos los trabajadores de tu entorno para determinar si los trabajadores de Airflow utilizan los recursos de tu entorno correctamente.
En el panel de Supervisión, en la sección Programadores, observa los gráficos para el uso de memoria y CPU de los trabajadores de Airflow:
- Uso total de trabajadores de CPU
- Uso total de la memoria de trabajadores
En este gráfico, se representa el uso agregado de recursos; los trabajadores individuales aún pueden alcanzar sus límites de capacidad, incluso si la vista agregada muestra la capacidad libre.
Haz los ajustes según tus observaciones:
- Si el uso de memoria de los trabajadores se acerca al límite, esto puede provocar expulsiones de pods de trabajador. Para solucionar este problema, aumenta la memoria del trabajador.
- Si el uso de memoria es mínimo en comparación con el límite y no hay desalojos de pods de trabajadores, te recomendamos que reduzcas la memoria de los trabajadores.
Si el uso de CPU de los trabajadores se acerca al límite (supera el 80% durante más de un porcentaje del tiempo total), te recomendamos que hagas lo siguiente:
- Aumentar la cantidad de trabajadores Esto le brinda a tu ambiente más control sobre la capacidad aprovisionada para una carga de trabajo particular.
- Aumenta la CPU de los trabajadores o reduce la simultaneidad de los trabajadores si las tareas individuales necesitan una asignación de CPU más alta. De lo contrario, te recomendamos que aumentes la cantidad de trabajadores.
Supervisa tareas en ejecución y en cola
Puedes supervisar la cantidad de tareas en cola y en ejecución para verificar la eficiencia del proceso de programación.
En el panel de Supervisión, en la sección Programadores, observa el gráfico Tareas de Airflow de tu entorno.
Las tareas de la lista esperan a que los trabajadores las ejecuten. Si tu entorno tiene tareas en cola, es posible que los trabajadores de tu entorno estén ocupados ejecutando otras tareas.
Siempre hay colas en un entorno, sobre todo durante los picos de procesamiento. Sin embargo, si observas una gran cantidad de tareas en cola o una tendencia creciente en el gráfico, esto podría indicar que los trabajadores no tienen suficiente capacidad para procesar las tareas o que Airflow está limitando la ejecución de tareas.
Por lo general, se observa una gran cantidad de tareas en fila cuando la cantidad de tareas en ejecución también alcanza el nivel máximo.
Para abordar ambos problemas, haz lo siguiente:
Supervisa el uso de CPU y memoria de la base de datos
Los problemas de rendimiento de la base de datos de Airflow pueden generar problemas generales de ejecución de DAG. Por lo general, el uso de disco de la base de datos no es motivo de preocupación, ya que el almacenamiento se extiende automáticamente según sea necesario.
En el panel de Supervisión, en la sección Base de datos de SQL, observa los gráficos para el uso de memoria y CPU de la base de datos de Airflow:
- Uso de CPU de la base de datos
- Uso de memoria de la base de datos
Si el uso de CPU de la base de datos supera el 80% durante más de un porcentaje del tiempo total, la base de datos está sobrecargada y requiere escalamiento.
La configuración del tamaño de la base de datos está controlada por la propiedad de tamaño del entorno. Para escalar la base de datos hacia arriba o hacia abajo, cambia el tamaño del entorno a un nivel diferente (pequeño, mediano o grande). Aumentar el tamaño del entorno aumenta los costos.
Supervisa la latencia de programación de tareas
Si la latencia entre tareas supera los niveles esperados (por ejemplo, 20 segundos o más), es posible que esto indique que el entorno no puede controlar la carga de tareas generadas por las ejecuciones de DAG.
Puedes ver el gráfico de latencia de programación de tareas en la IU de Airflow de tu entorno.
En este ejemplo, las demoras (2.5 y 3.5 segundos) están dentro de los límites aceptables, pero las latencias significativamente más altas podrían indicar lo siguiente:
- El programador está sobrecargado. Supervisa la CPU y la memoria del programador en busca de posibles problemas.
- Las opciones de configuración de Airflow regulan la ejecución. Intenta aumentar la simultaneidad de los trabajadores, aumentar la simultaneidad de los DAG o aumentar la cantidad máxima de ejecuciones activas por DAG.
- No hay suficientes trabajadores para ejecutar tareas. Intenta aumentar la cantidad máxima de trabajadores.
Supervisa la CPU y la memoria del servidor web
El rendimiento del servidor web de Airflow afecta a la IU de Airflow. No es común que el servidor web esté sobrecargado. Si esto sucede, es posible que el rendimiento de la IU de Airflow se deteriore, pero esto no afecta el rendimiento de las ejecuciones de DAG.
En el panel de Supervisión, en la sección servidor web, observa los gráficos del servidor web de Airflow:
- Uso de CPU del servidor web
- Uso de memoria del servidor web
Según tus observaciones:
- Si el uso de CPU del servidor web supera el 80% durante más de un porcentaje del tiempo, considera aumentar la CPU del servidor web.
- Si observas un uso elevado de memoria del servidor web, considera agregar más memoria al servidor web.
Ajusta los parámetros de escalamiento y rendimiento del entorno
Cambia la cantidad de programadores
Ajustar la cantidad de programadores mejora la capacidad y la resiliencia del programador de Airflow.
Si aumentas la cantidad de programadores, se incrementa el tráfico hacia y desde la base de datos de Airflow. Recomendamos usar dos programadores de Airflow en la mayoría de los casos. El uso de tres programadores solo es necesario en casos excepcionales que requieren consideraciones especiales. Configurar más de tres programadores suele reducir el rendimiento del entorno.
Si necesitas una programación más rápida, haz lo siguiente:
- Configura dos programadores de Airflow.
- Asignar más recursos de CPU y memoria a los programadores de Airflow
- Aumenta dag-dir-list-interval.
- Aumenta min-file-process-interval.
- Aumenta job-heartbeat-sec.
Ejemplos:
Console
Sigue los pasos que se indican en Ajusta la cantidad de programadores para establecer la cantidad requerida de programadores para tu entorno.
gcloud
Sigue los pasos que se indican en Ajusta la cantidad de programadores para establecer la cantidad requerida de programadores para tu entorno.
En el siguiente ejemplo, se establece la cantidad de programadores en dos:
gcloud composer environments update example-environment \
--scheduler-count=2
Terraform
Sigue los pasos que se indican en Ajusta la cantidad de programadores para establecer la cantidad requerida de programadores para tu entorno.
En el siguiente ejemplo, se establece la cantidad de programadores en dos:
resource "google_composer_environment" "example-environment" {
# Other environment parameters
config {
workloads_config {
scheduler {
count = 2
}
}
}
}
Cómo cambiar la CPU y la memoria de los programadores
Los parámetros de CPU y memoria son para cada programador de tu entorno. Por ejemplo, si tu entorno tiene dos programadores, la capacidad total es el doble de la cantidad especificada de CPU y memoria.
Console
Sigue los pasos que se indican en Ajusta los parámetros de rendimiento y escalamiento del trabajador, el programador y el servidor web para establecer la CPU y la memoria de los programadores.
gcloud
Sigue los pasos que se indican en Ajusta los parámetros de rendimiento y escalamiento del trabajador, el programador y el servidor web para establecer la CPU y la memoria de los programadores.
En el siguiente ejemplo, se cambian la CPU y la memoria de los programadores. Puedes especificar solo atributos de CPU o memoria, según sea necesario.
gcloud composer environments update example-environment \
--scheduler-cpu=0.5 \
--scheduler-memory=3.75
Terraform
Sigue los pasos que se indican en Ajusta los parámetros de rendimiento y escalamiento del trabajador, el programador y el servidor web para establecer la CPU y la memoria de los programadores.
En el siguiente ejemplo, se cambian la CPU y la memoria de los programadores. Puedes omitir los atributos de CPU o memoria, según sea necesario.
resource "google_composer_environment" "example-environment" {
# Other environment parameters
config {
workloads_config {
scheduler {
cpu = "0.5"
memory_gb = "3.75"
}
}
}
}
Cambia la cantidad máxima de trabajadores
Aumentar la cantidad máxima de trabajadores permite que tu entorno escale automáticamente a una cantidad mayor de trabajadores, si es necesario.
Disminuir la cantidad máxima de trabajadores reduce la capacidad máxima del entorno, pero también puede ser útil para reducir los costos del entorno.
Ejemplos:
Console
Sigue los pasos que se indican en Ajusta la cantidad mínima y máxima de trabajadores para establecer la cantidad máxima requerida de trabajadores para tu entorno.
gcloud
Sigue los pasos que se indican en Ajusta la cantidad mínima y máxima de trabajadores para establecer la cantidad máxima requerida de trabajadores para tu entorno.
En el siguiente ejemplo, se establece la cantidad máxima de trabajadores en seis:
gcloud composer environments update example-environment \
--max-workers=6
Terraform
Sigue los pasos que se indican en Ajusta la cantidad mínima y máxima de trabajadores para establecer la cantidad máxima requerida de trabajadores para tu entorno.
En el siguiente ejemplo, se establece la cantidad máxima de programadores en seis:
resource "google_composer_environment" "example-environment" {
# Other environment parameters
config {
workloads_config {
worker {
max_count = "6"
}
}
}
}
Cambia la CPU y la memoria del trabajador
Reducir la memoria del trabajador puede ser útil cuando el gráfico de uso del trabajador indica un uso de memoria muy bajo.
Aumentar la memoria de los trabajadores permite que estos manejen más tareas de forma simultánea o tareas que requieren mucha memoria. Podría abordar el problema de las expulsiones de los pods de trabajadores.
Reducir la CPU del trabajador puede ser útil cuando el gráfico de uso de CPU del trabajador indica que los recursos de la CPU están muy sobreasignados.
Aumentar la CPU de los trabajadores permite que estos manejen más tareas de forma simultánea y, en algunos casos, reduce el tiempo que se tarda en procesarlas.
Si cambias la CPU o la memoria de los trabajadores, se reinician los trabajadores, lo que podría afectar las tareas en ejecución. Te recomendamos que lo hagas cuando no se estén ejecutando DAG.
Los parámetros de CPU y memoria son para cada trabajador de tu entorno. Por ejemplo, si tu entorno tiene cuatro trabajadores, la capacidad total es cuatro veces la cantidad especificada de CPU y memoria.
Console
Sigue los pasos que se indican en Ajusta los parámetros de rendimiento y escalamiento del trabajador, el programador y el servidor web para establecer la CPU y la memoria de los trabajadores.
gcloud
Sigue los pasos que se indican en Ajusta los parámetros de rendimiento y escalamiento del trabajador, el programador y el servidor web para configurar la CPU y la memoria de los trabajadores.
En el siguiente ejemplo, se cambia la CPU y la memoria de los trabajadores. Si es necesario, puedes omitir el atributo de CPU o memoria.
gcloud composer environments update example-environment \
--worker-memory=3.75 \
--worker-cpu=2
Terraform
Sigue los pasos que se indican en Ajusta los parámetros de rendimiento y escalamiento del trabajador, el programador y el servidor web para establecer la CPU y la memoria de los trabajadores.
En el siguiente ejemplo, se cambia la CPU y la memoria de los trabajadores. Si es necesario, puedes omitir el parámetro de CPU o memoria.
resource "google_composer_environment" "example-environment" {
# Other environment parameters
config {
workloads_config {
worker {
cpu = "2"
memory_gb = "3.75"
}
}
}
}
Cambia la CPU y la memoria del servidor web
Reducir la CPU o la memoria del servidor web puede ser útil cuando el gráfico de uso del servidor web indica que se subutiliza de forma continua.
Si cambias los parámetros del servidor web, se reiniciará, lo que provocará un tiempo de inactividad temporal. Te recomendamos que realices los cambios fuera del horario de uso habitual.
Console
Sigue los pasos que se indican en Ajusta los parámetros de rendimiento y escalamiento del trabajador, el programador y el servidor web para establecer la CPU y la memoria del servidor web.
gcloud
Sigue los pasos que se indican en Ajusta los parámetros de rendimiento y escalamiento del trabajador, el programador y el servidor web para configurar la CPU y la memoria del servidor web.
En el siguiente ejemplo, se cambian la CPU y la memoria del servidor web. Puedes omitir los atributos de CPU o memoria, según sea necesario.
gcloud composer environments update example-environment \
--web-server-cpu=2 \
--web-server-memory=3.75
Terraform
Sigue los pasos que se indican en Ajusta los parámetros de rendimiento y escalamiento del trabajador, el programador y el servidor web para establecer la CPU y la memoria del servidor web.
En el siguiente ejemplo, se cambian la CPU y la memoria del servidor web. Puedes omitir los atributos de CPU o memoria, según sea necesario.
resource "google_composer_environment" "example-environment" {
# Other environment parameters
config {
workloads_config {
web_server {
cpu = "2"
memory_gb = "3.75"
}
}
}
}
Cambia el tamaño del entorno
Si cambias el tamaño del entorno, se modifica la capacidad de los componentes de backend de Cloud Composer, como la base de datos y la cola de Airflow.
- Considera cambiar el tamaño del entorno a uno más pequeño (por ejemplo, de grande a mediano o de mediano a pequeño) cuando las métricas de uso de la base de datos muestren una subutilización sustancial.
Considera aumentar el tamaño del entorno si observas un uso alto de la base de datos de Airflow.
Console
Sigue los pasos que se indican en Ajusta el tamaño del entorno para establecer el tamaño del entorno.
gcloud
Sigue los pasos que se indican en Ajusta el tamaño del entorno para establecer el tamaño del entorno.
En el siguiente ejemplo, se cambia el tamaño del entorno a Medio.
gcloud composer environments update example-environment \
--environment-size=medium
Terraform
Sigue los pasos que se indican en Ajusta el tamaño del entorno para establecer el tamaño del entorno.
En el siguiente ejemplo, se cambia el tamaño del entorno a Medio.
resource "google_composer_environment" "example-environment" {
# Other environment parameters
config {
environment_size = "medium"
}
}
Cómo cambiar el intervalo de la lista de directorios de DAG
Aumentar el intervalo de la lista de directorios de DAG reduce la carga del programador asociada con el descubrimiento de DAG nuevos en el bucket del entorno.
- Considera aumentar este intervalo si implementas DAG nuevos con poca frecuencia.
- Considera disminuir este intervalo si deseas que Airflow reaccione más rápido a los archivos DAG recién implementados.
Para cambiar este parámetro, anula la siguiente opción de configuración de Airflow:
| Sección | Clave | Valor | Notas |
|---|---|---|---|
scheduler |
dag_dir_list_interval |
Valor nuevo para el intervalo de la ficha | El valor predeterminado, en segundos, es 120. |
Cambia el intervalo de análisis de archivos DAG
Aumentar el intervalo de análisis de archivos DAG reduce la carga del programador asociada con el análisis continuo de DAG en el paquete de DAG.
Considera aumentar este intervalo cuando tengas una gran cantidad de DAG que no cambien con demasiada frecuencia o observes una carga alta del programador en general.
Para cambiar este parámetro, anula la siguiente opción de configuración de Airflow:
| Sección | Clave | Valor | Notas |
|---|---|---|---|
scheduler |
min_file_process_interval |
Valor nuevo para el intervalo de análisis de DAG | El valor predeterminado, en segundos, es 30. |
Simultaneidad de trabajadores
El rendimiento de la simultaneidad y la capacidad de tu entorno para escalar automáticamente están vinculados a dos parámetros de configuración:
- la cantidad mínima de trabajadores de Airflow
- el parámetro
[celery]worker_concurrency
Los valores predeterminados que proporciona Cloud Composer son óptimos para la mayoría de los casos de uso, pero tu entorno podría beneficiarse de ajustes personalizados.
Consideraciones sobre el rendimiento de la simultaneidad de los trabajadores
El parámetro [celery]worker_concurrency define la cantidad de tareas que un solo trabajador puede recuperar de la cola de tareas.
La velocidad de ejecución de tareas depende de varios factores, como la CPU del trabajador, la memoria y el tipo de trabajo en sí.
Ajuste de escala automático de trabajadores
Cloud Composer supervisa la cola de tareas y genera trabajadores adicionales para recoger las tareas en espera. Configurar [celery]worker_concurrency en un valor alto significa que cada trabajador puede realizar muchas tareas, por lo que, en determinadas circunstancias, es posible que la cola nunca se llene, lo que provocará que el ajuste de escala automático nunca se active.
Por ejemplo, en un entorno de Cloud Composer con dos trabajadores de Airflow,
[celery]worker_concurrency configurado en 100 y 200 tareas en la cola,
cada trabajador tomaría 100 tareas. Esto deja la cola vacía y no activa el ajuste de escala automático. Si estas tareas tardan mucho tiempo en completarse, es posible que se produzcan problemas de rendimiento.
Sin embargo, si las tareas son pequeñas y se ejecutan rápidamente, un valor alto en la configuración de [celery]worker_concurrency podría generar un escalamiento excesivo.
Por ejemplo, si ese entorno tiene 300 tareas en la cola,
Cloud Composer comienza a crear trabajadores nuevos. Sin embargo, si las primeras 200 tareas terminan de ejecutarse cuando los trabajadores nuevos están listos, un trabajador existente puede retomarlas. El resultado final es que el escalamiento automático crea trabajadores nuevos, pero no hay tareas para ellos.
El ajuste de [celery]worker_concurrency para casos especiales debe basarse
en los tiempos de ejecución de tareas máximas y los números de cola:
- En el caso de las tareas que tardan más en completarse, los trabajadores no deberían poder vaciar la fila por completo.
- Para tareas más rápidas y pequeñas, aumenta la cantidad mínima de trabajadores de Airflow para evitar una escalamiento excesivo.
Sincronización de registros de tareas
Los trabajadores de Airflow incluyen un componente que sincroniza los registros de ejecución de tareas con los buckets de Cloud Storage. Una gran cantidad de tareas simultáneas que realiza un solo trabajador genera una gran cantidad de solicitudes de sincronización. Esto podría sobrecargar al trabajador y generar problemas de rendimiento.
Si observas problemas de rendimiento debido a una gran cantidad de tráfico de sincronización de registros, reduce los valores de [celery]worker_concurrency y, en su lugar, ajusta la cantidad mínima de trabajadores de Airflow.
Cambia la simultaneidad de los trabajadores
Si cambias este parámetro, se ajusta la cantidad de tareas que un solo trabajador puede ejecutar al mismo tiempo.
Por ejemplo, un trabajador con 0.5 CPU suele controlar 6 tareas simultáneas. Un ambiente con tres trabajadores de este tipo puede controlar hasta 18 tareas simultáneas.
Aumenta este parámetro cuando haya tareas en espera en la cola y tus trabajadores usen un porcentaje bajo de sus CPUs y memoria al mismo tiempo.
Disminuye este parámetro cuando recibas expulsiones de pods. Esto reducirá la cantidad de tareas que un solo trabajador intenta procesar. Como alternativa, puedes aumentar la memoria del trabajador.
El valor predeterminado de la simultaneidad de los trabajadores es igual a:
- En Airflow 2.6.3 y versiones posteriores, un valor mínimo de
32,12 * worker_CPUy6 * worker_memory - En las versiones de Airflow anteriores a la 2.6.3, un valor mínimo de
32,12 * worker_CPUy8 * worker_memory - En versiones de Airflow anteriores a la 2.3.3,
12 * worker_CPU.
El valor de worker_CPU es la cantidad de CPUs asignadas a un solo trabajador. El valor de worker_memory es la cantidad de memoria asignada a un solo trabajador. Por ejemplo, si los trabajadores de tu entorno usan 0.5 CPU y 4 GB de memoria cada uno, la simultaneidad de los trabajadores se establece en 6. El valor de simultaneidad del trabajador no depende de la cantidad de trabajadores en tu entorno.
Para cambiar este parámetro, anula la siguiente opción de configuración de Airflow:
| Sección | Clave | Valor |
|---|---|---|
celery |
worker_concurrency |
Nuevo valor para la simultaneidad de los trabajadores |
Cambia la simultaneidad del DAG
La simultaneidad de DAG define la cantidad máxima de instancias de tareas que se pueden ejecutar de forma simultánea en cada DAG. Auméntala cuando tus DAG ejecuten una gran cantidad de tareas simultáneas. Si este parámetro de configuración es bajo, el programador retrasa la incorporación de más tareas en la cola, lo que también reduce la eficiencia del escalamiento automático del entorno.
Para cambiar este parámetro, anula la siguiente opción de configuración de Airflow:
| Sección | Clave | Valor | Notas |
|---|---|---|---|
core |
max_active_tasks_per_dag |
Nuevo valor para la simultaneidad de DAG | El valor predeterminado es 16. |
Aumenta la cantidad máxima de ejecuciones activas por DAG
Este atributo define la cantidad máxima de ejecuciones activas del DAG por DAG. Cuando el mismo DAG se debe ejecutar varias veces de forma simultánea, por ejemplo, con diferentes argumentos de entrada, este atributo permite que el programador inicie esas ejecuciones en paralelo.
Para cambiar este parámetro, anula la siguiente opción de configuración de Airflow:
| Sección | Clave | Valor | Notas |
|---|---|---|---|
core |
max_active_runs_per_dag |
Nuevo valor para la cantidad máxima de ejecuciones activas por DAG | El valor predeterminado es 25. |
¿Qué sigue?
- Escalar entornos
- Acerca del escalamiento de entornos
- Anular las opciones de configuración de Airflow
- Supervisa el estado y el rendimiento del entorno con métricas clave