Ottimizzazione di prestazioni e costi dell'ambiente

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Questa pagina spiega come ottimizzare i parametri di scalabilità e prestazioni dell'ambiente in base alle esigenze del progetto, in modo da migliorare le prestazioni e ridurre i costi delle risorse non utilizzate dall'ambiente.

Altre pagine su scalabilità e ottimizzazione:

Panoramica del processo di ottimizzazione

Le modifiche ai parametri dell'ambiente possono influire su molti aspetti del suo rendimento. Ti consigliamo di ottimizzare l'ambiente in più iterazioni:

  1. Inizia con i predefiniti di ambiente.
  2. Esegui i DAG.
  3. Osserva il rendimento del tuo ambiente.
  4. Regola i parametri di scala e prestazioni dell'ambiente, poi ripeti dall'inizio al passaggio precedente.

Inizia con i preset dell'ambiente

Quando crei un ambiente nella console Google Cloud, puoi: seleziona una delle tre preimpostazioni di ambiente. Queste preimpostazioni impostano la configurazione iniziale di scala e rendimento dell'ambiente. Dopo aver creato l'ambiente, puoi modificare tutti i parametri di scala e rendimento forniti da una preimpostazione.

Ti consigliamo di iniziare con una delle impostazioni predefinite, in base alle seguenti stime:

  • Numero totale di DAG di cui prevedi di eseguire il deployment nell'ambiente
  • Numero massimo di esecuzioni di DAG simultanee
  • Numero massimo di attività simultanee

Le prestazioni del tuo ambiente dipendono dall'implementazione di DAG specifici eseguiti nel tuo ambiente. La tabella seguente elenca le stime in base al consumo medio delle risorse. Se prevedi che i tuoi DAG consumino più risorse e modifica le stime di conseguenza.

Immagine predefinite consigliata DAG totali Numero massimo in simultanea Esecuzioni di DAG Task concorrenziali massime
Piccolo 50 15 18
Medio 250 60 100
Grande 1000 250 400

Ad esempio, un ambiente deve eseguire 40 DAG. Tutti i DAG devono essere eseguiti con la stessa ciascuna con un'attività attiva. Questo ambiente utilizza quindi un Mezzo predefinito, perché il numero massimo di esecuzioni e attività di DAG simultanee supera il valore le stime consigliate per la temperatura preimpostata piccola.

Esegui i DAG

Una volta creato l'ambiente, carica i DAG che le sono assegnati. Esegui i DAG e osserva le prestazioni dell'ambiente.

Consigliamo di eseguire i DAG in base a una pianificazione che rifletta la vita reale dei tuoi DAG. Ad esempio, se vuoi eseguire più DAG allo stesso tempo, assicurati di controllare le prestazioni dell'ambiente quando I DAG vengono eseguiti contemporaneamente.

Osservare il rendimento dell'ambiente

Questa sezione si concentra sugli aspetti più comuni di ottimizzazione delle prestazioni e della capacità di Cloud Composer 2. Ti consigliamo di seguire questa guida passo passo perché vengono trattate per prime le considerazioni sul rendimento più comuni.

Vai alla dashboard di Monitoring

Puoi monitorare le metriche delle prestazioni del tuo ambiente nella scheda Monitoring dashboard del tuo ambiente.

Per accedere alla dashboard di monitoraggio per il tuo ambiente:

  1. Nella console Google Cloud, vai alla pagina Ambienti.

    Vai ad Ambienti

  2. Fai clic sul nome dell'ambiente.

  3. Vai alla scheda Monitoring.

Monitora le metriche di CPU e memoria dello scheduler

Le metriche della CPU e della memoria dello scheduler di Airflow ti aiutano a verificare se le prestazioni dello scheduler rappresentano un collo di bottiglia nelle prestazioni complessive di Airflow.

Grafici per gli scheduler di Airflow
Figura 1. Grafici per gli scheduler Airflow (fai clic per ingrandire)

Nella dashboard di Monitoring, nella sezione Schedulers, osserva i grafici relativi gli scheduler Airflow del tuo ambiente:

  • CPU totale utilizzata dagli scheduler
  • Memoria totale utilizzata dagli scheduler

Modifica in base alle tue osservazioni:

Monitora il tempo totale di analisi per tutti i file DAG

Gli scheduler analizzano i DAG prima di pianificare le relative esecuzioni. Se i DAG richiedono molto tempo da analizzare, questo consuma la capacità dello scheduler e potrebbe ridurre le prestazioni delle esecuzioni di DAG.

Grafico del tempo di analisi totale del DAG
Figura 2. Grafico del tempo di analisi dei DAG (fai clic per ingrandire)

Nella dashboard Monitoraggio, nella sezione Statistiche DAG, osserva i grafici relativi al tempo di analisi totale del DAG.

Se il numero supera i 10 secondi circa, i programmi di pianificazione potrebbero essere sovraccarichi di l'analisi dei DAG e non può eseguire i DAG in modo efficace. L'analisi dei DAG predefinita la frequenza in Airflow è 30 secondi; se il tempo di analisi dei DAG supera questa soglia, i cicli di analisi iniziano a sovrapporsi, causando un'esaurimento della capacità dello scheduler.

In base alle tue osservazioni, ti consigliamo di:

Monitora le eliminazioni dei pod dei worker

L'eliminazione dei pod può verificarsi quando un determinato pod nel cluster dell'ambiente raggiunge i limiti di risorse.

Grafico eliminazioni dei pod worker
Figura 3. Grafico che mostra le eliminazioni dei pod worker (fai clic per ingrandire)

Se un pod di worker Airflow viene espulso, tutte le istanze di attività in esecuzione su quel pod vengono interrotte e successivamente contrassegnate come non riuscite da Airflow.

La maggior parte dei problemi relativi all'eliminazione dei pod dei worker si verifica a causa situazioni di esaurimento della memoria nei worker.

Nella sezione Worker della dashboard di Monitoring, osserva i grafici Eliminazioni pod worker per il tuo ambiente.

Il grafico Utilizzo totale della memoria dei worker mostra una prospettiva totale del completamente gestito di Google Cloud. Un singolo worker può comunque superare il limite di memoria, anche se l'utilizzo della memoria sia integro a livello di ambiente.

In base alle tue osservazioni, ti consigliamo di:

Monitora i worker attivi

Il numero di worker nel tuo ambiente scala automaticamente in risposta a le attività in coda.

Grafici sui lavoratori attivi e sulle attività in coda
Figura 4. Grafici di worker attivi e attività in coda (fai clic per ingrandire)

Nella sezione Worker della dashboard di Monitoring, osserva grafici relativi al numero di worker attivi e al numero di attività in coda:

  • Worker attivi
  • Attività Airflow

Modifica in base alle tue osservazioni:

  • Se l'ambiente raggiunge spesso il limite massimo per i worker e mentre il numero di attività nella coda Celery è costantemente elevato, può essere utile aumentare il numero massimo di worker.

  • Se sono presenti lunghi tempi di attesa nella pianificazione delle attività, ma allo stesso tempo l'ambiente non esegue il ridimensionamento fino al numero massimo di worker, è probabile che esista un'impostazione di Airflow che riduce la velocità di esecuzione e impedisce ai meccanismi di Cloud Composer di eseguire il ridimensionamento dell'ambiente. Poiché gli ambienti Cloud Composer 2 scalare in base al numero di attività in Celery. configura Airflow in modo da non limitare le attività in coda:

    • Aumenta la contemporaneità dei worker. Lavoratore la contemporaneità deve essere impostata su un valore superiore a quello previsto di attività simultanee diviso per il numero massimo di di Google Cloud nell'ambiente.
    • Aumenta la contemporaneità dei DAG, se un singolo DAG è di eseguire in parallelo un numero elevato di attività, il che può portare a il numero massimo di istanze di attività in esecuzione per DAG.
    • Aumenta le esecuzioni attive massime per DAG, se esegui lo stesso DAG più volte in parallelo, il che può portare Airflow a limitare l'esecuzione perché viene raggiunto il limite di esecuzioni attive massime per DAG.

Monitora l'utilizzo della CPU e della memoria dei worker

Monitora l'utilizzo totale della CPU e della memoria aggregato in tutti i worker del tuo ambiente per determinare se i worker Airflow utilizzano correttamente le risorse del tuo ambiente.

Grafici di memoria e di CPU dei worker
Figura 5. Grafici di memoria e di CPU dei worker (fai clic per ingrandire)

Nella dashboard Monitoraggio, nella sezione Worker, osserva i grafici relativi all'utilizzo della CPU e della memoria da parte dei worker Airflow:

  • Utilizzo totale CPU worker
  • Utilizzo totale memoria worker

Questi grafici rappresentano l'utilizzo aggregato delle risorse. i singoli worker raggiungeranno comunque i limiti di capacità, anche se la visualizzazione aggregata mostra e la capacità di archiviazione.

Regola in base alle tue osservazioni:

Monitora le attività in esecuzione e in coda

Puoi monitorare il numero di attività in coda e in esecuzione per verificarne l'efficienza del processo di pianificazione.

Grafico che mostra le attività in esecuzione e in coda
Figura 6. Grafico che mostra le attività in esecuzione e in coda (fai clic per ingrandire)

Nella dashboard Monitoraggio, nella sezione Worker, osserva il grafico Attività Airflow per il tuo ambiente.

Le attività in coda sono in attesa di essere eseguite dai worker. Se il tuo ambiente ha attività in coda, potrebbe significare che i worker nel tuo ambiente sono impegnati a eseguire altre attività.

In un ambiente è sempre presente una certa coda, soprattutto durante i picchi di elaborazione. Tuttavia, se noti un numero elevato di attività in coda o una tendenza in crescita nel grafico, questo potrebbe indicare che i worker non hanno capacità sufficienti per elaborare le attività o che Airflow sta limitando l'esecuzione delle attività.

In genere, si osserva un numero elevato di attività in coda quando anche il numero di attività in esecuzione raggiunge il livello massimo.

Per risolvere entrambi i problemi:

Monitora l'utilizzo di CPU e memoria del database

I problemi di prestazioni del database Airflow possono causare problemi di esecuzione complessiva dei DAG. In genere, l'utilizzo del disco del database non è motivo di preoccupazione perché lo spazio di archiviazione viene esteso automaticamente in base alle esigenze.

Grafici della CPU e della memoria del database
Figura 7. Grafici della CPU e della memoria del database (fai clic per ingrandire)

Nella dashboard di Monitoring, nella sezione Database SQL, osserva grafici relativi all'utilizzo di CPU e memoria da parte del database Airflow:

  • Utilizzo CPU database
  • Utilizzo memoria database

Se l'utilizzo della CPU del database supera l'80% per più della piccola percentuale del totale nel tempo, il database è sovraccarico e richiede scalabilità.

Le impostazioni delle dimensioni del database sono controllate dalla proprietà delle dimensioni dell'ambiente completamente gestito di Google Cloud. Per eseguire il ridimensionamento del database verso l'alto o verso il basso, modifica le dimensioni dell'ambiente impostandole su un livello diverso (Piccolo, Medio o Grande). L'aumento delle dimensioni dell'ambiente ne aumenta i costi.

Monitorare la latenza della pianificazione delle attività

Se la latenza tra le attività supera i livelli previsti (ad esempio, 20 secondi o più), questo potrebbe indicare che l'ambiente non può gestire il carico di attività generate dalle esecuzioni dei DAG.

Grafico sulla latenza delle attività (UI di Airflow)
Figura 8. Grafico della latenza delle attività, UI di Airflow (fai clic per ingrandire)

Puoi visualizzare il grafico della latenza della pianificazione delle attività nella UI di Airflow di del tuo ambiente.

In questo esempio, i ritardi (2,5 e 3,5 secondi) rientrano ampiamente nei limiti accettabili, ma la latenza notevolmente più elevata potrebbe indicare che:

Monitora la CPU e la memoria del server web

Le prestazioni del server web di Airflow influiscono sull'interfaccia utente di Airflow. Non è frequente che il server web sovraccaricato. In questo caso, le prestazioni dell'interfaccia utente di Airflow potrebbero peggiorare, ma ciò non influisce sulle prestazioni delle esecuzioni del DAG.

Grafici della CPU e della memoria del server web
Figura 9. Grafici della CPU e della memoria del server web (fai clic per ingrandire)

Nella dashboard Monitoraggio, nella sezione Server web, osserva i grafici per il server web Airflow:

  • Utilizzo CPU server web
  • Utilizzo memoria server web

In base alle tue osservazioni:

Regola i parametri di scalabilità e prestazioni dell'ambiente

Modificare il numero di scheduler

La regolazione del numero di scheduler migliora la capacità degli scheduler e la resilienza della pianificazione Airflow.

Se aumenti il numero di scheduler, aumenta anche il traffico verso dal database Airflow. Consigliamo di utilizzare due pianificatori Airflow nella maggior parte degli scenari. L'utilizzo di tre scheduler è necessario solo in rari casi che richiedono considerazioni speciali. La configurazione di più di tre pianificatori spesso comporta un calo del rendimento dell'ambiente.

Se hai bisogno di una pianificazione più rapida:

Esempi:

Console

Segui i passaggi descritti in Modificare il numero di pianificatori per impostare il numero richiesto di pianificatori per il tuo ambiente.

gcloud

Segui i passaggi descritti in Modificare il numero di pianificatori per impostare il numero richiesto di pianificatori per il tuo ambiente.

L'esempio seguente imposta il numero di scheduler su due:

gcloud composer environments update example-environment \
    --scheduler-count=2

Terraform

Segui i passaggi in Regola il numero di scheduler da impostare il numero richiesto di scheduler per il tuo ambiente.

L'esempio seguente imposta il numero di scheduler su due:

resource "google_composer_environment" "example-environment" {

  # Other environment parameters

  config {
    workloads_config {
      scheduler {
        count = 2
      }
    }
  }
}

Modifica di CPU e memoria per gli scheduler

I parametri di CPU e memoria si riferiscono a ogni scheduler nel tuo ambiente. Ad esempio, se il tuo ambiente ha due pianificatori, la capacità totale è il doppio del numero specificato di CPU e memoria.

Console

Segui i passaggi in Regola i parametri di scalabilità e prestazioni di worker, scheduler e server web per impostare CPU e memoria per gli scheduler.

gcloud

Segui i passaggi descritti in Modificare i parametri di scalabilità e prestazioni di worker, pianificatori e server web per impostare la CPU e la memoria per i pianificatori.

L'esempio seguente modifica la CPU e la memoria per gli scheduler. Puoi specificare solo gli attributi CPU o Memoria, a seconda delle esigenze.

gcloud composer environments update example-environment \
  --scheduler-cpu=0.5 \
  --scheduler-memory=3.75

Terraform

Segui i passaggi descritti in Modificare i parametri di scalabilità e prestazioni di worker, pianificatori e server web per impostare la CPU e la memoria per i pianificatori.

L'esempio seguente modifica la CPU e la memoria per gli scheduler. Tu possono omettere gli attributi di CPU o Memoria, a seconda delle esigenze.

resource "google_composer_environment" "example-environment" {

  # Other environment parameters

  config {
    workloads_config {
      scheduler {
        cpu = "0.5"
        memory_gb = "3.75"
      }
    }
  }
}

Modificare il numero massimo di worker

L'aumento del numero massimo di worker consente all'ambiente di la scalabilità automatica a un numero più elevato di worker, se necessario.

La riduzione del numero massimo di worker riduce la capacità massima dell'ambiente di rete, ma può anche essere utile per ridurre i costi legati all'ambiente.

Esempi:

Console

Segui i passaggi descritti in Modificare il numero minimo e massimo di worker per impostare il numero massimo di worker richiesto per il tuo ambiente.

gcloud

Segui i passaggi in Regola il numero minimo e massimo di worker da impostare il numero massimo richiesto di worker per il tuo ambiente.

L'esempio seguente imposta il numero massimo di worker su sei:

gcloud composer environments update example-environment \
    --max-workers=6

Terraform

Segui i passaggi descritti in Modificare il numero minimo e massimo di worker per impostare il numero massimo di worker richiesto per il tuo ambiente.

L'esempio seguente imposta il numero massimo di pianificatori su sei:

resource "google_composer_environment" "example-environment" {

  # Other environment parameters

  config {
    workloads_config {
      worker {
        max_count = "6"
      }
    }
  }
}

Modifica CPU e memoria dei worker

  • La riduzione della memoria dei worker può essere utile quando il grafico di utilizzo dei worker indica con un utilizzo della memoria molto ridotto.

  • L'aumento della memoria dei worker consente ai worker di gestire più attività contemporaneamente o di gestire attività che richiedono molta memoria. Potrebbe risolvere il problema del pod worker gli espulsioni.

  • La riduzione della CPU worker può essere utile quando il grafico di utilizzo della CPU worker indica è che le risorse della CPU sono allocati in eccesso.

  • L'aumento della CPU dei worker consente ai worker di gestire più attività contemporaneamente e, in alcuni casi, di ridurre il tempo necessario per elaborarle.

La modifica della CPU o della memoria dei worker riavvia i worker, il che potrebbe influire sulle attività in esecuzione. Ti consigliamo di farlo quando non sono in esecuzione DAG.

I parametri di CPU e memoria si riferiscono a ciascun worker nel tuo ambiente. Per Ad esempio, se il tuo ambiente ha quattro worker, la capacità totale è quattro volte il numero di CPU e memoria specificato.

Console

Segui i passaggi in Regola i parametri di scalabilità e prestazioni di worker, scheduler e server web per impostare CPU e memoria per i worker.

gcloud

Segui i passaggi in Regola i parametri di scalabilità e prestazioni di worker, scheduler e server web da impostare CPU e memoria per i worker.

L'esempio seguente modifica la CPU e la memoria per i worker. Puoi omettere l'attributo CPU o memoria, se necessario.

gcloud composer environments update example-environment \
  --worker-memory=3.75 \
  --worker-cpu=2

Terraform

Segui i passaggi descritti in Modificare i parametri di scalabilità e prestazioni di worker, pianificatore e server web per impostare la CPU e la memoria per i worker.

L'esempio seguente modifica la CPU e la memoria per i worker. Tu può omettere il parametro della CPU o della memoria, se necessario.

resource "google_composer_environment" "example-environment" {

  # Other environment parameters

  config {
    workloads_config {
      worker {
        cpu = "2"
        memory_gb = "3.75"
      }
    }
  }
}

Modifica CPU e memoria del server web

La riduzione della CPU o della memoria del server web può essere utile quando il server web il grafico di utilizzo indica che è costantemente sottoutilizzato.

La modifica dei parametri del server web riavvia il server web. causando un tempo di inattività temporaneo del server web. Ti consigliamo di apportare modifiche al di fuori dell'orario di utilizzo regolare.

Console

Segui i passaggi descritti in Modificare i parametri di scalabilità e prestazioni di worker, pianificatore e server web per impostare la CPU e la memoria per il server web.

gcloud

Segui i passaggi in Regola i parametri di scalabilità e prestazioni di worker, scheduler e server web da impostare CPU e memoria per il server web.

L'esempio seguente modifica la CPU e la memoria del server web. Puoi omettere gli attributi CPU o memoria, a seconda delle esigenze.

gcloud composer environments update example-environment \
    --web-server-cpu=2 \
    --web-server-memory=3.75

Terraform

Segui i passaggi descritti in Modificare i parametri di scalabilità e prestazioni di worker, pianificatore e server web per impostare la CPU e la memoria per il server web.

L'esempio seguente modifica la CPU e la memoria del server web. Tu può omettere gli attributi di CPU o memoria, a seconda delle esigenze.

resource "google_composer_environment" "example-environment" {

  # Other environment parameters

  config {
    workloads_config {
      web_server {
        cpu = "2"
        memory_gb = "3.75"
      }
    }
  }
}

Modificare le dimensioni dell'ambiente

La modifica delle dimensioni dell'ambiente modifica la capacità di Cloud Composer come componenti di backend, come il database Airflow e la coda Airflow.

  • Ti consigliamo di impostare una dimensione inferiore per l'ambiente (ad ad esempio Da Grande a Medio o Da Medio a Piccolo) quando le metriche di utilizzo del database un notevole sottoutilizzo.

  • Valuta la possibilità di aumentare le dimensioni dell'ambiente se noti un utilizzo elevato del database Airflow.

Console

Segui i passaggi descritti in Regolare le dimensioni dell'ambiente per impostare le dimensioni dell'ambiente.

gcloud

Segui i passaggi in Regola le dimensioni dell'ambiente per impostare dimensioni dell'ambiente.

Nell'esempio seguente, le dimensioni dell'ambiente vengono impostate su Medie.

gcloud composer environments update example-environment \
    --environment-size=medium

Terraform

Segui i passaggi in Regola le dimensioni dell'ambiente per impostare dimensioni dell'ambiente.

L'esempio seguente modifica le dimensioni dell'ambiente in Medie.

resource "google_composer_environment" "example-environment" {

  # Other environment parameters

  config {
    environment_size = "medium"
  }
}

Modifica dell'intervallo di elenco della directory DAG

L'aumento dell'intervallo di elenco delle directory dei DAG riduce il carico dello scheduler associati al rilevamento di nuovi DAG nel bucket dell'ambiente.

  • Valuta la possibilità di aumentare questo intervallo se esegui il deployment di nuovi DAG raramente.
  • Valuta la possibilità di ridurre questo intervallo se vuoi che Airflow reagisca più velocemente a dei file DAG di cui è stato appena eseguito il deployment.

Per modificare questo parametro, esegui l'override della seguente opzione di configurazione di Airflow:

Sezione Chiave Valore Note
scheduler dag_dir_list_interval Nuovo valore per l'intervallo della scheda Il valore predefinito, in secondi, è 120.

Modifica dell'intervallo di analisi dei file DAG

L'aumento dell'intervallo di analisi dei file DAG riduce il carico dello scheduler associato con l'analisi continua dei DAG nel bag DAG.

Valuta la possibilità di aumentare questo intervallo se hai un numero elevato di DAG che non cambiano troppo spesso o se noti un carico elevato dello scheduler in generale.

Per modificare questo parametro, esegui l'override della seguente opzione di configurazione di Airflow:

Sezione Chiave Valore Note
scheduler min_file_process_interval Nuovo valore per l'intervallo di analisi del DAG Il valore predefinito, in secondi, è 30.

Contemporaneità worker

Il rendimento della concorrenza e la capacità di autoscaling del tuo ambiente sono collegati a due impostazioni:

  • il numero minimo di worker Airflow
  • Il parametro [celery]worker_concurrency

I valori predefiniti forniti da Cloud Composer sono ottimali nella maggior parte dei casi d'uso, ma il tuo ambiente potrebbe trarre vantaggio aggiustamenti personalizzati.

Considerazioni sulle prestazioni della contemporaneità dei worker

Il parametro [celery]worker_concurrency definisce il numero di attività un singolo worker può prendere dalla coda di attività. La velocità di esecuzione delle attività dipende da diversi fattori, come la CPU, la memoria e il tipo di lavoro stesso del worker.

Scalabilità automatica dei worker

Cloud Composer monitora la coda delle attività e genera worker aggiuntivi per recuperare le attività in attesa. Impostare [celery]worker_concurrency su un valore elevato significa che ogni worker può acquisire molte attività, quindi in determinate circostanze la coda potrebbe non riempirsi mai, causando l'attivazione della scalabilità automatica.

Ad esempio, in un ambiente Cloud Composer con due worker Airflow,[celery]worker_concurrency impostato su 100 e 200 task in coda, ogni worker acquisirebbe 100 task. La coda rimane vuota e la scalabilità automatica non viene attivata. Se queste attività richiedono molto tempo, potrebbero verificarsi problemi di prestazioni.

Ma se le attività sono piccole e rapide da eseguire, un valore elevato L'impostazione [celery]worker_concurrency potrebbe causare un ridimensionamento overeager. Ad esempio, se l'ambiente ha 300 attività in coda, Cloud Composer inizia a creare nuovi worker. Tuttavia, se le prime 200 attività vengono completate entro il momento in cui i nuovi lavoratori sono pronti, un lavoratore esistente può recuperarle. Il risultato finale è che la scalabilità automatica crea nuovi worker, ma non ci sono attività per loro.

La modifica di [celery]worker_concurrency per i casi speciali deve essere basata sui tempi di esecuzione delle attività di picco e sui numeri di coda:

  • Per le attività che richiedono più tempo per essere completate, i lavoratori non devono poter svuotare completamente la coda.
  • Per attività più rapide e di dimensioni ridotte, aumenta il numero minimo Worker Airflow per evitare scale overeager.

Sincronizzazione dei log delle attività

I worker di Airflow dispongono di un componente che sincronizza i log di esecuzione delle attività di archiviazione dei bucket Cloud Storage. Un numero elevato di attività simultanee eseguite da parte di un singolo worker comporta un elevato numero di richieste di sincronizzazione. Ciò potrebbe sovraccaricare il tuo worker e causare problemi di prestazioni.

Se noti problemi di prestazioni dovuti a un numero elevato di traffico di sincronizzazione dei log, riduci i valori [celery]worker_concurrency e regola il numero minimo di worker Airflow.

Modificare la concorrenza dei worker

La modifica di questo parametro regola il numero di attività che un singolo worker possono essere eseguiti contemporaneamente.

Ad esempio, un worker con 0,5 CPU in genere può gestire 6 attività simultanee; un ambiente con tre worker di questo tipo può gestire fino a 18 attività simultanee.

  • Aumenta questo parametro quando ci sono attività in attesa nella coda e i worker utilizzano contemporaneamente una bassa percentuale di CPU e memoria.

  • Riduci questo parametro quando si verificano espulsioni dei pod; in questo modo, verrà ridotto il numero di attività che un singolo worker tenta di elaborare. Come alternativa, puoi aumentare la memoria dei worker.

Il valore predefinito per la contemporaneità dei worker è uguale a:

  • In Airflow 2.6.3 e versioni successive, un valore minimo pari a 32, 12 * worker_CPU e 6 * worker_memory.
  • Nelle versioni Airflow precedenti alla 2.6.3, un valore minimo pari a 32, 12 * worker_CPU e 8 * worker_memory.
  • Nelle versioni di Airflow precedenti alla 2.3.3, 12 * worker_CPU.

Il valore worker_CPU è il numero di CPU allocate a un singolo worker. Il valore worker_memory è la quantità di memoria allocata a un singolo worker. Per Ad esempio, se i worker nel tuo ambiente utilizzano 0,5 CPU e 4 GB di memoria ciascuno, la contemporaneità dei worker è impostata su 6. Il valore di contemporaneità dei worker non dipendono dal numero di worker nel tuo ambiente.

Per modificare questo parametro, esegui l'override della seguente opzione di configurazione di Airflow:

Sezione Chiave Valore
celery worker_concurrency Nuovo valore per la contemporaneità dei worker

Modifica contemporaneità DAG

La concorrenza DAG definisce il numero massimo di istanze di attività consentite in esecuzione contemporaneamente in ogni DAG. Aumentala quando i DAG eseguono un numero elevato di attività contemporaneamente. Se questa impostazione è bassa, lo scheduler ritarda l'inserimento di altre attività nella coda, il che riduce anche l'efficienza dell'autoscaling dell'ambiente.

Per modificare questo parametro, esegui l'override della seguente opzione di configurazione di Airflow:

Sezione Chiave Valore Note
core max_active_tasks_per_dag Nuovo valore per la concorrenza DAG Il valore predefinito è 16

Aumentare il numero massimo di esecuzioni attive per DAG

Questo attributo definisce il numero massimo di esecuzioni di DAG attive per DAG. Quando lo stesso DAG deve essere eseguito più volte contemporaneamente, ad esempio, con argomenti di input, questo attributo consente allo scheduler di avviare le esecuzioni parallelo.

Per modificare questo parametro, esegui l'override della seguente opzione di configurazione di Airflow:

Sezione Chiave Valore Note
core max_active_runs_per_dag Nuovo valore per le esecuzioni attive massime per DAG Il valore predefinito è 25

Passaggi successivi