Penskalaan otomatis Dataproc Serverless untuk Spark

Dokumen ini memberikan informasi tentang penskalaan otomatis Dataproc Serverless untuk Spark. Saat Anda mengirimkan workload Spark, Dataproc Serverless untuk Spark dapat menskalakan resource workload secara dinamis, seperti jumlah eksekutor, untuk menjalankan workload secara efisien. Penskalaan otomatis Dataproc Serverless adalah perilaku default, dan menggunakan alokasi resource dinamis Spark untuk menentukan apakah, bagaimana, dan kapan harus menskalakan workload Anda.

Penskalaan otomatis Dataproc Serverless V2

Penskalaan otomatis Dataproc Serverless versi 2 (V2) menambahkan fitur dan peningkatan ke versi default 1 (V1) untuk membantu Anda mengelola workload Dataproc Serverless, meningkatkan performa workload, dan menghemat biaya:

  • Penurunan skala node asinkron: Penskalaan Otomatis V2 menggantikan penurunan skala sinkron V1 dengan penurunan skala asinkron. Dengan menggunakan penskalaan turun asinkron, Dataproc Serverless menskalakan turun resource workload tanpa menunggu semua node menyelesaikan migrasi shuffle. Artinya, node longtail yang diskalakan secara perlahan tidak akan memblokir penskalaan.
  • Pemilihan node penskalaan ke bawah yang cerdas: Autoscaling V2 menggantikan pemilihan node acak V1 dengan algoritma cerdas yang mengidentifikasi node terbaik untuk diskalakan ke bawah terlebih dahulu. Algoritma ini mempertimbangkan faktor-faktor seperti ukuran data shuffle dan waktu tidak ada aktivitas node.
  • Perilaku migrasi shuffle dan penghentian sementara Spark yang dapat dikonfigurasi: Autoscaling V2 memungkinkan Anda menggunakan properti Spark standar untuk mengonfigurasi penghentian sementara Spark dan migrasi shuffle. Fitur ini dapat membantu Anda mempertahankan kompatibilitas migrasi dengan properti Spark yang disesuaikan.

Fitur penskalaan otomatis Dataproc Serverless

Fitur Penskalaan Otomatis Dataproc Serverless V1 Penskalaan Otomatis Dataproc Serverless V2
Penurunan skala node Sinkron Asinkron
Pemilihan node untuk penskalaan ke bawah Acak Cerdas
Penghentian tuntas Spark dan migrasi shuffle Tidak dapat dikonfigurasi Dapat Dikonfigurasi

Properti alokasi dinamis Spark

Tabel berikut mencantumkan properti Spark Dynamic Allocation yang dapat Anda tetapkan saat mengirimkan workload batch untuk mengontrol penskalaan otomatis (lihat cara menetapkan properti Spark).

Properti Deskripsi Default
spark.dataproc.scaling.version Versi penskalaan otomatis Dataproc Serverless Spark. Tentukan versi 1 atau 2 (lihat Penskalaan otomatis Dataproc Serverless V2). 1
spark.dynamicAllocation.enabled Apakah akan menggunakan alokasi resource dinamis, yang menskalakan jumlah eksekutor ke atas dan ke bawah berdasarkan beban kerja. Menetapkan nilai ke false akan menonaktifkan penskalaan otomatis untuk beban kerja. Default: true. true
spark.dynamicAllocation.initialExecutors Jumlah awal eksekutor yang dialokasikan ke beban kerja. Setelah workload dimulai, penskalaan otomatis dapat mengubah jumlah eksekutor aktif. Nilai minimum adalah 2; nilai maksimum adalah 500. 2
spark.dynamicAllocation.minExecutors Jumlah minimum eksekutor untuk menskalakan beban kerja. Nilai minimum adalah 2. 2
spark.dynamicAllocation.maxExecutors Jumlah maksimum eksekutor untuk menskalakan beban kerja. Nilai maksimum adalah 2000. 1000
spark.dynamicAllocation.executorAllocationRatio Menyesuaikan penskalaan beban kerja Spark. Menerima nilai dari 0 hingga 1. Nilai 1.0 memberikan kemampuan penskalaan maksimum dan membantu mencapai paralelisme maksimum. Nilai 0.5 menetapkan kemampuan penskalaan dan paralelisme pada setengah nilai maksimum. 0.3
spark.reducer.fetchMigratedShuffle.enabled Jika ditetapkan ke true, memungkinkan pengambilan lokasi output shuffle dari driver Spark setelah pengambilan gagal dari eksekutor yang dinonaktifkan karena alokasi dinamis Spark. Hal ini mengurangi error ExecutorDeadException yang disebabkan oleh migrasi blok shuffle dari eksekutor yang dinonaktifkan ke eksekutor aktif, dan mengurangi percobaan ulang tahap yang disebabkan oleh error FetchFailedException (lihat FetchFailedException yang disebabkan oleh ExecutorDeadException). Properti ini tersedia di Dataproc Serverless versi runtime Spark 1.1.12 dan yang lebih baru serta 2.0.20 dan yang lebih baru. false

Metrik alokasi dinamis Spark

Beban kerja batch Spark menghasilkan metrik berikut yang terkait dengan alokasi resource dinamis Spark (untuk informasi tambahan tentang metrik Spark, lihat Pemantauan dan Instrumentasi).

Metrik Deskripsi
maximum-needed Jumlah maksimum eksekutor yang diperlukan berdasarkan beban saat ini untuk memenuhi semua tugas yang sedang berjalan dan tertunda.
running Jumlah eksekutor yang berjalan dan mengeksekusi tugas.

Masalah dan solusi alokasi dinamis Spark

  • FetchFailedException yang disebabkan oleh ExecutorDeadException

    Penyebab: Saat alokasi dinamis Spark menskalakan eksekutor, file shuffle dimigrasikan ke eksekutor aktif. Namun, karena tugas reducer Spark pada eksekutor mengambil output shuffle dari lokasi yang ditetapkan oleh driver Spark saat tugas reducer dimulai, jika file shuffle dimigrasikan, reducer dapat terus mencoba mengambil output shuffle dari eksekutor yang dinonaktifkan, sehingga menyebabkan error ExecutorDeadException dan FetchFailedException.

    Solusi: Aktifkan pengambilan ulang lokasi shuffle dengan menetapkan spark.reducer.fetchMigratedShuffle.enabled ke true saat Anda menjalankan workload batch Spark Dataproc Serverless (lihat Menetapkan properti workload batch Spark). Jika properti ini diaktifkan, tugas reducer akan mengambil ulang lokasi output shuffle dari driver setelah pengambilan dari eksekutor yang dinonaktifkan gagal.