Réglage automatique des charges de travail Spark

Preview

Cette fonctionnalité est soumise aux "Conditions des offres de pré-DG" dans la section "Conditions d'utilisation générales" des Conditions spécifiques au service. Les fonctionnalités pré-DG sont disponibles "en l'état" et peuvent avoir une assistance limitée. Pour en savoir plus, consultez les descriptions des étapes de lancement.

Pour en savoir plus sur l'accès à cette version, consultez la page de demande d'accès.

Optimiser les performances et la résilience d'une charge de travail Spark peut s'avérer difficile en raison des le nombre d'options de configuration Spark et la difficulté d'évaluer le fonctionnement sur une charge de travail. Le réglage automatique sans serveur de Dataproc offre une alternative à la configuration manuelle des charges de travail en appliquant automatiquement les paramètres de configuration Spark à une charge de travail Spark récurrente, en fonction des bonnes pratiques d'optimisation Spark une analyse des exécutions de charge de travail.

S'inscrire au réglage automatique de Dataproc sans serveur

S'inscrire pour accéder au réglage automatique de Dataproc sans serveur version preview décrite sur cette page, remplir et envoyer Aperçu de Gemini dans BigQuery formulaire d'inscription. Une fois le formulaire approuvé, les projets répertoriés dans le formulaire l'accès aux fonctionnalités en preview.

Remarque :Pour envoyer des commentaires sur cette version preview, vous pouvez utiliser la Aperçus Dataproc: formulaire de commentaires

Avantages

Le réglage automatique de Dataproc sans serveur offre les avantages suivants:

• Amélioration des performances: réglage de l'optimisation pour améliorer les performances
• Optimisation plus rapide: configuration automatique pour éviter les tâches manuelles fastidieuses. test de configuration
• Résilience accrue: allocation de mémoire automatique pour éviter les problèmes de mémoire échecs

Limites

Le réglage automatique de Dataproc sans serveur présente les limites suivantes:

• Le réglage automatique est calculé et appliqué à la seconde exécution et aux suivantes charge de travail spécifique. La première exécution d'une charge de travail récurrente n'est pas réglé automatiquement, car le réglage automatique de Dataproc sans serveur utilise la charge de travail pour l'optimisation.
• Le redimensionnement de la mémoire n'est pas accepté.
• Le réglage automatique n'est pas appliqué rétroactivement aux charges de travail en cours d'exécution, mais uniquement de charges de travail envoyées.

Cohortes avec réglage automatique

Le réglage automatique est appliqué aux exécutions récurrentes d'une charge de travail par lot, appelées cohortes. Nom de la cohorte que vous spécifiez lorsque vous envoyez une charge de travail l'identifie comme l'une des exécutions successives de la charge de travail récurrente. Nous vous recommandons d'utiliser des noms de cohorte qui décrivent le type charge de travail ou qui permettent d'identifier les exécutions d'une charge de travail dans le cadre d'une charge de travail récurrente. Par exemple, spécifiez daily_sales_aggregation comme nom de cohorte pour une charge de travail planifiée qui exécute une tâche quotidienne d'agrégation des ventes.

Scénarios de réglage automatique

Pour appliquer le réglage automatique de Dataproc sans serveur à votre charge de travail, vous devez en sélectionnant un ou plusieurs des scénarios de réglage automatique suivants:

• MEMORY: réglage automatique de l'allocation de mémoire Spark pour prédire et éviter de mémoire insuffisante des charges de travail. Corriger une charge de travail ayant précédemment échoué en raison d'une erreur de mémoire insuffisante.
• SCALING: paramètres de configuration de l'autoscaling Spark Autotune.
• BROADCAST_HASH_JOIN: réglage automatique des paramètres de configuration Spark pour optimiser la jointure de diffusion SQL des performances.

Tarifs

Le réglage automatique sans serveur de Dataproc est proposé pendant la phase preview sans frais supplémentaires. Standard La tarification de Dataproc sans serveur s'applique.

Disponibilité en fonction des régions

Vous pouvez utiliser le réglage automatique de Dataproc sans serveur avec les lots envoyés régions Compute Engine disponibles.

Utiliser le réglage automatique de Dataproc sans serveur

Vous pouvez activer le réglage automatique de Dataproc sans serveur sur une charge de travail à l'aide de la console Google Cloud, de Google Cloud CLI API Dataproc.

Console

Pour activer le réglage automatique de Dataproc sans serveur à chaque envoi d'une charge de travail par lot récurrente, procédez comme suit:

1. Dans la console Google Cloud, accédez à la page Dataproc Lots.

   Accéder à la page "Lots" de Dataproc

2. Pour créer une charge de travail par lot, cliquez sur Créer.

3. Dans la section Conteneur, remplissez le pour votre charge de travail Spark:

   • Cohorte:le nom de la cohorte, identifie le lot comme faisant partie d'une série de charges de travail récurrentes. Le réglage automatique s'applique à la deuxième charge de travail et aux suivantes qui sont soumises avec ce nom de cohorte. Par exemple, spécifiez daily_sales_aggregation comme nom de cohorte pour une charge de travail planifiée qui exécute une tâche quotidienne d'agrégation des ventes.

   • Scénarios de réglage automatique:un ou plusieurs scénarios de réglage automatique à utiliser optimiser la charge de travail (par exemple, BROADCAST_HASH_JOIN, MEMORY et SCALING). Vous pouvez modifier la sélection de scénarios à chaque envoi de cohorte par lot.

4. Remplissez les autres sections de la page Créer un lot selon vos besoins, puis cliquez sur Envoyer. Pour en savoir plus sur ces champs, consultez Envoyez une charge de travail par lot.

gcloud

Pour activer le réglage automatique de Dataproc sans serveur à chaque envoi d'une charge de travail par lot récurrente, exécutez la gcloud CLI suivante gcloud dataproc batches submit en local dans une fenêtre de terminal ou dans Cloud Shell :

gcloud dataproc batches submit COMMAND \
    --region=REGION \
    --cohort=COHORT \
    --autotuning-scenarios=SCENARIOS \
    other arguments ...

Remplacez les éléments suivants :

• COMMAND: type de charge de travail Spark, tel que Spark, PySpark Spark-Sql ou Spark-R.
• REGION: le région où votre charge de travail sera exécutée.

• COHORT: nom de la cohorte, identifie le lot comme faisant partie d'une série de charges de travail récurrentes. Le réglage automatique s'applique à la deuxième charge de travail et aux suivantes qui sont soumises avec ce nom de cohorte. Par exemple, spécifiez daily_sales_aggregation comme nom de cohorte pour une charge de travail planifiée qui exécute une tâche quotidienne d'agrégation des ventes.

• SCENARIOS: une ou plusieurs valeurs séparées par une virgule scénarios de réglage automatique à utiliser pour optimiser la charge de travail (par exemple, --autotuning-scenarios=MEMORY,SCALING). Vous pouvez modifier la liste des scénarios à chaque envoi de cohorte par lot.

API

Pour activer le réglage automatique de Dataproc sans serveur à chaque envoi d'une charge de travail par lot récurrente, envoyez un batches.create requête incluant les champs suivants:

• RuntimeConfig.cohort: nom de la cohorte, identifie le lot comme faisant partie d'une série de charges de travail récurrentes. Le réglage automatique s'applique à la deuxième charge de travail et aux charges de travail suivantes envoyées avec ce nom de cohorte. Par exemple, spécifiez daily_sales_aggregation comme nom de cohorte pour une charge de travail planifiée qui exécute une tâche quotidienne d'agrégation des ventes.
• AutotuningConfig.scenarios: un ou plusieurs scénarios de réglage automatique à utiliser pour optimiser la charge de travail (par exemple, BROADCAST_HASH_JOIN, MEMORY et SCALING). Vous pouvez modifier la liste des scénarios à chaque envoi de cohorte par lot.

Exemple :

...
runtimeConfig:
  cohort: daily_sales_aggregation
  autotuningConfig:
    scenarios:
    - BROADCAST_HASH_JOIN
    - MEMORY
    - SCALING
...

Java

Avant d'essayer cet exemple, suivez les instructions de configuration de Java dans le Guide de démarrage rapide de Dataproc sans serveur avec bibliothèques clientes. Pour en savoir plus, consultez les API Java Dataproc sans serveur documentation de référence.

Pour vous authentifier auprès de Dataproc sans serveur, configurez les identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.

Pour activer le réglage automatique de Dataproc sans serveur à chaque envoi d'un lot récurrent charge de travail, appelez BatchControllerClient.createBatch. à l'aide d'une requête CreateBatchRequest comprenant les champs suivants:

• Batch.RuntimeConfig.cohort: nom de la cohorte, identifie le lot comme faisant partie d'une série de charges de travail récurrentes. Le réglage automatique s'applique à la deuxième charge de travail et aux charges de travail suivantes envoyées avec ce nom de cohorte. Par exemple, vous pouvez spécifier daily_sales_aggregation comme nom de cohorte pour une charge de travail planifiée qui exécute une tâche quotidienne d'agrégation des ventes.
• Batch.RuntimeConfig.AutotuningConfig.scenarios: un ou plusieurs scénarios de réglage automatique à utiliser pour optimiser la charge de travail (par exemple, BROADCAST_HASH_JOIN, MEMORY ou SCALING). Vous pouvez modifier la liste des scénarios à chaque envoi de cohorte par lot. Pour obtenir la liste complète des scénarios, consultez la AutotuningConfig.Scenario Javadoc.

Exemple :

...
Batch batch =
  Batch.newBuilder()
    .setRuntimeConfig(
      RuntimeConfig.newBuilder()
        .setCohort("daily_sales_aggregation")
        .setAutotuningConfig(
          AutotuningConfig.newBuilder()
            .addScenarios(Scenario.SCALING))
    ...
  .build();

batchControllerClient.createBatch(
    CreateBatchRequest.newBuilder()
        .setParent(parent)
        .setBatchId(batchId)
        .setBatch(batch)
        .build());
...

Pour utiliser l'API, vous devez utiliser la bibliothèque cliente google-cloud-dataproc version 4.43.0. ou version ultérieure. Vous pouvez utiliser l'une des configurations suivantes pour ajouter la bibliothèque à votre projet.

Maven

<dependencies>
 <dependency>
   <groupId>com.google.cloud</groupId>
   <artifactId>google-cloud-dataproc</artifactId>
   <version>4.43.0</version>
 </dependency>
</dependencies>

Gradle

implementation 'com.google.cloud:google-cloud-dataproc:4.43.0'

SBT

libraryDependencies += "com.google.cloud" % "google-cloud-dataproc" % "4.43.0"

Python

Avant d'essayer cet exemple, suivez les instructions de configuration de Python dans le Guide de démarrage rapide de Dataproc sans serveur avec bibliothèques clientes. Pour en savoir plus, consultez les API Python Dataproc sans serveur documentation de référence.

Pour vous authentifier auprès de Dataproc sans serveur, configurez les identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.

Pour activer le réglage automatique de Dataproc sans serveur à chaque envoi d'un lot récurrent charge de travail, appelez BatchControllerClient.create_batch à l'aide d'une requête Batch comprenant les champs suivants:

• batch.runtime_config.cohort: nom de la cohorte, identifie le lot comme faisant partie d'une série de charges de travail récurrentes. Le réglage automatique s'applique à la deuxième charge de travail et aux charges de travail suivantes envoyées avec ce nom de cohorte. Par exemple, vous pouvez spécifier daily_sales_aggregation comme nom de cohorte pour une charge de travail planifiée qui exécute une tâche quotidienne d'agrégation des ventes.
• batch.runtime_config.autotuning_config.scenarios: un ou plusieurs scénarios de réglage automatique à utiliser pour optimiser la charge de travail (par exemple, BROADCAST_HASH_JOIN, MEMORY ou SCALING). Vous pouvez modifier la liste des scénarios à chaque envoi de cohorte par lot. Pour obtenir la liste complète des scénarios, consultez la Scénario référence.

Exemple :

# Create a client
client = dataproc_v1.BatchControllerClient()

# Initialize request argument(s)
batch = dataproc_v1.Batch()
batch.pyspark_batch.main_python_file_uri = "gs://bucket/run_tpcds.py"
batch.runtime_config.cohort = "daily_sales_aggregation"
batch.runtime_config.autotuning_config.scenarios = [
    Scenario.SCALING
]

request = dataproc_v1.CreateBatchRequest(
    parent="parent_value",
    batch=batch,
)

# Make the request
operation = client.create_batch(request=request)

Pour utiliser l'API, vous devez utiliser la bibliothèque cliente google-cloud-dataproc version 5.10.1. ou version ultérieure. Pour l'ajouter à votre projet, vous pouvez utiliser l'exigence suivante:

google-cloud-dataproc>=5.10.1

Airflow

Pour activer le réglage automatique de Dataproc sans serveur à chaque envoi d'un lot récurrent charge de travail, appelez BatchControllerClient.create_batch à l'aide d'une requête Batch comprenant les champs suivants:

• batch.runtime_config.cohort: nom de la cohorte, identifie le lot comme faisant partie d'une série de charges de travail récurrentes. Le réglage automatique s'applique à la deuxième charge de travail et aux charges de travail suivantes envoyées avec ce nom de cohorte. Par exemple, vous pouvez spécifier daily_sales_aggregation comme nom de cohorte pour une charge de travail planifiée qui exécute une tâche quotidienne d'agrégation des ventes.
• batch.runtime_config.autotuning_config.scenarios: un ou plusieurs scénarios de réglage automatique à utiliser pour optimiser la charge de travail (par exemple, BROADCAST_HASH_JOIN, MEMORY ou SCALING). Vous pouvez modifier la liste des scénarios à chaque envoi de cohorte par lot. Pour obtenir la liste complète des scénarios, consultez la Scénario référence.

Exemple :

create_batch = DataprocCreateBatchOperator(
    task_id="batch_create",
    batch={
        "pyspark_batch": {
            "main_python_file_uri": PYTHON_FILE_LOCATION,
        },
        "environment_config": {
            "peripherals_config": {
                "spark_history_server_config": {
                    "dataproc_cluster": PHS_CLUSTER_PATH,
                },
            },
        },
        "runtime_config": {
            "cohort": "daily_sales_aggregation",
            "autotuning_config": {
                "scenarios": [
                    Scenario.SCALING,
                ]
            }
        },
    },
    batch_id="BATCH_ID",
)

Pour utiliser l'API, vous devez utiliser la bibliothèque cliente google-cloud-dataproc version 5.10.1. ou version ultérieure. Vous pouvez utiliser l'exigence d'environnement Airflow suivante:

google-cloud-dataproc>=5.10.1

Pour mettre à jour le package dans Cloud Composer, consultez Installez des dépendances Python pour Cloud Composer .

Afficher les modifications apportées au réglage automatique

Pour afficher les modifications apportées au réglage automatique de Dataproc sans serveur pour une charge de travail par lot, exécuter l' gcloud dataproc batches describe .

Exemple: Le résultat de gcloud dataproc batches describe est semblable à celui-ci:

...
runtimeInfo:
   propertiesInfo:
    # Properties set by autotuning.
    autotuningProperties
      spark.driver.memory:
        annotation: Driver OOM was detected
        value: 11520m
      spark.driver.memoryOverhead:
        annotation: Driver OOM was detected
        value: 4608m
    # Old overwritten properties.
    userProperties
...

Vous pouvez afficher les dernières modifications appliquées au réglage automatique à une charge de travail en cours d'exécution, terminée ou en échec page Détails du lot de la console Google Cloud dans l'onglet Enquêter.