监控和排查 Dataproc Serverless 批量工作负载问题

您可以监控 Dataproc Serverless Spark 批处理工作负载 使用下面几部分中介绍的信息和工具。

Spark 界面

Spark 界面会从 Dataproc Serverless 收集 Apache Spark 执行详情，以便针对 Spark 批处理工作负载进行分析。Spark 界面功能可免费使用，默认处于启用状态。

系统会保留 Spark 界面功能收集的数据 90 天。您可以使用此 Web 界面监控和调试 Spark 工作负载，而无需创建 Persistent History Server。

限制

Spark 界面不支持以下 Dataproc Serverless 工作负载：

所需的 Identity and Access Management 权限和角色

需要以下权限才能将 Spark 界面功能与批处理搭配使用 工作负载

  • 数据收集权限：dataproc.batches.sparkApplicationWrite。这个 权限。 此权限包含在 Dataproc Worker 角色中，系统会自动将此角色授予 Dataproc Serverless 默认使用的 Compute Engine 默认服务账号（请参阅 Dataproc Serverless 服务账号）。但是，如果您指定 自定义服务账号 对于批量工作负载，您必须将 dataproc.batches.sparkApplicationWrite 对该服务账号的权限（通常，向服务账号授予 Dataproc Worker 角色）。

  • Spark 界面访问权限：dataproc.batches.sparkApplicationRead。这个 向用户授予访问 Spark 界面的权限， Google Cloud 控制台。此权限包含在 Dataproc Viewer、Dataproc Editor和Dataproc Administrator 角色。如需在 Google Cloud 控制台中打开 Spark 界面，您必须拥有其中一个角色，或者拥有包含此权限的自定义角色。

打开 Spark 界面

Google Cloud 控制台中的 Spark 界面页面可用于处理 Spark 批处理工作负载。

  1. 转到 Dataproc 批次

  2. 点击一个批处理 ID 以打开批处理详情页面。
  3. 点击顶部菜单中的查看 Spark 界面。

“查看 Spark 界面”链接是否已停用？如果 未授予所需权限 或者，如果您取消选中批次详情页面上的启用 Spark 界面复选框，或者将 将 Create.dataproc.appContext.enabled 属性设置为 false（默认值：true） 提交批量工作负载 查看 Spark 界面按钮将被停用。

Persistent History Server

Dataproc Serverless for Spark 会创建运行工作负载所需的计算资源，在这些资源上运行工作负载，然后在工作负载完成后删除这些资源。工作负载完成后，工作负载指标和事件不会保留。不过，您可以使用 用于保留工作负载应用历史记录（事件）的永久性历史记录服务器 (PHS) 日志）。

如需将 PHS 与批量工作负载搭配使用，请执行以下操作：

  1. 创建 Dataproc Persistent History Server (PHS)。

  2. 在提交工作负载时指定 PHS。

  3. 使用组件网关 连接到 PHS 以查看应用详情、调度器阶段、任务级别详情， 环境和执行器信息

Dataproc Serverless for Spark 日志

在 Dataproc Serverless for Spark 中，日志记录默认处于启用状态， 工作负载。Dataproc Serverless for Spark 会在 Cloud Logging 中收集工作负载日志。您可以在以下位置访问 Dataproc Serverless for Spark 日志： 日志浏览器中的 Cloud Dataproc Batch 资源。

查询 Dataproc Serverless for Spark 日志

Google Cloud 控制台中的日志浏览器提供 一个查询窗格 可帮助您构建用于检查批量工作负载日志的查询。 您可以按照以下步骤构建查询来检查批量工作负载 日志：

  1. 转到 Logs Explorer

  2. 系统会选择您的当前项目。您可以点击优化项目范围， 请选择其他项目。

  3. 定义批量日志查询。

    • 使用过滤菜单过滤出批处理工作负载。

      1. 在所有资源下，选择 Cloud Dataproc Batch 资源。

        1. 在选择资源面板中，依次选择批量 LOCATION（位置）和 BATCH ID（批量 ID）。这些批处理参数列在 Google Cloud 控制台的 Dataproc 批处理页面上。

        2. 点击应用。

        3. 在选择日志名称下。输入dataproc.googleapis.com （位于搜索日志名称框中），限制要查询的日志类型。选择 一个或多个列出的日志文件名。

    • 使用查询编辑器过滤出特定于虚拟机的日志。

      1. 指定资源类型和虚拟机资源名称，如以下示例所示： 

        resource.type="cloud_dataproc_batch"
labels."dataproc.googleapis.com/resource_name"="gdpic-srvls-batch-BATCH_UUID-VM_SUFFIX"
        注意：

        • BATCH_UUID：批处理 UUID 列在 Google Cloud 控制台的“批处理详情”页面中，该页面会在您点击批处理页面上的批处理 ID 后打开。

        批处理日志还会在虚拟机资源名称中列出批处理 UUID。 以下是批量 driver.log 的示例：

  4. 点击运行查询。

Dataproc Serverless for Spark 日志类型和示例查询

以下列表介绍了不同的 Dataproc Serverless 日志类型和 为每种日志类型提供示例 Logs Explorer 查询。

  1. dataproc.googleapis.com/output：此日志文件包含批量工作负载输出。Dataproc Serverless for Spark 会将批处理输出流式传输到 output 命名空间，并将文件名设置为 JOB_ID.driver.log。

    输出日志的日志浏览器查询示例： 

    resource.type="cloud_dataproc_batch"
resource.labels.location="REGION"
resource.labels.batch_id="BATCH_ID"
logName="projects/PROJECT_ID/logs/dataproc.googleapis.com%2Foutput"

  2. dataproc.googleapis.com/spark：spark 命名空间会汇总在 Dataproc 集群主虚拟机和工作器虚拟机上运行的守护程序和执行器的 Spark 日志。每个日志条目都包含 master、worker 或 executor 组件标签，用于标识 日志源，如下所示：

    • executor：来自用户代码执行程序的日志。这些日志通常是分布式日志。
    • master：来自 Spark 独立资源管理器主实例的日志， 类似于 Compute Engine YARN 上的 Dataproc ResourceManager 日志。
    • worker：来自 Spark 独立资源管理器工作器的日志。 类似于 Compute Engine YARN 上的 Dataproc NodeManager 日志。

    查询 spark 命名空间中的所有日志的 Logs Explorer 查询示例： 

    resource.type="cloud_dataproc_batch"
resource.labels.location="REGION"
resource.labels.batch_id="BATCH_ID"
logName="projects/PROJECT_ID/logs/dataproc.googleapis.com%2Fspark"

    中 Spark 独立组件日志的日志浏览器查询示例 spark 命名空间： 

    resource.type="cloud_dataproc_batch"
resource.labels.location="REGION"
resource.labels.batch_id="BATCH_ID"
logName="projects/PROJECT_ID/logs/dataproc.googleapis.com%2Fspark"
jsonPayload.component="COMPONENT"

  3. dataproc.googleapis.com/startup：startup 命名空间包含批处理（集群）启动日志。其中包含所有初始化脚本日志。组件通过标签进行标识，例如：

    startup-script[855]: ... activate-component-spark[3050]: ... enable spark-worker
    针对指定虚拟机上的启动日志的 Logs Explorer 查询示例： 
    resource.type="cloud_dataproc_batch"
resource.labels.location="REGION"
resource.labels.batch_id="BATCH_ID"
logName="projects/PROJECT_ID/logs/dataproc.googleapis.com%2Fstartup"
labels."dataproc.googleapis.com/resource_name"="gdpic-srvls-batch-BATCH_UUID-VM_SUFFIX"

  4. dataproc.googleapis.com/agent：agent 命名空间会汇总 Dataproc 代理日志。每个日志条目都包含文件名标签 用于标识日志源。

    针对指定工作器虚拟机生成的代理日志的 Logs Explorer 查询示例： 

    resource.type="cloud_dataproc_batch"
resource.labels.location="REGION"
resource.labels.batch_id="BATCH_ID"
logName="projects/PROJECT_ID/logs/dataproc.googleapis.com%2Fagent"
labels."dataproc.googleapis.com/resource_name"="gdpic-srvls-batch-BATCHUUID-wWORKER#"

  5. dataproc.googleapis.com/autoscaler：autoscaler 命名空间会汇总 Dataproc Serverless for Spark 自动扩缩器日志。

    由指定的工作器虚拟机生成的代理日志的示例日志浏览器查询： 

    resource.type="cloud_dataproc_batch"
resource.labels.location="REGION"
resource.labels.batch_id="BATCH_ID"
logName="projects/PROJECT_ID/logs/dataproc.googleapis.com%2Fautoscaler"
labels."dataproc.googleapis.com/resource_name"="gdpic-srvls-batch-BATCHUUID-wWORKER#"

如需更多信息 请参阅 Dataproc 日志。

Dataproc 无服务器审核日志

如需了解 Dataproc Serverless 审核日志，请参阅 Dataproc 审核日志记录。

工作负载指标

默认情况下，Dataproc Serverless for Spark 支持 可用的 Spark 指标， 除非您使用 Spark 指标集合属性 来停用或替换一个或多个 Spark 指标的集合。

您可以在 Google Cloud 控制台的 Metrics Explorer 或批处理详情页面中查看工作负载指标。

批量指标

Dataproc batch 资源指标可深入了解批处理资源，例如批处理执行程序的数量。批处理指标的前缀为 dataproc.googleapis.com/batch。

Metrics Explorer 中的批量指标示例。

Spark 指标

可用的 Spark 指标 包括 Spark 驱动程序和执行器指标以及系统指标。可用的 Spark 指标的前缀为 custom.googleapis.com/。

Metrics Explorer 中的 Spark 指标示例。

设置指标提醒

您可以创建 Dataproc 指标提醒 以接收有关工作负载问题的通知。

创建图表

您可以使用 Google Cloud 控制台中的 Metrics Explorer 创建图表，直观呈现工作负载指标。例如，您可以创建一个图表来显示 disk:bytes_used，然后按 batch_id 进行过滤。

Cloud Monitoring

监控功能使用工作负载元数据和指标来深入了解 Dataproc Serverless for Spark 工作负载的运行状况和性能。工作负载指标包括 Spark 指标、批处理指标和操作指标。

您可以在 Google Cloud 控制台中使用 Cloud Monitoring 以浏览指标、添加图表、创建信息中心和创建提醒。

创建信息中心

您可以创建信息中心，以便使用多个来源的指标来监控工作负载 和不同的 Google Cloud 产品如需了解详情，请参阅创建和管理自定义信息中心。

高级问题排查（预览版）

本部分介绍 Google Cloud 控制台中提供的高级问题排查功能（预览版）。这些功能包括Gemini 协助排查 Dataproc Serverless 问题，该功能属于 BigQuery 中的 Gemini 产品。

使用预览版功能

注册获取预览版 高级问题排查功能，请填写并提交 BigQuery 中的 Gemini 正式发布前注册 表单。表单获得批准后，表单中列出的项目将有权访问 预览版功能。

预览价格

参与预览不会产生额外费用。当下列预览版功能变为有效状态后， 正式版 (GA)：

Google Analytics 费用提前通知将发送到您在 预览注册表单。

功能要求

  • 注册：您必须注册此功能。

  • 权限：您必须拥有 dataproc.batches.analyze 权限。

    gcloud iam roles update CUSTOM_ROLE_ID --project=PROJECT_ID \
--add-permissions="dataproc.batches.analyze"

  • 为 Dataproc Serverless 启用 Gemini 辅助的问题排查：您可以启用 Gemini 辅助 使用 Google Cloud 控制台、gcloud CLI 或 Dataproc API。在周期性批量工作负载上启用此功能后，Dataproc 会存储工作负载日志的副本 30 天，并使用已保存的日志数据为工作负载提供 Gemini 辅助的问题排查服务。如需了解 Spark 工作负载日志内容，请参阅 Dataproc Serverless for Spark 日志。

控制台

若要在每个周期性 Spark 批处理工作负载上启用 Gemini 辅助问题排查功能，请执行以下步骤：

  1. 在 Google Cloud 控制台中，前往 Dataproc 的批次页面。

    转到 Dataproc 批次

  2. 如需创建批处理工作负载，请点击创建。

  3. 在容器部分，填写同类群组名称，用于将批次标识为一系列周期性工作负载之一。Gemini 辅助分析会应用于第二个及后续工作负载 与此同类群组名称一起提交的查询例如，为运行每日 TPC-H 查询的定期工作负载指定 TPCH-Query1 作为同类群组名称。

  4. 根据需要填写创建批次页面的其他部分，然后点击 提交。如需了解详情，请参阅提交批处理工作负载。

gcloud

在终端窗口或 Cloud Shell 中本地运行以下 gcloud CLI gcloud dataproc batches submit 命令，以便为每个周期性 Spark 批处理工作负载启用 Gemini 辅助问题排查功能：

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

替换以下内容：

  • COMMAND：Spark 工作负载类型，例如 Spark、PySpark、Spark-Sql 或 Spark-R。
  • REGION：工作负载将在其中运行的区域。
  • COHORT：同类群组的名称。 将批次标识为一系列周期性工作负载中的一个。 Gemini 辅助分析会应用于提交的第二项及后续工作负载 此同类群组名称。例如，指定 TPCH Query 1 作为每日运行的计划工作负载的同类群组名称 TPC-H 查询。

API

在 batches.create 请求中添加 RuntimeConfig.cohort 名称，以便为每个周期性 Spark 批处理工作负载启用 Gemini 辅助问题排查。系统会对使用此同类群组名称提交的第二个工作负载及后续工作负载应用 Gemini 辅助分析。例如，指定 TPCH-Query1 作为同类群组名称 用于每日运行 TPC-H 查询。

示例：

...
runtimeConfig:
  cohort: TPCH-Query1
...

Gemini 辅助的 Dataproc Serverless 问题排查

您可在 Google Cloud 控制台中的批次详情和批次列表页面。

  • 调查标签页：批次详情页面上的“调查”标签页 提供了一个“运行状况概览（预览版）”部分，其中 Gemini 辅助的问题排查面板：

    • 对哪些内容进行了自动调优？如果您 已启用自动调节功能 此面板会显示系统对一个或多个工作负载进行的最新自动调节 应用于正在运行的、已完成和失败的工作负载。

    “自动调整调查”面板。

    • 目前发生了什么？以及我可以做些什么？ 点击向 Gemini 提问，获取有助于修正失败工作负载或改进成功但运行缓慢的工作负载的建议。

    “向 Gemini 提问”按钮。

    如果您点击 Ask Gemini（询问 Gemini），Gemini for Google Cloud 会根据工作负载日志、Spark 指标和 Spark 事件生成有关任何错误、异常或亮点的摘要。Google Cloud 专用 Gemini 还会显示一个建议步骤列表，您可以执行这些步骤来修复失败问题 或提升运行成功但运行缓慢的工作负载的性能。

    Gemini for Google Cloud 生成的分析洞见。

  • Gemini 辅助的问题排查列：在 预览版中的 Dataproc 批次列表页面， Google Cloud 控制台包含 What was Autotuned、What is happening now?、 和 What can I do about it? 列。

    批次会列出 Gemini 列。

    系统会显示向 Gemini 提问按钮，并且 仅当已完成的批次处于 Failed、Cancelled 或 Succeeded 状态时才启用。 如果您点击向 Gemini 提问，就可以选择在 Google Cloud 上使用 Gemini。 生成有关工作负载日志、Spark 指标和 Spark 事件中的任何错误、异常或重要信息的摘要。 Gemini for Google Cloud 还会显示一系列建议步骤，以便您修复失败的工作负载或提升成功但运行缓慢的工作负载的性能。

批量指标亮点

在预览版中，Google Cloud 控制台的批处理详情页面包含显示重要批处理工作负载指标值的图表。指标 批次完成后，图表将填入值。

批量指标信息中心。

指标表格

下表列出了 Google Cloud 控制台中的批次详情页面，介绍了指标在 值可帮助您深入了解工作负载状态和性能。

指标 会显示什么内容？
执行器级别的指标
JVM GC 时间与运行时的比率 此指标显示每个执行器的 JVM GC（垃圾回收）时间与运行时的比率。高比率可能表示在特定执行器上运行的任务中存在内存泄漏或数据结构效率不高，这可能会导致对象频繁更替。
溢出到磁盘的字节数 此指标显示溢出到不同执行程序的磁盘字节总数。如果某个执行器显示的磁盘字节数溢出较高，则可能表示数据存在偏差。如果该指标随时间的推移而增加，则可能表示某些阶段存在内存压力或内存泄露。
读取和写入的字节数 此指标显示每个执行器的写入字节数与读取字节数。如果读取或写入的字节数存在较大差异，则可能表示复制联接导致特定执行程序上数据放大的情况。
读取和写入的记录 此指标显示每个执行器读取和写入的记录数。如果读取大量记录，但写入的记录数较少，则可能表示特定执行器的处理逻辑存在瓶颈，导致在等待期间读取记录。如果执行器在读写方面持续存在延迟，则可能表明这些节点存在资源争用问题，或者执行器专用代码效率不高。
Shuffle 写入时间与运行时间的比率 该指标显示的是与总运行时相比，执行器在 Shuffle 运行时中花费的时间。如果对于某些执行器，此值很高，这可能表明存在数据倾斜或数据序列化效率低下。 您可以在 Spark 界面中找出 Shuffle 写入时间较长的阶段。查找这些阶段中完成时间超过平均时间的离群任务。检查 shuffle 写入时间较长的执行器是否也显示较高的磁盘 I/O 活动。执行更高效的序列化和额外的分区步骤可能会有所帮助。与记录读取相比，记录写入量非常大，可能表明由于联接效率低或转换不正确而导致意外的数据复制。
应用级指标
阶段进程 此指标显示处于失败、等待和运行阶段的阶段数量。大量失败或等待阶段可能表明数据存在偏差。使用 Spark 界面中的阶段标签页检查数据分区，并调试阶段失败的原因。
批处理 Spark 执行器 此指标显示可能所需的执行器数量 正在运行的执行器的数量。必需的执行程序和正在运行的执行程序之间存在很大的差异 可能表示自动扩缩问题。
虚拟机级指标
使用的内存 此指标显示正在使用的虚拟机内存所占的百分比。如果主服务器百分比较高，则可能表示驱动程序面临内存压力。对于其他虚拟机节点，百分比较高可能表示执行器正在耗尽内存，这可能会导致磁盘溢出量较高，并使工作负载运行速度变慢。使用 Spark 界面分析执行程序，以检查是否存在较长的 GC 时间和严重的任务失败。此外，还可以调试 Spark 代码，以解决大型数据集缓存和不必要的变量广播问题。

作业日志

在预览版中，Google Cloud 控制台中的批处理详情页面 列出作业（批量工作负载）日志。日志包含过滤出的警告和错误 来自工作负载输出和 Spark 日志的数据。您可以选择“日志” 严重级别，添加过滤条件，然后点击在日志浏览器中查看图标 打开所选的批处理日志 日志浏览器。

示例：从“严重级别”中选择 Errors 后，Logs Explorer 即会打开 选择器（位于 Google Cloud 控制台的批次详情页面上）。

Batch Logs Explorer。