Como fazer o escalonamento automático de clusters

O que é escalonamento automático?

É difícil estimar o número "certo" de workers de cluster (nós) para uma carga de trabalho, e um único tamanho de cluster para um pipeline inteiro geralmente não é o ideal. O escalonamento de cluster iniciado pelo usuário aborda parcialmente esse desafio, mas requer o monitoramento da utilização de cluster e da intervenção manual.

A API AutoscalingPolicies do Dataproc fornece um mecanismo para automatizar o gerenciamento de recursos de cluster e permite o escalonamento automático de clusters. Um Autoscaling Policy é uma configuração reutilizável que descreve como os clusters que usam a política de escalonamento automático precisam ser escalonados. Ele define limites de escala, frequência e agressividade para fornecer controle refinado sobre os recursos do cluster durante a vida útil do cluster.

Quando usar o escalonamento automático

Use o escalonamento automático:

em clusters que armazenam dados em serviços externos, como o Cloud Storage ou o BigQuery

em clusters que processam muitos jobs

para escalonar clusters de job único

com Modo de flexibilidade aprimorado para jobs em lote do Spark

O escalonamento automático não é recomendado com/para:

  • HDFS: o escalonamento automático não se destina ao escalonamento de HDFS no cluster. Se você usar o escalonamento automático com o HDFS, verifique se o número mínimo de workers principais é suficiente para processar todos os dados do HDFS. Observe também que, desativar os Datanodes HDFS pode atrasar o processo de remoção de workers.

  • Rótulos de nó de YARN: o escalonamento automático não é compatível com rótulos de nó de YARN, nem com a propriedade dataproc:am.primary_only devido a YARN-9088 O YARN relata incorretamente as métricas do cluster quando os rótulos dos nós são usados.

  • Structured Streaming do Spark: o escalonamento automático não é compatível com o Structured Streaming do Spark. Veja Escalonamento automático e Structured Streaming do Spark.

  • Clusters inativos: o escalonamento automático não é recomendado para escalonar um cluster até seu tamanho mínimo, quando ele estiver ocioso. O tempo necessário para a criação ou o redimensionamento de um cluster é o mesmo, por isso, pense em excluir clusters inativos e criar novos. As seguintes ferramentas são compatíveis com esse modelo efêmero:

    Use os fluxos de trabalho do Dataproc para programar um conjunto de jobs em um cluster dedicado e exclua o cluster quando os jobs forem concluídos. Para uma orquestração mais avançada, use o Cloud Composer, baseado no Apache Airflow.

    Para clusters que processam consultas ad hoc ou cargas de trabalho agendadas externamente, use a Exclusão agendada de cluster para excluir o cluster após um determinado período de ociosidade ou em um horário específico.

Como ativar o escalonamento automático

Para ativar o escalonamento automático em um cluster:

  1. Crie uma política de escalonamento automático.

  2. Siga uma destas instruções:

    1. Crie um cluster de escalonamento automático ou
    2. ative o escalonamento automático em um cluster atual.

Criar uma política de escalonamento automático

Comando gcloud

Você pode usar o comando gcloud dataproc autoscaling-policies import para criar uma política de escalonamento automático. Ele lê um arquivo YAML local que define uma política de escalonamento automático. O formato e o conteúdo do arquivo precisam corresponder aos objetos de config e aos campos definidos pela API REST autoscalingPolicies.

O exemplo YAML a seguir define uma política que especifica todos os campos obrigatórios. Ele também fornece valores maxInstances para workers primários e secundários (preemptivos) e também especifica um cooldownPeriod de quatro minutos (o padrão é dois minutos).

workerConfig:
  maxInstances: 100
secondaryWorkerConfig:
  maxInstances: 50
basicAlgorithm:
  cooldownPeriod: 2m
  yarnConfig:
    scaleUpFactor: 0.05
    scaleDownFactor: 1.0
    gracefulDecommissionTimeout: 1h

Veja outro exemplo de YAML que especifica todos os campos de política de escalonamento automático opcionais e obrigatórios.

workerConfig:
  minInstances: 2
  maxInstances: 100
  weight: 1
secondaryWorkerConfig:
  minInstances: 0
  maxInstances: 100
  weight: 1
basicAlgorithm:
  cooldownPeriod: 2m
  yarnConfig:
    scaleUpFactor: 0.05
    scaleDownFactor: 1.0
    scaleUpMinWorkerFraction: 0.0
    scaleDownMinWorkerFraction: 0.0
    gracefulDecommissionTimeout: 1h

Execute o comando gcloud a seguir em um terminal local ou no Cloud Shell para criar a política de escalonamento automático. Forneça um nome para a política. Esse nome se tornará a política id, que poderá ser usada em comandos gcloud posteriores para fazer referência à política. Use a sinalização --source para especificar o caminho do arquivo local e o nome do arquivo YAML da política de escalonamento automático a ser importado.

gcloud dataproc autoscaling-policies import policy-name \
    --source=filepath/filename.yaml \
    --region=region

API REST

Crie uma política de escalonamento automático definindo uma AutoscalingPolicy como parte de uma solicitação autoscalingPolicies.create.

Console

Para criar uma política de escalonamento automático, selecione "CRIAR POLÍTICA" na página Políticas de escalonamento automático do Dataproc usando o Console do Cloud. Na página Criar política, selecione um painel de recomendações de política para preencher os campos de política de escalonamento automático de um tipo de job ou objetivo de escalonamento específico.

Criar um cluster de escalonamento automático

Depois de criar uma política de escalonamento automático, crie um cluster que use a política de escalonamento automático. O cluster precisa estar na mesma região da política de escalonamento automático.

Comando gcloud

Execute o seguinte comando gcloud em um terminal local ou no Cloud Shell para criar um cluster de escalonamento automático. Forneça um nome para o cluster e use a sinalização --autoscaling-policy para especificar o policy id (o nome da política especificada quando você criou a política) ou a política resource URI (resource name) (consulte os campos AutoscalingPolicy id e name).

gcloud dataproc clusters create cluster-name \
    --autoscaling-policy=policy id or resource URI \
    --region=region

API REST

Crie um cluster de escalonamento automático incluindo um AutoscalingConfig como parte de uma solicitação clusters.create.

Console

É possível selecionar uma política de escalonamento automático existente para aplicar a um novo cluster. Basta acessar a seção "Política de escalonamento automático" no painel "Configurar cluster" na página Criar um cluster do Dataproc no Console do Cloud.

Ativar o escalonamento automático em um cluster atual

Depois de criar uma política de escalonamento automático, é possível ativar a política em um cluster atual na mesma região.

Comando gcloud

Execute o seguinte comando gcloud em um terminal local ou no Cloud Shell para ativar uma política de escalonamento automático em um cluster atual. Forneça o nome do cluster e use a sinalização --autoscaling-policy para especificar o policy id (o nome da política especificada ao criar a política). ou a política resource URI (resource name) (consulte os campos AutoscalingPolicy id e name).

gcloud dataproc clusters update cluster-name \
    --autoscaling-policy=policy id or resource URI \
    --region=region

API REST

Para ativar uma política de escalonamento automático em um cluster atual, defina o AutoscalingConfig.policyUri da política no updateMask de uma solicitação clusters.patch.

Console

No momento, não é possível ativar uma política de escalonamento automático em um cluster atual no Console do Google Cloud.

Uso da política de vários clusters

  • Uma política de escalonamento automático define o comportamento de escalonamento que pode ser aplicado a vários clusters. Uma política de escalonamento automático é melhor aplicada em vários clusters quando eles compartilham cargas de trabalho semelhantes ou executam jobs com padrões de uso de recursos semelhantes.

  • É possível atualizar uma política que está sendo usada por vários clusters. As atualizações afetam imediatamente o comportamento de escalonamento automático de todos os clusters que usam a política. Consulte autoscalingPolicies.update. Se você não quiser que uma atualização de política seja aplicada a um cluster que esteja usando a política, desative o escalonamento automático no cluster antes de atualizá-la.

Comando gcloud

Execute o comando gcloud a seguir em um terminal local ou no Cloud Shell para desativar o escalonamento automático em um cluster.

gcloud dataproc clusters update cluster-name --disable-autoscaling \
    --region=region

API REST

Para desativar o escalonamento automático em um cluster, defina AutoscalingConfig.policyUri para a string vazia e defina update_mask=config.autoscaling_config.policy_uri em uma solicitação clusters.patch.

Console

Atualmente, não é possível desativar o escalonamento automático em um cluster no Console do Google Cloud.

Como o escalonamento automático funciona

As métricas da YARN do Hadoop do cluster são verificadas pelo escalonamento automático, no decorrer de cada período de "resfriamento", para definir se o cluster precisa ser escalonado e qual a magnitude da atualização.

  1. Em cada avaliação, o escalonamento automático examina a média de memória do cluster pendente e disponível no último cooldown_period para determinar a alteração exata necessária no número de workers:

    exact Δworkers = avg(pending memory - available memory) / memory per node manager

    • pending memory é um sinal de que há tarefas em fila no cluster, ainda não executadas, e que talvez seja necessário escaloná-lo para que haja melhor tratamento da respectiva carga de trabalho.
    • available memory é um sinal de que o cluster tem largura de banda extra em nós íntegros e pode precisar ser reduzido para economizar recursos.
    • Para mais informações sobre essas métricas do YARN do Apache Hadoop, veja Escalonamento automático com o Hadoop e o Spark.
  2. Dada a alteração exata necessária para o número de workers, o escalonamento automático usa um scaleUpFactor ou scaleDownFactor para calcular a alteração real no número de workers:

    if exact Δworkers > 0:
      actual Δworkers = ROUND_UP(exact Δworkers * scaleUpFactor)
      # examples:
      # ROUND_UP(exact Δworkers=5 * scaleUpFactor=0.5) = 3
      # ROUND_UP(exact Δworkers=0.8 * scaleUpFactor=0.5) = 1
    else:
      actual Δworkers = ROUND_DOWN(exact Δworkers * scaleDownFactor)
      # examples:
      # ROUND_DOWN(exact Δworkers=-5 * scaleDownFactor=0.5) = -2
      # ROUND_DOWN(exact Δworkers=-0.8 * scaleDownFactor=0.5) = 0
      # ROUND_DOWN(exact Δworkers=-1.5 * scaleDownFactor=0.5) = 0
    
    Um scaleUpFactor ou scaleDownFactor de 1.0 significa que o escalonamento automático será dimensionado para que a memória pendente/disponível seja zero (utilização perfeita).

  3. Quando a alteração real no número de workers for calculada, scaleUpMinWorkerFraction e scaleDownMinWorkerFraction age como um limite para determinar se o cluster será escalonado pelo escalonamento automático. Uma pequena fração significa que o escalonamento automático precisa ser escalonado mesmo que o Δworkers seja pequeno. Uma fração maior significa que o escalonamento só pode ocorrer quando o Δworkers é grande.

    if (Δworkers >  scaleUpMinWorkerFraction* cluster size) then scale up
    ou
    if (abs(Δworkers) >  scaleDownMinWorkerFraction* cluster size) then scale down

  4. Se o número de workers a escalonar for grande o suficiente para acionar o escalonamento, o escalonamento automático usará os limites minInstances maxInstances de workerConfig e secondaryWorkerConfig e weight (proporção de workers primários e secundários) para determinar como dividir o número de workers entre os grupos de instâncias de worker primário e secundário. O resultado desses cálculos é a alteração final de escalonamento automático no cluster para o período de escalonamento.

Recomendações de configuração de escalonamento automático

Evite escalonar os workers principais

Os workers principais executam HDFS Datanodes, enquanto os workers secundários são workers somente para computação. O Namenode do HDFS tem várias disputas que fazem com que o HDFS fique em um estado corrompido que faz com que a desativação seja interrompida para sempre. Evite escalonar os workers principais para evitar esses problemas. Exemplo:

workerConfig:
  minInstances: 10
  maxInstances: 10
secondaryWorkerConfig:
  minInstances: 0
  maxInstances: 100

Algumas modificações precisam ser feitas no comando de criação do cluster:

  1. Defina --num-workers=10 para corresponder ao tamanho do grupo de workers principais da política de escalonamento automático.
  2. Defina --secondary-worker-type=non-preemptible para configurar workers secundários como não preemptivos. (a menos que as VMs preemptivas sejam necessárias).
  3. Copie a configuração de hardware de workers principais para workers secundários. Por exemplo, defina --secondary-worker-boot-disk-size=1000GB para corresponder a --worker-boot-disk-size=1000GB.

Use o modo de flexibilidade aprimorado para jobs em lote do Spark

Consulte Modo de flexibilidade aprimorado. O modo de flexibilidade aprimorado gerencia dados embaralhados para minimizar os atrasos de progresso do job causados pela remoção de nós de um cluster em execução por meio de escalonamento automático ou preempção.

Com o EFM ativado, o tempo limite de desativação otimizada de uma política de escalonamento automático precisa ser definido como 0s. A política de escalonamento automático só precisa escalonar os workers secundários automaticamente. O modo de flexibilidade aprimorado também permite o uso seguro de workers secundários preemptivos (--secondary-worker-type=preemptible).

Como escolher um tempo limite de desativação otimizada

O escalonamento automático é compatível com a desativação otimizada do YARN ao remover nós de um cluster. A desativação otimizada permite que os aplicativos concluam a reprodução aleatória de dados entre cenários para evitar a definição do andamento do job. O tempo limite de desativação otimizada fornecido em uma política de escalonamento automático é o limite máximo da duração que o YARN aguardará pela execução dos aplicativos (o aplicativo que estava em execução durante a desativação) antes como remover nós.

O tempo limite de desativação otimizada precisa ser definido com um valor maior que o job mais longo processado por um cluster. Por exemplo, 1h

Pense na migração de jobs que levam mais de uma hora para os próprios clusters efêmeros para evitar o bloqueio da desativação otimizada.

Como definir scaleUpFactor

scaleUpFactor controla a intensidade com que o escalonador automático aumenta um cluster. É um número entre 0.0 e 1.0 que representa a porcentagem de memória pendente do YARN que será adicionada aos nós.

Por exemplo, se houver 100 contêineres pendentes solicitando 512 MB cada, haverá 50 GB de memória pendente do YARN. Se scaleUpFactor for 0.5, o escalonador automático adicionará nós suficientes para adicionar 25 GB de memória do YARN. Da mesma forma, se for 0.1, o escalonador automático adicionará nós suficientes para 5 GB. Observe que esses valores correspondem à memória do YARN, não à memória total disponível fisicamente em uma VM.

Um bom ponto de partida é 0.05 para jobs do MapReduce e jobs do Spark com a alocação dinâmica ativada. Para os jobs do Spark com uma contagem de executores fixos e jobs do Tez, use 1.0.

Como definir scaleDownFactor

scaleDownFactor controla a intensidade com que o escalonador automático reduz o escalonamento de um cluster. É um número entre 0.0 e 1.0 que representa a porcentagem de memória disponível do YARN para remover nós.

Deixe esse valor em 1.0 para a maioria dos clusters de vários jobs. Devido à desativação otimizada, as operações de redução de escalonamento são significativamente mais lentas do que as de aumento de escalonamento. A definição de scaleDownFactor=1.0 configura a redução agressiva de escalonamento, o que minimiza o número de operações de redução de escalonamento para atingir o tamanho de cluster apropriado.

Defina esse valor como 0.0 para evitar a redução de escalonamento do cluster (por exemplo, em clusters efêmeros).

Definindo scaleUpMinWorkerFraction e scaleDownMinWorkerFraction

scaleUpMinWorkerFraction e scaleDownMinWorkerFraction assumem 0.0 como padrão e representam os limites em que o escalonador automático escolherá para aumentar ou reduzir o escalonamento do cluster. scaleUpMinWorkerFraction controla a porcentagem mínima de aumento no tamanho do cluster necessária para emitir uma solicitação de atualização. Por exemplo, se o escalonador automático quiser adicionar 5 workers a um cluster de 100 nós, scaleUpMinWorkerFraction precisará ser menor ou igual a 0,05 (5%) para realmente fazer a atualização. Se fosse 0,1, o escalonador automático não escalonaria o cluster.

Da mesma forma, scaleDownMinWorkerFraction representa um limite para a fração de nós atualmente no cluster que precisam ser removidos para que uma solicitação de redução de escalonamento seja emitida. Se scaleDownMinWorkerFraction for 0,05, em um cluster de 100 nós, o escalonador automático não emitirá uma atualização, a não ser que pelo menos cinco nós precisem ser removidos.

O valor padrão de 0.0 significa que não há limite. A definição de limites pode ser útil em clusters grandes (mais de 100 nós) para evitar operações de escalonamento pequenas e desnecessárias.

Como escolher um período de espera

O cooldownPeriod mínimo e padrão é de dois minutos. Se um cooldownPeriod mais curto for definido em uma política, as alterações de carga de trabalho afetarão mais rapidamente o tamanho do cluster, mas os clusters podem aumentar e diminuir o escalonamento desnecessariamente. A prática recomendada é definir scale_up, scale_down e min_worker_fractions da política como um valor diferente de zero ao usar um cooldownPeriod mais curto. Isso garante que o cluster só aumente ou diminua quando a alteração na utilização da memória for suficiente para garantir uma atualização do cluster.

Limites de contagem de workers e pesos de grupo

Cada grupo de workers tem minInstances e maxInstances que configuram um limite absoluto no tamanho de cada grupo.

Cada grupo também tem um parâmetro chamado weight que configura o equilíbrio de destino entre os dois grupos. Observe que esse parâmetro é apenas uma dica e, se um grupo atingir o tamanho mínimo ou máximo, os nós só serão adicionados ou removidos do outro grupo. Assim, weight quase sempre pode ser deixado no 1 padrão.

Métricas e registros de escalonamento automático

Os recursos e ferramentas a seguir podem ajudá-lo a monitorar operações de escalonamento automático e respectivos efeitos no seu cluster e nos seus jobs.

Cloud Monitoring

Use o Cloud Monitoring para:

  • ver as métricas usadas pelo escalonamento automático;
  • ver o número de administradores de nodes no cluster;
  • entender porque o escalonamento automático fez ou não o escalonamento do cluster. autoscaling-stackdriver1 autoscaling-stackdriver2 autoscaling-stackdriver3

Cloud Logging

Use o Cloud Logging para ver os registros do Cloud Dataproc Autoscaler.

1) Encontre registros para o cluster.

autoscaling-logs-for-cluster

2) Selecione dataproc.googleapis.com/autoscaler.

autoscaling-log-file

3) Expanda as mensagens de registro para visualizar o campo status. Os registros estão em JSON, um formato legível por máquina.

autoscaling-three-logs autoscaling-update-operation

4) Expanda a mensagem de registro para ver recomendações de escalonamento, métricas usadas para decisões de escalonamento, o tamanho do cluster original e o novo tamanho do cluster de destino.

autoscaling-recommendation-message

Segundo plano: como fazer o escalonamento automático com o Apache Hadoop e o Apache Spark

Nas seções a seguir, abordamos a maneira de interoperação do escalonamento automático com o YARN do Hadoop e o Hadoop Mapreduce e com o Apache Spark, o Spark Streaming e o Spark Structured Streaming.

Métricas do YARN do Hadoop

A configuração do YARN do Hadoop para agendar jobs com base nas solicitações de memória do YARN é feita no escalonamento automático e não nas solicitações principais do YARN.

O escalonamento automático é centralizado nas seguintes métricas do YARN do Hadoop:

  1. Allocated memory refere-se ao total de memória YARN ocupada pela execução de contêineres em todo o cluster. Se houver 6 contêineres em execução que podem usar até 1 GB, haverá 6 GB de memória alocada.

  2. Available memory é a memória YARN no cluster que não é usada pelos contêineres alocados. Se houver 10 GB de memória em todos os gerenciadores de nós e 6 GB de memória alocada, há 4 GB de memória disponível. Se houver memória disponível (não utilizada) no cluster, com o escalonamento automático é possível remover workers do cluster.

  3. Pending memory é a soma das solicitações de memória do YARN para contêineres pendentes. Os contêineres pendentes aguardam espaço para serem executados no YARN. A memória pendente só será diferente de zero se a memória disponível for zero ou pequena demais para ser alocada no próximo contêiner. Se houver contêineres pendentes, com o escalonamento automático será possível adicionar workers ao cluster.

É possível visualizar essas métricas no Cloud Monitoring. Por padrão, a memória YARN será de 0,8 * de memória total no cluster, com memória restante reservada para outros daemons e uso do sistema operacional, como o cache da página. É possível substituir o valor padrão pela configuração de configuração "yarn.nodemanager.resource.memory-mb" do YARN. Consulte Apache Hadoop YARN, HDFS, Spark e propriedades relacionadas.

Escalonamento automático e o Hadoop MapReduce

Com o MapReduce é executado cada mapa e reduzida a tarefa como um contêiner YARN separado. Quando um job começa, por meio do MapReduce são enviadas solicitações de contêiner para cada tarefa do mapa, resultando em grande aumento na memória pendente do YARN. À medida que as tarefas do mapa terminam, a memória pendente diminui.

Quando mapreduce.job.reduce.slowstart.completedmaps é concluído (95% por padrão no Dataproc), o MapReduce enfileira solicitações de contêiner para todos os redutores, resultando em outro pico na memória pendente.

A menos que as tarefas de mapa e redução demorem vários minutos ou mais, não defina um valor alto para o escalonamento automático scaleUpFactor. Adicionar workers ao cluster demora pelo menos 1,5 minuto, portanto, verifique se há trabalho pendente suficiente para utilizar o novo worker por vários minutos. Um bom ponto de partida é definir scaleUpFactor como 0,05 (5%) ou 0,1 (10%) da memória pendente.

Escalonamento automático e o Spark

Por meio do Spark, uma camada extra de agendamento é adicionada no topo do YARN. Especificamente, a alocação dinâmica do Spark Core faz solicitações ao YARN de contêineres para executar executores do Spark e, em seguida, programa tarefas do Spark em linhas de execução nesses executores. Com os clusters do Dataproc é feita a alocação dinâmica por padrão, portanto, os executores são adicionados e removidos conforme necessário.

No Spark, sempre é feita a solicitação de contêineres para o YARN, mas sem a alocação dinâmica, a solicitação só é feita no início do job. Com a alocação dinâmica, será feita a solicitação para a remoção de contêineres ou criação de novos, conforme a necessidade.

O Spark é iniciado com um número reduzido de executores - 2, em clusters de escalonamento automático - e o número de executores é duplicado enquanto houver tarefas acumuladas. Isso suaviza a memória pendente (menor número de picos de memória pendentes). É recomendado definir scaleUpFactor de escalonamento automático como um número grande, como 1.0 (100%), para jobs do Spark.

Como desativar a alocação dinâmica do Spark

Se você estiver executando jobs separados do Spark que não se beneficiam da alocação dinâmica do Spark, desative a alocação dinâmica do Spark definindo spark.dynamicAllocation.enabled=false e spark.executor.instances. É possível ainda usar o escalonamento automático para escalonar os clusters para mais ou para menos, enquanto os jobs separados do Spark são executados.

Jobs do Spark com dados armazenados em cache

Defina spark.dynamicAllocation.cachedExecutorIdleTimeout ou remova os conjuntos de dados em cache quando eles não forem mais necessários. Por padrão, o Spark não remove os executores que têm dados armazenados em cache, o que evitaria a redução de escalonamento do cluster.

Escalonamento automático e o Spark Streaming

  1. Como o Spark Streaming tem a própria versão de alocação dinâmica, que usa sinais específicos de fluxo para adicionar e remover executores, defina spark.streaming.dynamicAllocation.enabled=true e desative a alocação dinâmica do Spark Core definindo spark.dynamicAllocation.enabled=false.

  2. Não use Desativação otimizada (escalonamento automático gracefulDecommissionTimeout) com jobs do Spark Streaming. Em vez disso, para remover com segurança os workers com escalonamento automático, configure o checkpoint para tolerância a falhas.

Como alternativa, para usar o Spark Streaming sem o escalonamento automático:

  1. Desative a alocação dinâmica do Spark Core (spark.dynamicAllocation.enabled=false) e
  2. defina o número de executores (spark.executor.instances) para o job. Veja Propriedades do cluster.

Escalonamento automático e o Spark Structured Streaming

O escalonamento automático não é compatível com o Spark Structured Streaming, porque este último não oferece suporte à alocação dinâmica. Veja SPARK-24815: o Structured Streaming é compatível com a alocação dinâmica.

Como controlar o escalonamento automático com particionamento e paralelismo

Geralmente, o paralelismo é definido ou determinado pelos recursos do cluster. Por exemplo, o número de blocos do HDFS bloqueia o número de tarefas, com o escalonamento automático, a conversão se aplica: o escalonamento automático define o número de workers de acordo com o paralelismo do job. A seguir, as diretrizes para definir o paralelismo de jobs:

  • Mesmo que o Dataproc defina o número padrão de tarefas de redução do MapReduce com base no tamanho inicial do cluster, é possível definir mapreduce.job.reduces para aumentar o paralelismo da fase de redução.
  • O paralelismo do Spark SQL e do DataFrame é determinado por spark.sql.shuffle.partitions, que tem como padrão 200.
  • As funções RDD do Spark são padronizadas para spark.default.parallelism, que é definido como o número de núcleos nos nós de trabalho quando o job é iniciado. No entanto, todas as funções RDD que criam embaralhamentos usam um parâmetro para o número de partições, que substitui spark.default.parallelism.

É preciso garantir que os dados sejam particionados de maneira uniforme. Se houver uma distorção significativa de chave, uma ou mais tarefas podem demorar bem mais do que outras, resultando em baixa utilização.

Configurações de propriedades padrão de escalonamento automático do Spark/Hadoop

Os clusters de escalonamento automático têm valores de propriedade de cluster padrão que ajudam a evitar a falha nos jobs, quando os workers principais são removidos ou quando os workers secundários são preteridos. É possível substituir esses valores padrão ao criar um cluster com escalonamento automático (consulte Propriedades do cluster).

Padrões para aumentar o número máximo de novas tentativas para tarefas, mestres de aplicativos e cenários:

yarn:yarn.resourcemanager.am.max-attempts=10
mapred:mapreduce.map.maxattempts=10
mapred:mapreduce.reduce.maxattempts=10
spark:spark.task.maxFailures=10
spark:spark.stage.maxConsecutiveAttempts=10

Padrões para redefinir os contadores de novas tentativas (útil para jobs de execução lenta do Spark Streaming):

spark:spark.yarn.am.attemptFailuresValidityInterval=1h
spark:spark.yarn.executor.failuresValidityInterval=1h

Padrões para fazer com que o mecanismo de alocação dinâmica do Spark de inicialização lenta comece com um tamanho pequeno:

spark:spark.executor.instances=2

Perguntas frequentes

O escalonamento automático pode ser ativado em clusters de alta disponibilidade e em clusters de nó único?

O escalonamento automático pode ser ativado em clusters de alta disponibilidade, mas não em clusters de nó único, porque estes não são compatíveis com redimensionamento.

É possível redimensionar manualmente um cluster de escalonamento automático?

Sim É possível redimensionar manualmente um cluster para interromper intervalos, ao ajustar uma política de escalonamento automático. No entanto, essas alterações terão apenas um efeito temporário, e o escalonamento automático acabará redimensionando novamente o cluster.

Em vez de redimensionar manualmente um cluster de escalonamento automático, considere:

Atualização da política de escalonamento automático. Todas as alterações feitas na política de escalonamento automático afetarão todos os clusters que atualmente usam a política (consulte Uso da política de vários clusters).

Desanexar a política e escalonar manualmente o cluster para o tamanho preferencial.

Como receber suporte do Dataproc.

Qual é a diferença entre o Dataproc e o escalonamento automático do Dataflow?

Veja Comparação entre o escalonamento automático do Cloud Dataflow, do Spark e do Hadoop

A equipe de desenvolvimento do Dataproc pode redefinir o status de um cluster de ERROR para RUNNING?

Em geral, não. Isso requer esforço manual para verificar se é seguro redefinir o estado do cluster e geralmente não é possível redefini-lo sem outras etapas manuais, como reiniciar o Namenode do HDFS.

O Dataproc define o status de um cluster como ERROR quando não consegue determinar o status de um cluster após uma operação com falha. Os clusters em ERROR não terão mais escalonamento automático nem executarão jobs. Estas são as causas mais comuns:

  1. Erros retornados da API Compute Engine, geralmente durante interrupções do Compute Engine.

  2. HDFS entra em um estado corrompido devido a bugs na desativação do HDFS.

  3. Erros da API Dataproc Control, como "O lease de tarefas expirou"

Estamos trabalhando para melhorar a resiliência do Dataproc a esses problemas.

Por enquanto, exclua e recrie clusters com status ERROR.