Dataproc 작업 수명

이 페이지에서는 Dataproc 작업의 제출, 실행, 완료와 관련된 단계의 순서에 대해 설명합니다. 또한 작업 제한 및 디버깅에 대해서도 다룹니다.

Dataproc 작업 흐름

  1. 사용자가 작업을 Dataproc에 제출합니다.
  2. 작업이 dataproc 에이전트에 의해 획득될 때까지 기다립니다.
    • 작업이 획득되면 JobStatus.State가 RUNNING로 표시됩니다.
    • 에이전트 오류, Compute Engine 네트워크 오류나 다른 원인으로 인해 작업이 획득되지 않으면 작업이 ERROR로 표시됩니다.
  3. 작업을 에이전트가 획득했으면 에이전트는 Dataproc 클러스터의 마스터 노드에 드라이버를 시작하는 데 이용 가능한 리소스가 충분한지 확인합니다.
    • 충분한 리소스를 이용할 수 없는 경우 작업이 지연됩니다(제한됨). JobStatus.Substate는 작업을 QUEUED로 표시하고 Job.JobStatus.details는 지연 원인에 대한 정보를 제공합니다.
  4. 이용할 수 있는 리소스가 충분하면 dataproc 에이전트가 작업 드라이버 프로세스를 시작합니다.
    • 이 단계에서는 일반적으로 하나 이상의 애플리케이션이 Apache Hadoop YARN에서 실행됩니다. 그러나 드라이버가 Cloud Storage 디렉토리 스캔 또는 다른 시작 작업 태스크 수행을 완료한 후에 Yarn 애플리케이션이 시작됩니다.
  5. dataproc 에이전트는 작업 진행상황, 클러스터 측정항목, 작업과 관련된 Yarn 애플리케이션에 대한 업데이트를 주기적으로 Dataproc에 보냅니다(작업 모니터링 및 디버깅 참조).
  6. Yarn 애플리케이션이 완료됩니다.
    • 드라이버가 수집 구체화 같은 작업 완료 태스크를 수행하는 동안 작업은 계속 RUNNING으로 보고됩니다.
    • 기본 스레드에서 처리되지 않거나 포착되지 않은 오류는 드라이버를 좀비 상태(오류 원인에 대한 정보 없이 RUNNING으로 표시됨)로 남겨둘 수 있습니다.
  7. 드라이버가 종료됩니다. dataproc 에이전트가 Dataproc에 완료를 보고합니다.
    • Dataproc은 작업을 DONE으로 보고합니다.

작업 동시 실행

클러스터를 만들 때 dataproc:dataproc.scheduler.max-concurrent-jobs 클러스터 속성을 사용하여 최대 동시 Dataproc 작업 수를 구성할 수 있습니다. 이 속성 값이 설정되지 않은 경우 동시 작업의 상한은 max((masterMemoryMb - 3584) / masterMemoryMbPerJob, 5)로 계산됩니다. masterMemoryMb는 마스터 VM의 머신 유형에 따라 결정됩니다. masterMemoryMbPerJob은 기본적으로 1024이지만 클러스터 생성 시 dataproc:dataproc.scheduler.driver-size-mb 클러스터 속성으로 구성할 수 있습니다.

다음 단계