Nœuds de calcul secondaires Dataproc

En plus d'utiliser des VM Compute Engine standards en tant que nœuds de calcul Dataproc (appelés nœuds de calcul "principaux"), les clusters Dataproc peuvent utiliser des nœuds de calcul secondary.

Les caractéristiques suivantes s'appliquent à tous les nœuds de calcul secondaires d'un cluster Dataproc :

• Traitement uniquement : les nœuds de calcul secondaires ne stockent pas de données. Ils fonctionnent uniquement comme nœuds de traitement. Par conséquent, vous pouvez utiliser les nœuds de calcul secondaires pour adapter le calcul sans effectuer le scaling de l'espace de stockage.

• Aucun cluster de nœud de calcul secondaire uniquement : votre cluster doit comporter des nœuds de calcul principaux. Si vous créez un cluster et que vous ne spécifiez pas le nombre de nœuds de calcul principaux, Dataproc ajoute deux nœuds de calcul principaux au cluster.

• Type de machine : par défaut, les nœuds de calcul secondaires utilisent le type de machine des nœuds de calcul primaires du cluster. Par exemple, si vous créez un cluster avec des nœuds de calcul principaux utilisant des types de machines n1-standard-4, tous les nœuds de calcul secondaires ajoutés utiliseront également des machines n1-standard-4.

  Au lieu d'utiliser le type de machine par défaut des nœuds de calcul principaux pour les nœuds de calcul secondaires, vous pouvez spécifier une ou plusieurs listes de types de machines classées pour les nœuds de calcul secondaires. Pour en savoir plus, consultez la page VM flexibles Dataproc.

• Taille de disque persistant : par défaut, les nœuds de calcul secondaires sont créés avec une taille de disque de démarrage égale à celle du nœud de calcul primaire ou à 100 Go, selon la valeur qui est la plus faible. Cet espace disque est utilisé pour la mise en cache locale des données et n'est pas disponible via HDFS. Vous pouvez remplacer la taille de disque par défaut à l'aide de la commande gcloud dataproc clusters create --secondary-worker-boot-disk-size lors de la création du cluster. Vous pouvez spécifier cette option même si le cluster sont associés à des nœuds de calcul secondaires lors de leur création.

• Création asynchrone : lorsque vous ajoutez des nœuds de calcul secondaires en créant ou en faisant évoluer un cluster, les nœuds de calcul secondaires peuvent ne pas être provisionnés une fois l'opération de création ou de mise à jour terminée. En effet, Dataproc gère les nœuds de calcul secondaires à l'aide des groupes d'instances gérés (MIG, Managed Instance Groups), qui créent des VM de manière asynchrone dès qu'ils peuvent être provisionnés (consultez la sectionVérifier l'état des instances gérées).

Nœuds de calcul secondaires préemptifs et non préemptifs

Il existe trois types de nœuds de calcul secondaires: les VM Spot, des VM préemptives standards, et VM non préemptives. Si vous spécifiez des nœuds de calcul secondaires pour votre cluster, ils doivent être du même type. Le service Dataproc par défaut le type de nœud de calcul secondaire est la VM préemptive standard.

Exemple: Si vous sélectionnez trois nœuds de calcul secondaires lors de la création d'un cluster, vous pouvez spécifier que les trois seront des VM Spot, ou que les trois seront des VM Spot (standard) des VM préemptives, ou les trois sont des VM non préemptives, mais vous ne pouvez pas spécifier que chacun sera d'un type différent.

Les VM Spot sont le dernier type de VM Compute Engine une VM préemptive. Elle partage le modèle de tarification à bas coût des VM préemptives standards, mais contrairement à la VM préemptive standard dont la durée de vie maximale est de 24 heures, la VM Spot n'a pas de durée de vie maximale. Les nœuds de calcul VM préemptifs standards et Spot sont récupérés et supprimés d'un cluster Dataproc s'ils sont requis par Google Cloud pour d'autres tâches.

Nœuds de calcul préemptifs

Remarque : Lorsque le terme "préemptif" est utilisé dans les sections suivantes pour désigner une VM, un nœud ou un nœud de calcul, il fait référence à la fois aux types de VM préemptifs standards et préemptifs Spot, sauf s'il est utilisé pour désigner expressément le type de VM "préemptif standard" uniquement.

• Bien que la suppression potentielle des nœuds de calcul préemptifs puisse affecter la stabilité des jobs, vous pouvez décider d'utiliser des instances préemptives pour réduire les coûts de calcul par heure pour le traitement de données non critiques ou pour créer de très grands clusters coût total (vous pouvez utiliser le simulateur de coût Google Cloud pour estimer les coûts).

• Pour de meilleurs résultats, le nombre de nœuds de calcul préemptifs dans votre cluster doit être inférieure à 50% du nombre total de nœuds de calcul (principaux plus tous les nœuds de calcul secondaires) de votre cluster.

• Lorsque vous utilisez des nœuds de calcul préemptifs, il est fort probable que vos jobs plus d'échecs temporaires de tâches à un seul nœud de calcul par rapport aux tâches sur des nœuds de calcul non préemptifs. Pour accroître la tolérance des tâches d'échecs, vous pouvez définir des valeurs de propriété de cluster semblables à celles Valeurs de propriété par défaut utilisées avec les clusters d'autoscaling afin d'augmenter le nombre maximal de tentatives et d'éviter d'échecs.

  Pensez à utiliser Amélioré le mode Flexibilité si vous utilisez des VM préemptives avec Spark.

• Considération des économies:l'utilisation de VM préemptives ne permet pas toujours d'économiser car les préemptions peuvent prolonger l'exécution des jobs et entraîner des coûts de travail plus élevés. Bien que l'utilisation du mode de flexibilité améliorée (EFM) avec des VM préemptives puisse aider à atténuer ce résultat, les économies de coûts globales des VM préemptives varient selon chaque cas d'utilisation. En général, les emplois de courte durée adaptée à l'utilisation de VM préemptive, car la probabilité de préemption pendant le job sera plus faible. Essayez différentes options de job, comme ne pas utiliser de VM préemptives et des VM préemptives avec EFM, pour estimer les coûts et parvenir à la meilleure solution.

Nœuds de calcul non préemptifs

• Vous pouvez créer un cluster avec des nœuds de calcul secondaires non préemptifs pour effectuer un scaling sans sacrifier la stabilité du job. Pour ce faire, spécifiez "non-préemptif" comme type de nœud de calcul secondaire.

Utiliser des nœuds de calcul secondaires

Vous pouvez spécifier le nombre et le type de nœuds de calcul secondaires lorsque vous créez un cluster à l'aide de la console Google Cloud ; gcloud CLI ou l'API Dataproc.

• Les nœuds de calcul secondaires doivent être du même type.
• Vous pouvez mettre à jour votre cluster après sa création pour modifier le nombre, mais pas le type, de nœuds de calcul secondaires de votre cluster.
• Les mises à jour de libellés se propagent à tous les nœuds de calcul secondaires préemptifs dans les 24 heures. Les mises à jour de libellés ne se propagent pas aux nœuds de calcul secondaires existants non préemptifs. Les mises à jour de libellés sont appliquées à tous les nœuds de calcul ajoutés à un cluster après une mise à jour de libellé. Par exemple, si vous effectuez un scaling à la hausse du cluster, tous les nouveaux nœuds de calcul principal et secondaire se verront affecter de nouveaux libellés.

Si vous prévoyez d'ajouter des nœuds de calcul secondaires à un cluster plus tard. Vous pouvez spécifier 0 nœuds de calcul secondaires (exemple d'option de commande gcloud : --num-secondary-workers=0) lorsque vous créez votre cluster, puis mettre à jour le cluster ultérieurement pour spécifier un nombre positif et un type de nœuds de calcul secondaires. Si vous prévoyez de mettre à jour votre cluster ultérieurement pour inclure des nœuds de calcul secondaires, vous devez spécifier le paramètre "secondary-worker-type" lorsque vous créez le cluster.

Console

Vous pouvez spécifier le nombre de nœuds de calcul secondaires lors de la création d'un cluster Dataproc à partir de la console Google Cloud. Une fois le cluster créé, vous pouvez ajouter et supprimer des nœuds de calcul secondaires en modifiant la configuration du cluster dans la console Google Cloud.

Créer un cluster avec des nœuds de calcul secondaires

Vous pouvez définir le nombre et le type de nœuds de calcul secondaires à appliquer à un nouveau cluster dans la section "Nœuds de calcul secondaires" du panneau "Configurer les nœuds" de la page Dataproc Créer un cluster dans la console Google Cloud. Spécifiez le nombre et le type de nœuds de calcul secondaires dans les champs "Nœuds de calcul secondaires" et "Préemption".

Mettre à jour un cluster avec des instances secondaires

Pour mettre à jour le nombre de nœuds de calcul secondaires dans un cluster, cliquez sur le nom du cluster sur la page Clusters de la console Google Cloud. Sur la page Détails du cluster, cliquez sur l'onglet CONFIGURATION, puis cliquez sur MODIFIER et mettez à jour le numéro dans le champ "Nœuds de calcul secondaires".

Supprimer toutes les instances préemptives d'un cluster

Pour supprimer tous les nœuds de calcul secondaires d'un cluster, mettez à jour la configuration du cluster comme expliqué précédemment, en spécifiant 0 dans le champ "Nœuds de calcul secondaires".

Commande gcloud

Utilisez la commande gcloud dataproc clusters create pour ajouter des nœuds de calcul secondaires à un cluster lors de la création du cluster. Une fois le cluster créé, vous pouvez ajouter ou supprimer des nœuds de calcul secondaires vers ou depuis le cluster à l'aide de la commande gcloud dataproc clusters update (le nombre de nœuds de calcul secondaires peut être mis à jour, mais pas le type).

Créer un cluster avec des nœuds de calcul secondaires

Pour créer un cluster avec des nœuds de calcul secondaires, utilisez la gcloud dataproc clusters create avec l'argument --num-secondary-workers. Notez que les nœuds de calcul secondaires sont des VM préemptives standards par défaut. Vous pouvez spécifier des nœuds de calcul secondaires non préemptifs lorsque vous créez un cluster en définissant --secondary-worker-type=non-preemptible (la propriété dataproc:secondary-workers.is-preemptible.override n'est plus utilisée pour spécifier le type du nœud de calcul secondaire).

Exemple 1

La commande suivante crée "cluster1" avec deux nœuds de calcul secondaires préemptifs standards (type par défaut).

gcloud dataproc clusters create cluster1 \
    --num-secondary-workers=2 \
    --region=us-central1

Exemple 2

La commande suivante utilise l'option secondary-worker-type pour créer "cluster2" avec deux nœuds de calcul secondaires ponctuels (préemptifs).

gcloud dataproc clusters create cluster2 \
    --num-secondary-workers=2 \
    --secondary-worker-type=spot \
    --region=us-central1

Exemple 3

La commande suivante utilise secondary-worker-type pour créer "cluster3" avec deux nœuds de calcul secondaires non préemptifs.

gcloud dataproc clusters create cluster3 \
    --num-secondary-workers=2 \
    --secondary-worker-type=non-preemptible \
    --region=us-central1

Pour modifier la taille du disque de démarrage d'un nœud de calcul secondaire: Par défaut, tous les nœuds de calcul secondaires sont créés avec la plus petite valeur 100 Go ou la taille du disque de démarrage du nœud de calcul principal. Cet espace disque est utilisé pour la mise en cache locale des données et n'est pas disponible via HDFS. Vous pouvez ignorer les paramètres la taille du disque avec gcloud dataproc clusters create --secondary-worker-boot-disk-size lors de la création du cluster. Cette option peut être spécifiée même si le cluster ne comporte aucun nœud de calcul secondaire lors de la création.

Laissez la console Google Cloud créer la requête de création de cluster. Vous pouvez cliquer sur les liens Requête/Réponse REST équivalente ou ligne de commande au niveau de la en bas du panneau de gauche de Dataproc la page Créer un cluster pour que la console Google Cloud crée une requête API REST équivalente ou un outil gcloud .

Mettre à jour un cluster avec des nœuds de calcul secondaires

Pour mettre à jour un cluster afin d'ajouter ou de supprimer des nœuds de calcul secondaires, utilisez la gcloud dataproc clusters update avec l'argument --num-secondary-workers.

Exemple

La commande suivante met à jour "example-cluster" pour utiliser quatre nœuds de calcul secondaires (du type par défaut ou du type spécifié lors de la création du cluster).

gcloud dataproc clusters update example-cluster \
    --num-secondary-workers=4 \
    --region=us-central1

Supprimer tous les nœuds de calcul secondaires d'un cluster

Pour supprimer tous les nœuds de calcul secondaires d'un cluster, utilisez la gcloud dataproc clusters update avec --num-secondary-workers défini sur 0.

Exemple

La commande suivante supprime tous les nœuds de calcul secondaires de "example-cluster".

gcloud dataproc clusters update example-cluster \
    --num-secondary-workers=0 \
    --region=us-central1

API REST

Créer un cluster avec des nœuds de calcul secondaires

Utilisez l'APIclusters.create Dataproc pour ajouter des nœuds de calcul secondaires à un cluster lors de la création du cluster. Notez que les nœuds de calcul secondaires sont standards préemptif des VM par défaut.

Exemple 1

La requête POST suivante crée un "cluster1" avec deux les nœuds de calcul de VM préemptives standards (type par défaut).

POST https://dataproc.googleapis.com/v1/projects/project-id/regions/region/clusters

{
  "clusterName": "cluster1",
  "config": {
    "secondaryWorkerConfig": {
      "numInstances": 2
    }
  }
}

Exemple 2

La requête POST suivante crée un "cluster2" avec deux sur les nœuds de calcul de VM Spot (préemptibles).

POST https://dataproc.googleapis.com/v1/projects/project-id/regions/region/clusters

{
  "clusterName": "cluster2",
  "config": {
    "secondaryWorkerConfig": {
      "numInstances": 2,
      "preemptibility": "SPOT"
    }
  }
}

Exemple 3

La requête POST suivante crée "cluster3" avec deux nœuds de calcul secondaires non préemptifs.

POST https://dataproc.googleapis.com/v1/projects/project-id/regions/region/clusters

{
  "clusterName": "cluster3",
  "config": {
    "secondaryWorkerConfig": {
      "numInstances": 2,
      "preemptibility": "NON_PREEMPTIBLE"
    }
  }
}

Mettre à jour un cluster avec des nœuds de calcul secondaires

Utilisez l'API clusters.patch Dataproc pour ajouter et supprimer des nœuds de calcul secondaires.

Exemple

La requête PATCH suivante met à jour un cluster avec quatre nœuds de calcul secondaires (du type par défaut ou du type spécifié lors de la création du cluster).

PATCH /v1/projects/project-id/regions/region/clusters/cluster-name?updateMask=config.secondary_worker_config.num_instances
{
  "config": {
    "secondaryWorkerConfig": {
      "numInstances": 4
    }
  }
}

Laissez la console Google Cloud créer la requête de création de cluster. Pour créer un cluster, vous pouvez cliquer sur les liens Requête/Réponse REST ou ligne de commande équivalente en bas du panneau de gauche de la page Dataproc Créer un cluster pour que la console Google Cloud crée une requête API REST ou une commande de l'outil gcloud équivalente.

Résoudre les problèmes liés aux nœuds de calcul secondaires

• Problèmes d'autorisation de compte de service:les nœuds de calcul secondaires sont créés via un groupe d'instances géré. En cas de problème d'autorisation, Dataproc les journaux ne signalent pas l'échec de la création des nœuds de calcul secondaires, mais les nœuds de calcul ayant échoué sont répertoriés dans l'onglet Instances de VM de la page Détails du cluster dans Console Google Cloud sans coche verte. Pour afficher la fiche, ouvrez la page Clusters (Clusters Dataproc), puis cliquez sur le nom du cluster pour ouvrir la page Cluster details (Détails du cluster).

• Problèmes d'autorisations concernant les groupes d'instances gérés:pour vérifier s'il existe un problème avec les autorisations de groupe d'instances géré:

  1. Recherchez le nom du groupe d'instances géré (instanceGroupManagerName).

     Console

     1. Ouvrez la page Clusters (Clusters Dataproc), puis cliquez sur le nom du cluster pour ouvrir la page Cluster details (Détails du cluster) correspondante.
     2. Cliquez sur Équivalent REST au bas de la page, puis consultez les config.secondaryWorkerConfig.managedGroupConfig.instanceGroupManagerName .

     Google Cloud CLI

     Exécutez la gcloud dataproc clusters describe. avec l'option --format pour afficher instanceGroupManagerName.

     gcloud dataproc clusters describe CLUSTER_NAME \
         --region=REGION \
         --format='value(config.secondaryWorkerConfig.managedGroupConfig.instanceGroupManagerName)'
     

     API REST

     Envoyez une requête clusters.get pour renvoyer la valeur de config.secondaryWorkerConfig.managedGroupConfig.instanceGroupManagerName.
  2. Affichez les journaux dans l'explorateur de journaux.

  • Sélectionnez le type de ressource Google Compute Engine Instance Group, puis filtrez par nom du groupe d'instances géré.

  • Vous pouvez également appliquer un filtre de journalisation `resource.type="gce_instance_group" et resource.labels.instance_group_name=INSTANCE_GROUP_MANAGER_NAME