YARN的内存和CPU配置优化
2019独角兽企业重金招聘Python工程师标准>>>
Hadoop YARN同时支持内存和CPU两种资源的调度,本文介绍如何配置YARN对内存和CPU的使用。
YARN作为一个资源调度器,应该考虑到集群里面每一台机子的计算资源,然后根据application申请的资源进行分配Container。Container是YARN里面资源分配的基本单位,具有一定的内存以及CPU资源。
在YARN集群中,平衡内存、CPU、磁盘的资源的很重要的,根据经验,每两个container使用一块磁盘以及一个CPU核的时候可以使集群的资源得到一个比较好的利用。
内存配置
关于内存相关的配置可以参考hortonwork公司的文档Determine HDP Memory Configuration Settings来配置你的集群。
YARN以及MAPREDUCE所有可用的内存资源应该要除去系统运行需要的以及其他的hadoop的一些程序,总共保留的内存=系统内存+HBASE内存。
可以参考下面的表格确定应该保留的内存:
每台机子内存 | 系统需要的内存 | HBase需要的内存 |
---|---|---|
4GB | 1GB | 1GB |
8GB | 2GB | 1GB |
16GB | 2GB | 2GB |
24GB | 4GB | 4GB |
48GB | 6GB | 8GB |
64GB | 8GB | 8GB |
72GB | 8GB | 8GB |
96GB | 12GB | 16GB |
128GB | 24GB | 24GB |
255GB | 32GB | 32GB |
512GB | 64GB | 64GB |
计算每台机子最多可以拥有多少个container,可以使用下面的公式:
containers = min (2*CORES, 1.8*DISKS, (Total available RAM) / MIN_CONTAINER_SIZE)
说明:
CORES
为机器CPU核数DISKS
为机器上挂载的磁盘个数Total available RAM
为机器总内存MIN_CONTAINER_SIZE
是指container最小的容量大小,这需要根据具体情况去设置,可以参考下面的表格:
每台机子可用的RAM | container最小值 |
---|---|
小于4GB | 256MB |
4GB到8GB之间 | 512MB |
8GB到24GB之间 | 1024MB |
大于24GB | 2048MB |
每个container的平均使用内存大小计算方式为:
RAM-per-container = max(MIN_CONTAINER_SIZE, (Total Available RAM) / containers))
通过上面的计算,YARN以及MAPREDUCE可以这样配置:
配置文件 | 配置设置 | 默认值 | 计算值 |
---|---|---|---|
yarn-site.xml | yarn.nodemanager.resource.memory-mb | 8192 MB | = containers * RAM-per-container |
yarn-site.xml | yarn.scheduler.minimum-allocation-mb | 1024MB | = RAM-per-container |
yarn-site.xml | yarn.scheduler.maximum-allocation-mb | 8192 MB | = containers * RAM-per-container |
yarn-site.xml (check) | yarn.app.mapreduce.am.resource.mb | 1536 MB | = 2 * RAM-per-container |
yarn-site.xml (check) | yarn.app.mapreduce.am.command-opts | -Xmx1024m | = 0.8 * 2 * RAM-per-container |
mapred-site.xml | mapreduce.map.memory.mb | 1024 MB | = RAM-per-container |
mapred-site.xml | mapreduce.reduce.memory.mb | 1024 MB | = 2 * RAM-per-container |
mapred-site.xml | mapreduce.map.java.opts | = 0.8 * RAM-per-container | |
mapred-site.xml | mapreduce.reduce.java.opts | = 0.8 * 2 * RAM-per-container |
举个例子:对于128G内存、32核CPU的机器,挂载了7个磁盘,根据上面的说明,系统保留内存为24G,不适应HBase情况下,系统剩余可用内存为104G,计算containers值如下:
containers = min (2*32, 1.8* 7 , (128-24)/2) = min (64, 12.6 , 51) = 13
计算RAM-per-container值如下:
RAM-per-container = max (2, (124-24)/13) = max (2, 8) = 8
你也可以使用脚本yarn-utils.py来计算上面的值:
#!/usr/bin/env python
import optparse
from pprint import pprint
import logging
import sys
import math
import ast''' Reserved for OS + DN + NM, Map: Memory => Reservation '''
reservedStack = { 4:1, 8:2, 16:2, 24:4, 48:6, 64:8, 72:8, 96:12, 128:24, 256:32, 512:64}
''' Reserved for HBase. Map: Memory => Reservation '''reservedHBase = {4:1, 8:1, 16:2, 24:4, 48:8, 64:8, 72:8, 96:16, 128:24, 256:32, 512:64}
GB = 1024def getMinContainerSize(memory):if (memory <= 4):return 256elif (memory <= 8):return 512elif (memory <= 24):return 1024else:return 2048passdef getReservedStackMemory(memory):if (reservedStack.has_key(memory)):return reservedStack[memory]if (memory <= 4):ret = 1elif (memory >= 512):ret = 64else:ret = 1return retdef getReservedHBaseMem(memory):if (reservedHBase.has_key(memory)):return reservedHBase[memory]if (memory <= 4):ret = 1elif (memory >= 512):ret = 64else:ret = 2return retdef main():log = logging.getLogger(__name__)out_hdlr = logging.StreamHandler(sys.stdout)out_hdlr.setFormatter(logging.Formatter(' %(message)s'))out_hdlr.setLevel(logging.INFO)log.addHandler(out_hdlr)log.setLevel(logging.INFO)parser = optparse.OptionParser()memory = 0cores = 0disks = 0hbaseEnabled = Trueparser.add_option('-c', '--cores', default = 16,help = 'Number of cores on each host')parser.add_option('-m', '--memory', default = 64, help = 'Amount of Memory on each host in GB')parser.add_option('-d', '--disks', default = 4, help = 'Number of disks on each host')parser.add_option('-k', '--hbase', default = "True",help = 'True if HBase is installed, False is not')(options, args) = parser.parse_args()cores = int (options.cores)memory = int (options.memory)disks = int (options.disks)hbaseEnabled = ast.literal_eval(options.hbase)log.info("Using cores=" + str(cores) + " memory=" + str(memory) + "GB" +" disks=" + str(disks) + " hbase=" + str(hbaseEnabled))minContainerSize = getMinContainerSize(memory)reservedStackMemory = getReservedStackMemory(memory)reservedHBaseMemory = 0if (hbaseEnabled):reservedHBaseMemory = getReservedHBaseMem(memory)reservedMem = reservedStackMemory + reservedHBaseMemoryusableMem = memory - reservedMemmemory -= (reservedMem)if (memory < 2):memory = 2reservedMem = max(0, memory - reservedMem)memory *= GBcontainers = int (min(2 * cores,min(math.ceil(1.8 * float(disks)),memory/minContainerSize)))if (containers <= 2):containers = 3log.info("Profile: cores=" + str(cores) + " memory=" + str(memory) + "MB"+ " reserved=" + str(reservedMem) + "GB" + " usableMem="+ str(usableMem) + "GB" + " disks=" + str(disks))container_ram = abs(memory/containers)if (container_ram > GB):container_ram = int(math.floor(container_ram / 512)) * 512log.info("Num Container=" + str(containers))log.info("Container Ram=" + str(container_ram) + "MB")log.info("Used Ram=" + str(int (containers*container_ram/float(GB))) + "GB")log.info("Unused Ram=" + str(reservedMem) + "GB")log.info("yarn.scheduler.minimum-allocation-mb=" + str(container_ram))log.info("yarn.scheduler.maximum-allocation-mb=" + str(containers*container_ram))log.info("yarn.nodemanager.resource.memory-mb=" + str(containers*container_ram))map_memory = container_ramreduce_memory = 2*container_ram if (container_ram <= 2048) else container_ramam_memory = max(map_memory, reduce_memory)log.info("mapreduce.map.memory.mb=" + str(map_memory))log.info("mapreduce.map.java.opts=-Xmx" + str(int(0.8 * map_memory)) +"m")log.info("mapreduce.reduce.memory.mb=" + str(reduce_memory))log.info("mapreduce.reduce.java.opts=-Xmx" + str(int(0.8 * reduce_memory)) + "m")log.info("yarn.app.mapreduce.am.resource.mb=" + str(am_memory))log.info("yarn.app.mapreduce.am.command-opts=-Xmx" + str(int(0.8*am_memory)) + "m")log.info("mapreduce.task.io.sort.mb=" + str(int(0.4 * map_memory)))passif __name__ == '__main__':try:main()except(KeyboardInterrupt, EOFError):print("\nAborting ... Keyboard Interrupt.")sys.exit(1)
执行下面命令:
python yarn-utils.py -c 32 -m 128 -d 7 -k False
返回结果如下:
Using cores=32 memory=128GB disks=7 hbase=FalseProfile: cores=32 memory=106496MB reserved=24GB usableMem=104GB disks=7Num Container=13Container Ram=8192MBUsed Ram=104GBUnused Ram=24GByarn.scheduler.minimum-allocation-mb=8192yarn.scheduler.maximum-allocation-mb=106496yarn.nodemanager.resource.memory-mb=106496mapreduce.map.memory.mb=8192mapreduce.map.java.opts=-Xmx6553mmapreduce.reduce.memory.mb=8192mapreduce.reduce.java.opts=-Xmx6553myarn.app.mapreduce.am.resource.mb=8192yarn.app.mapreduce.am.command-opts=-Xmx6553mmapreduce.task.io.sort.mb=3276
这样的话,每个container内存为8G,似乎有点多,我更愿意根据集群使用情况任务将其调整为2G内存,则集群中下面的参数配置值如下:
配置文件 | 配置设置 | 计算值 |
---|---|---|
yarn-site.xml | yarn.nodemanager.resource.memory-mb | = 52 * 2 =104 G |
yarn-site.xml | yarn.scheduler.minimum-allocation-mb | = 2G |
yarn-site.xml | yarn.scheduler.maximum-allocation-mb | = 52 * 2 = 104G |
yarn-site.xml (check) | yarn.app.mapreduce.am.resource.mb | = 2 * 2=4G |
yarn-site.xml (check) | yarn.app.mapreduce.am.command-opts | = 0.8 * 2 * 2=3.2G |
mapred-site.xml | mapreduce.map.memory.mb | = 2G |
mapred-site.xml | mapreduce.reduce.memory.mb | = 2 * 2=4G |
mapred-site.xml | mapreduce.map.java.opts | = 0.8 * 2=1.6G |
mapred-site.xml | mapreduce.reduce.java.opts | = 0.8 * 2 * 2=3.2G |
对应的xml配置为:
<property><name>yarn.nodemanager.resource.memory-mb</name><value>106496</value></property><property><name>yarn.scheduler.minimum-allocation-mb</name><value>2048</value></property><property><name>yarn.scheduler.maximum-allocation-mb</name><value>106496</value></property><property><name>yarn.app.mapreduce.am.resource.mb</name><value>4096</value></property><property><name>yarn.app.mapreduce.am.command-opts</name><value>-Xmx3276m</value></property>
另外,还有一下几个参数:
yarn.nodemanager.vmem-pmem-ratio
:任务每使用1MB物理内存,最多可使用虚拟内存量,默认是2.1。yarn.nodemanager.pmem-check-enabled
:是否启动一个线程检查每个任务正使用的物理内存量,如果任务超出分配值,则直接将其杀掉,默认是true。yarn.nodemanager.vmem-pmem-ratio
:是否启动一个线程检查每个任务正使用的虚拟内存量,如果任务超出分配值,则直接将其杀掉,默认是true。
第一个参数的意思是当一个map任务总共分配的物理内存为2G的时候,该任务的container最多内分配的堆内存为1.6G,可以分配的虚拟内存上限为2*2.1=4.2G。另外,照这样算下去,每个节点上YARN可以启动的Map数为104/2=52个。
CPU配置
YARN中目前的CPU被划分成虚拟CPU(CPU virtual Core),这里的虚拟CPU是YARN自己引入的概念,初衷是,考虑到不同节点的CPU性能可能不同,每个CPU具有的计算能力也是不一样的,比如某个物理CPU的计算能力可能是另外一个物理CPU的2倍,这时候,你可以通过为第一个物理CPU多配置几个虚拟CPU弥补这种差异。用户提交作业时,可以指定每个任务需要的虚拟CPU个数。
在YARN中,CPU相关配置参数如下:
yarn.nodemanager.resource.cpu-vcores
:表示该节点上YARN可使用的虚拟CPU个数,默认是8,注意,目前推荐将该值设值为与物理CPU核数数目相同。如果你的节点CPU核数不够8个,则需要调减小这个值,而YARN不会智能的探测节点的物理CPU总数。yarn.scheduler.minimum-allocation-vcores
:单个任务可申请的最小虚拟CPU个数,默认是1,如果一个任务申请的CPU个数少于该数,则该对应的值改为这个数。yarn.scheduler.maximum-allocation-vcores
:单个任务可申请的最多虚拟CPU个数,默认是32。
对于一个CPU核数较多的集群来说,上面的默认配置显然是不合适的,在我的测试集群中,4个节点每个机器CPU核数为31,留一个给操作系统,可以配置为:
<property><name>yarn.nodemanager.resource.cpu-vcores</name><value>31</value></property><property><name>yarn.scheduler.maximum-allocation-vcores</name><value>124</value></property>
参考文章
- Determine HDP Memory Configuration Settings
- Hadoop YARN如何调度内存和CPU
转载于:https://my.oschina.net/aibati2008/blog/869144
YARN的内存和CPU配置优化相关推荐
- Hadoop性能调优、YARN的内存和CPU配置
转 Hadoop性能调优.YARN的内存和CPU配置 2018年06月12日 21:01:54 toto1297488504 阅读数:2417 转: https://blog.csdn.net/deh ...
- 详解 YARN的内存和CPU配置
一:简单介绍 Hadoop YARN同时支持内存和CPU两种资源的调度,本文介绍如何配置YARN对内存和CPU的使用. YARN作为一个资源调度器,应该考虑到集群里面每一台机子的计算资源,然后根据ap ...
- aix 查看内存,CPU 配置信息
为什么80%的码农都做不了架构师?>>> 内存lsattr -El mem0 cpu lsdev -C |grep proc CPU的信息lsattr -El proc0 #b ...
- yarn 内存与CPU参数设置
每个job提交到yarn上执行时,都会分配Container容器去运行,而这个容器需要资源才能运行,这个资源就是Cpu和内存. 1.CPU资源调度 目前的CPU被Yarn划分为虚拟CPU,这是yarn ...
- MapReduce之如何给运行在YARN上的MapReduce作业配置内存
关于mapreduce程序运行在yarn上时内存的分配一直是一个让我蒙圈的事情,单独查任何一个资料都不能很好的理解透彻.于是,最近查了大量的资料,综合各种解释,终于理解到了一个比较清晰的程度,在这里将 ...
- ubuntu下查看电脑内存硬盘CPU显卡驱动等配置命令
ubuntu16.04查看电脑内存硬盘CPU显卡驱动等配置命令 按Ctrl+Alt+T键,调出终端窗口. 1.内存总大小:free -m mem:后面的 total 栏显示你的内存总大小. 如图:内存 ...
- linux ps -aux 怎么看内存,Linux下ps aux命令 与 查看CPU配置
要对进程进行监测和控 制,首先必须要了解当前进程的情况,也就是需要查看当前进程,而 ps 命令就是最基本同时也是非常强大的进程查看命令.使用该命令可以确定有哪些进程正在运行和运行的状态.进程是否结束. ...
- win10msmpeng占内存_微软win10吃内存,CPU占用高,没有优化好?做好这3点系统快如飞...
随着win7更新关闭日期的到来,还剩两天时间了,届时微软将不在为win7提供补丁了,安全问题就会日益严重,尽管win7使用起来很省内存,CPU占用不高,但安全问题大于一切,使用win10就成了大多数网 ...
- python电脑配置要求cpu-Python限制内存和CPU使用量的方法(Unix系统适用)
问题 你想对在Unix系统上面运行的程序设置内存或CPU的使用限制. 解决方案 resource 模块能同时执行这两个任务.例如,要限制CPU时间,可以像下面这样做: import signal im ...
最新文章
- Python 函数的可变参数(*paramter与**paramter)的使用
- 【numpy学习笔记】数组的切片,索引,迭代
- PTAM增强现实相关
- DCMTK:OFStandard类的测试程序
- Git使用列表(四)
- 世界坐标系,相机坐标系和图像坐标系的转换(Python)
- Nginx的Gzip模块配置指令(一)
- jquery系列教程4-事件操作全解
- 中卫市地图arcgis数据shp道路地名县区边界水系2021年(下载说明)
- WDS+MDT部署Windows7操作系统2—;导入启动映像和安装映像
- 9.2 react受控组件和非受控组件
- keras实现deblurgan-v1(图像去模糊)
- java编写爬虫_Java怎么写网络爬虫?分分钟带你爬取,源码
- 用Win10自带SSH实现免密登录Linux
- 100的阶层真的算不出来吗?
- 加拿大计算机最好的学校排名2015年,九大院校!加拿大的计算机专业实力排名!...
- 如何有效练习英语口语
- 常用的Linux发行版
- 华为手机日历倒计时_倒计时5天!3辆奔驰车、15部华为手机、120万免单奖!赶快上车啦!...
- 每日站会是在浪费时间...吗?