Flink优化01---资源配置调优
1、Flink内存模型(TaskManager)
从上面的内存模型图可以看出内存结构:
1) Flink使用了JVM Heap(堆内内存)和Off-Heap Memory(堆外内存);
2)JVM Heap(堆内内存)包含Framework Heap(框架内存)和Task Heap(Task堆内内存);
3)Off-Heap Memory(堆外内存)包含Managed Memory(管理内存)、Direct Memory(直接内存)和JVM特有内存(JVM Metaspace + JVM Overhead);
4)Direct Memory(直接内存)包含Framework Memory(框架堆外内存)、Task Off-Heap(Task堆外内存)、Network(网络缓冲内存);
5)JVM Metaspace(元空间)和JVM Overhead(JVM执行开销)在堆外内存中,不计入Flink内存(Total Flink Memory)中,但是包含在启动指令分配的内存中;JVM Metaspace(元空间)和JVM Overhead(JVM执行开销)属于JVM特有内存,由JVM本身占用;
2、内存大小
2.1 JVM特定内存
JVM本身使用的内存,包含JVM的Metaspace和Overhead
① JVM matespace:JVM元空间
taskmanager.memory.jvm-metaspace.size ,默认 256m
② JVM overhead:执行开销,JVM执行时自身所需要的内容,包括线程堆栈、IO、编译缓存等所使用的内存。
taskmanager.memory.jvm-overhead.fraction,默认 0.1
taskmanager.memory.jvm-overhead.min,默认 192m
taskmanager.memory.jvm-overhead.max,默认 1g
总进程内存*fraction,如果小于配置的min(或大于配置的max)大小,则使用min/max大小
2.2 框架内存
Flink框架,即TaskManager本身所占用的内存,不计入Slot的资源中
堆内:taskmanager.memory.framework.heap.size,默认 128m
堆外:taskmanager.memory.framework.off-heap.size,默认 128m
2.3 Task内存
Task执行用户代码时所使用的内存
堆内:taskmanager.memory.task.heap.size,默认 none,由Flink内存扣除其他部分的内存得到
堆外:taskmanager.memory.task.off-heap.size,默认 0,表示不使用堆外内存
2.4 网络内存
网络数据交换所使用的堆外内存大小,如网络数据交换缓冲区
堆外:taskmanager.memory.network.fraction,默认 0.1
taskmanager.memory.network.min,默认 64m
taskmanager.memory.network.max,默认 1g
Flink内存*fraction,如果小于配置的min(或大于配置的max)大小,则使用min/max大小
Flink内存 = 总进程内存 - JVM元空间 - JVM执行开销
2.5 托管内存
用于RocksDB State Backend 的本地内存和批的排序、哈希表、缓冲中间结果。
堆外:taskmanager.memory.managed.fraction,默认 0.4
taskmanager.memory.managed.size,默认 none
如果size没指定,则等于Flink内存*fraction
3、案例分析
基于yarn模型,一般参数指定的是总进程内存,taskmanager.memory.process.size
比如指定为4G,每一块内存得到大小如下
1)计算Flink内存
JVM元空间256mb,默认固定
JVM执行开销:4g*0.1=409.6m,在[192m,1g]之间,最终结果为409.6m
Flink内存 = 4g - 256m - 409.6m = 3430.4m
2)框架内存,堆内堆外都是128m
3)网络内存 = 3430.4m * 0.1 = 343.04m,在[64m,1g]之间,最终结果为343.04m
4)托管内存 = 3430.4m * 0.4 = 1372.16m
5)Task堆内内存 = Flink内存 - 框架堆内内存 - 框架堆外内存 - 网络内存 - 托管内存
所以,本例中Task堆内内存 = 3430.4m - 128m - 128m - 343.04m - 1372.14m = 1459.2m
进程内存给多大,需不需要调整,需要具体情况具体分析,在实际项目中,观察Metric中各部分内存使用率,小的调大,大的调小,找到一个平衡点。同时,内存分配需要留足余量。
4、CPU个数分配
4.1 槽数 :CPU个数 = 1:1
-Djobmanager.memory.process.size=1024m \
-Dtaskmanager.memory.process.size=1024m \
-Dtaskmanager.numberOfTaskSlots=1 \
-Dparallelism.default=5 \
在上面的指令中,每个taskmanager的槽数为1,多少个并行度就会有多少个槽,因此也就会有多少个taskmanager;每个taskmanager分配1G内存 + 1cpu。最终分配的资源为6G内存+6个CPU(5个taskmanager+1个jobmanager)。
4.2 槽位:CPU个数 != 1:1
-Djobmanager.memory.process.size=1024m \
-Dtaskmanager.memory.process.size=1024m \
-Dtaskmanager.numberOfTaskSlots=2 \
-Dparallelism.default=5 \
上面的指令,如果分配的资源和3.1相同,则符合预期;如果内存分配了6G,CPU分配了4个,和预期不符,则说明yarn的配置需要调整;
在hadoop的配置文件中,有一个配置文件 capacity-schedule.xml,其中有一个配置如下
其中,默认的资源计算器是 DefaultResourceCalculator 。这个计算器有一个问题,计算资源时,参照依据是以内存为主,CPU方面,为每个容器(taskmanager 或 jobmanager)分配一个最少数,即1个;如果出现上述不符合预期的情况,应该使用另一张资源计算器 DominantResourceCalculator ,这个计算器同时考虑内存和CPU的需求为程序申请资源。
调整后,将配置分发到集群每个节点,重启yarn,重新启动程序,再观察资源分配情况,是否符合预期。
4.3 强制指定每个taskmanager的CPU数
-Djobmanager.memory.process.size=1024m \
-Dtaskmanager.memory.process.size=1024m \
-Dtaskmanager.numberOfTaskSlots=2 \
-Dparallelism.default=5 \
-Dyarn.containers.vcores=3 \
上面这个指令,会为程序申请到 4G内存 + 10个CPU,其中3个taskmanager,每个taskmanager 1G内存+3个CPU,1个jobmanager 1G内存 + 1个CPU;
注意,这里指定的每个 taskmanager 的CPU个数,不能超过 yarn-site.xml 中配置的核心数的最大值,默认是8。
5、并行度设置
设置并行度的四种方式:配置文件:默认并行度(1)、提交参数、代码:env、代码:算子。
优先级为:配置文件:默认并行度(1) < 提交参数 < 代码:env < 代码:算子。
Flink优化01---资源配置调优相关推荐
- Flink 运维与调优
转载-flink优化_黄瓜炖啤酒鸭的博客-CSDN博客 1.1 内存设置 1.2 并行度设置 1.2.1 最优并行度计算 1.2.2 Source 端并行度的配置 1.2.3 Transform端 ...
- Spark性能优化:Shuffle调优篇
Spark性能优化:Shuffle调优篇 一.调优概述 大多数Spark作业的性能主要就是消耗在了shuffle环节,因为该环节包含了大量的磁盘IO.序列化.网络数据传输等操作.因此,如果要让作业的性 ...
- 风控决策流程的优化与规则调优
如果说信贷流程上中有哪些内容是经常需要回顾与优化的,我们认为有两个最重要部分的内容,那就是决策流程与规则. 决策流程是骨架,也是整体授信的架构,如果决策流程错了,做得再好的规则也是白搭. 今天我们来讲 ...
- Flink大数据量调优思路总结(一)
目录 第1章 资源配置调优 1.1 内存设置 1.2 并行度设置 1.2.1 最优并行度计算
- hive优化之参数调优
hive优化之参数调优 1.hive参数优化之默认启用本地模式 启动hive本地模式参数,一般建议将其设置为true,即时刻启用: hive (chavin)> set hive.exec.mo ...
- GPU性能优化之CUDA调优指南
GPU性能优化之CUDA调优指南 GPU性能优化之CUDA调优指南 1 整体性能优化策略 2 最大化利用率 2.1 应用程序层次 2.2 设备层次 2.3 多处理器层次 2.3.1 占用率计算 3 最 ...
- 【Flink】Flink on RocksDB 参数调优指南
1. 背景 对于需要保存超大状态(远超于内存容量)的流计算场景来说,目前 RocksDB [1] 是 Flink 平台上官方实现的唯一选择.业界也有使用 Redis 等其他服务作为状态后端的方案,但终 ...
- Flink on RocksDB 参数调优指南
对于需要保存超大状态(远超于内存容量)的流计算场景来说,目前 RocksDB [1] 是 Flink 平台上官方实现的唯一选择.业界也有使用 Redis 等其他服务作为状态后端的方案,但终究不够成熟, ...
- 性能优化专题 - MySql 性能优化 - 04 - MySql调优
目录导航 前言 Undo-log与Redo-log 案例 当前读.快照读 Redo Log的落盘配置 MySQL配置优化 MySQL服务器参数类型 快速定位MySql配置文件 MySQL内存参数配置 ...
- SpringBoot项目优化和Jvm调优(亲测,真实有效)
点击上方"方志朋",选择"设为星标" 回复"666"获取新整理的面试文章 作者:星朝 原文:cnblogs.com/jpfss/p/9753 ...
最新文章
- 中国IT潜在的巨大希望
- UG NX12.0安装教程
- 微型计算机与裸机,第一章 微型计算机基础
- C#/Net代码精简优化技巧(1)
- ARIMA模型建模步骤
- FreeSql (二十七)将已写好的 SQL 语句,与实体类映射进行二次查询
- 数据结构pta选择判断复习
- 【数据库系统】事务、锁、隔离、自动恢复
- Session和EL表达式实现登陆验证
- C++ memset 踩坑(转载)
- WPS导入SQLSERVER的数据
- 数学计算机小论文范文,数学与生活论文范文
- 计算机网络CPT简单应用
- Unity游戏开发——向量运算(点乘和叉乘)
- Racket编程指南——8 输入和输出
- 七巧板复原算法之三——摆放算法
- App not allowed to read or update stored WiFi Ap config
- SIGGRAPH 2020大会上的Unity:在线汇集创作者社区
- 音视频ffmpeg——ffmpeg 命令大全
- draw.io 开源矢量图作图神器的骚操作