Yarn下Mapreduce的内存参数理解

hadoop运维 靠谱运维 888℃ 0评论

Container是什么?

Container就是一个yarn的java进程,在Mapreduce中的AM,MapTask,ReduceTask都作为Container在Yarn的框架上执行,你可以在RM的网页上看到Container的状态

基础

Yarn的ResourceManger(简称RM)通过逻辑上的队列分配内存,CPU等资源给application,默认情况下RM允许最大AM申请Container资源为8192MB(“yarn.scheduler.maximum-allocation-mb“),默认情况下的最小分配资源为1024M(“yarn.scheduler.minimum-allocation-mb“),AM只能以增量(”yarn.scheduler.minimum-allocation-mb“)和不会超过(“yarn.scheduler.maximum-allocation-mb“)的值去向RM申请资源,AM负责将(“mapreduce.map.memory.mb“)和(“mapreduce.reduce.memory.mb“)的值规整到能被(“yarn.scheduler.minimum-allocation-mb“)整除,RM会拒绝申请内存超过8192MB和不能被1024MB整除的资源请求。

相关参数

YARN

  • yarn.scheduler.minimum-allocation-mb
  • yarn.scheduler.maximum-allocation-mb
  • yarn.nodemanager.vmem-pmem-ratio
  • yarn.nodemanager.resource.memory.mb

MapReduce

Map Memory

  • mapreduce.map.java.opts
  • mapreduce.map.memory.mb

Reduce Memory

  • mapreduce.reduce.java.opts
  • mapreduce.reduce.memory.mb

Copy_of_Yarn_mem_params

从上面的图可以看出map,reduce,AM container的JVM,“JVM”矩形代表服务进程,“Max heap”,“Max virtual”矩形代表NodeManager对JVM进程的最大内存和虚拟内存的限制。

以map container内存分配(“mapreduce.map.memory.mb“)设置为1536为例,AM将会为container向RM请求2048mb的内存资源,因为最小分配单位(“yarn.scheduler.minimum-allocation-mb“)被设置为1024,这是一种逻辑上的分配,这个值被NodeManager用来监控改进程内存资源的使用率,如果map Task堆的使用率超过了2048MB,NM将会把这个task给杀掉,JVM进程堆的大小被设置为1024(“mapreduce.map.java.opts=-Xmx1024m“)适合在逻辑分配为2048MB中,同样reduce container(“mapreduce.reduce.memory.mb“)设置为3072也是.

当一个mapreduce job完成时,你将会看到一系列的计数器被打印出来,下面的三个计数器展示了多少物理内存和虚拟内存被分配

Physical memory (bytes) snapshot=21850116096Virtual memory (bytes) snapshot=40047247360Total committed heap usage (bytes)=22630105088

虚拟内存

默认的(“yarn.nodemanager.vmem-pmem-ratio“)设置为2.1,意味则map container或者reduce container分配的虚拟内存超过2.1倍的(“mapreduce.reduce.memory.mb“)或(“mapreduce.map.memory.mb“)就会被NM给KILL掉,如果 (“mapreduce.map.memory.mb”) 被设置为1536那么总的虚拟内存为2.1*1536=3225.6MB

当container的内存超出要求的,log将会打印一下信息

Current usage:2.1gb of 2.0gb physical memory used;1.6gb of 3.15gbvirtual memory used.Killing container.

mapreduce.map.java.opts和mapreduce.map.memory.mb

大概了解完以上的参数之后,mapreduce.map.java.opts和mapreduce.map.memory.mb参数之间,有什么联系呢?

通过上面的分析,我们知道如果一个yarn的container超除了heap设置的大小,这个task将会失败,我们可以根据哪种类型的container失败去相应增大mapreduce.{map|reduce}.memory.mb去解决问题。 但同时带来的问题是集群并行跑的container的数量少了,所以适当的调整内存参数对集群的利用率的提升尤为重要。

因为在yarn container这种模式下,JVM进程跑在container中,mapreduce.{map|reduce}.java.opts能够通过Xmx设置JVM最大的heap的使用,一般设置为0.75倍的memory.mb,因为需要为java code,非JVM内存使用等预留些空间

补充一下

对于FairScheduler来说(其他我也没看),存在着一个增量参数;

/** Increment request grant-able by the RM scheduler. 
   * These properties are looked up in the yarn-site.xml  */

publicstaticfinalString RM_SCHEDULER_INCREMENT_ALLOCATION_MB =YarnConfiguration.YARN_PREFIX +"scheduler.increment-allocation-mb";
publicstaticfinalint DEFAULT_RM_SCHEDULER_INCREMENT_ALLOCATION_MB =1024;

对于线上2560MB最小分配内存,客户端的内存为2048,incrementMemory为1024,通过其计算算法得出值,demo如下

/**
 * Created by shangwen on 15-9-14.
 */
public class TestCeil {
 public static void main(String[] args) {
 int clientMemoryReq = 2048;
 int minAllowMermory = 2560;
 int incrementResource = 1024;
 System.out.println(roundUp(Math.max(clientMemoryReq,minAllowMermory),incrementResource));
 // output 3072
 }

 public static int divideAndCeil(int a, int b) {
 if (b == 0) {
 return 0;
 }
 return (a + (b - 1)) / b;
 }

 public static int roundUp(int a, int b) {
 System.out.println("divideAndCeil:" + divideAndCeil(a, b));
 return divideAndCeil(a, b) * b;
 }
}

得出的结果为3072MB,即对于map来说,则会分配3G内存,即使你在客户端写的是2G,所以你可以看到以下日志:
Container[pid=35691,containerID=container_1441194300243_383809_01_000181]is running beyond physical memory limits.Current usage:3.0 GB of 3 GB physical memory used;5.4 GB of 9.3 GB virtual memory used.

对于56G内存的NM来说,如果全部跑map则56/3大约跑18个container

假设修改最小分配为默认的1024,则分配的内存为2G,即大约可以跑56/2约28个container。

通过上述的描述,大概就对其参数有个比较综合的了解了。

转载请注明:靠谱运维 » Yarn下Mapreduce的内存参数理解

喜欢 (1)or分享 (0)
发表我的评论
取消评论

表情