hadoop之YARN的Memory和CPU调优配置详解_hadoop修改yarn的cpu

转载：http://blog.itpub.net/30089851/viewspace-2127851/，部分内容讲解并不适合最新的hadoop版本，但可以借鉴学习。

 

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：

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：

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：

点击(此处)折叠或打开

1. #!/usr/bin/env python
2. import optparse
3. from pprint import pprint
4. import logging
5. import sys
6. import math
7. import ast
8.  
9. ''' Reserved for OS + DN + NM, Map: Memory => Reservation '''
10. reservedStack = { 4:1, 8:2, 16:2, 24:4, 48:6, 64:8, 72:8, 96:12, 
11.                    128:24, 256:32, 512:64}
12. ''' Reserved for HBase. Map: Memory => Reservation '''
13.   
14. reservedHBase = {4:1, 8:1, 16:2, 24:4, 48:8, 64:8, 72:8, 96:16, 
15.                    128:24, 256:32, 512:64}
16. GB = 1024
17.  
18. def getMinContainerSize(memory):
19.   if (memory <= 4):
20.     return 256
21.   elif (memory <= 8):
22.     return 512
23.   elif (memory <= 24):
24.     return 1024
25.   else:
26.     return 2048
27.   pass
28.  
29. def getReservedStackMemory(memory):
30.   if (reservedStack.has_key(memory)):
31.     return reservedStack[memory]
32.   if (memory <= 4):
33.     ret = 1
34.   elif (memory >= 512):
35.     ret = 64
36.   else:
37.     ret = 1
38.   return ret
39.  
40. def getReservedHBaseMem(memory):
41.   if (reservedHBase.has_key(memory)):
42.     return reservedHBase[memory]
43.   if (memory <= 4):
44.     ret = 1
45.   elif (memory >= 512):
46.     ret = 64
47.   else:
48.     ret = 2
49.   return ret
50.                     
51. def main():
52.   log = logging.getLogger(__name__)
53.   out_hdlr = logging.StreamHandler(sys.stdout)
54.   out_hdlr.setFormatter(logging.Formatter(' %(message)s'))
55.   out_hdlr.setLevel(logging.INFO)
56.   log.addHandler(out_hdlr)
57.   log.setLevel(logging.INFO)
58.   parser = optparse.OptionParser()
59.   memory = 0
60.   cores = 0
61.   disks = 0
62.   hbaseEnabled = True
63.   parser.add_option('-c', '--cores', default = 16,
64.                      help = 'Number of cores on each host')
65.   parser.add_option('-m', '--memory', default = 64, 
66.                     help = 'Amount of Memory on each host in GB')
67.   parser.add_option('-d', '--disks', default = 4, 
68.                     help = 'Number of disks on each host')
69.   parser.add_option('-k', '--hbase', default = "True",
70.                     help = 'True if HBase is installed, False is not')
71.   (options, args) = parser.parse_args()
72.   
73.   cores = int (options.cores)
74.   memory = int (options.memory)
75.   disks = int (options.disks)
76.   hbaseEnabled = ast.literal_eval(options.hbase)
77.   
78.   log.info("Using cores=" + str(cores) + " memory=" + str(memory) + "GB" +
79.             " disks=" + str(disks) + " hbase=" + str(hbaseEnabled))
80.   minContainerSize = getMinContainerSize(memory)
81.   reservedStackMemory = getReservedStackMemory(memory)
82.   reservedHBaseMemory = 0
83.   if (hbaseEnabled):
84.     reservedHBaseMemory = getReservedHBaseMem(memory)
85.   reservedMem = reservedStackMemory + reservedHBaseMemory
86.   usableMem = memory - reservedMem
87.   memory -= (reservedMem)
88.   if (memory < 2):
89.     memory = 2
90.     reservedMem = max(0, memory - reservedMem)
91.     
92.   memory *= GB
93.   
94.   containers = int (min(2 * cores,
95.                          min(math.ceil(1.8 * float(disks)),
96.                               memory/minContainerSize)))
97.   if (containers <= 2):
98.     containers = 3
99.  
100.   log.info("Profile: cores=" + str(cores) + " memory=" + str(memory) + "MB"
101.            + " reserved=" + str(reservedMem) + "GB" + " usableMem="
102.            + str(usableMem) + "GB" + " disks=" + str(disks))
103.     
104.   container_ram = abs(memory/containers)
105.   if (container_ram > GB):
106.     container_ram = int(math.floor(container_ram / 512)) * 512
107.   log.info("Num Container=" + str(containers))
108.   log.info("Container Ram=" + str(container_ram) + "MB")
109.   log.info("Used Ram=" + str(int (containers*container_ram/float(GB))) + "GB")
110.   log.info("Unused Ram=" + str(reservedMem) + "GB")
111.   log.info("yarn.scheduler.minimum-allocation-mb=" + str(container_ram))
112.   log.info("yarn.scheduler.maximum-allocation-mb=" + str(containers*container_ram))
113.   log.info("yarn.nodemanager.resource.memory-mb=" + str(containers*container_ram))
114.   map_memory = container_ram
115.   reduce_memory = 2*container_ram if (container_ram <= 2048) else container_ram
116.   am_memory = max(map_memory, reduce_memory)
117.   log.info("mapreduce.map.memory.mb=" + str(map_memory))
118.   log.info("mapreduce.map.java.opts=-Xmx" + str(int(0.8 * map_memory)) +"m")
119.   log.info("mapreduce.reduce.memory.mb=" + str(reduce_memory))
120.   log.info("mapreduce.reduce.java.opts=-Xmx" + str(int(0.8 * reduce_memory)) + "m")
121.   log.info("yarn.app.mapreduce.am.resource.mb=" + str(am_memory))
122.   log.info("yarn.app.mapreduce.am.command-opts=-Xmx" + str(int(0.8*am_memory)) + "m")
123.   log.info("mapreduce.task.io.sort.mb=" + str(int(0.4 * map_memory)))
124.   pass
125.  
126. if __name__ == '__main__':
127.   try:
128.     main()
129.   except(KeyboardInterrupt, EOFError):
130.     print("\nAborting ... Keyboard Interrupt.")
131.     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：

点击(此处)折叠或打开

1. Using cores=32 memory=128GB disks=7 hbase=False
2.  Profile: cores=32 memory=106496MB reserved=24GB usableMem=104GB disks=7
3.  Num Container=13
4.  Container Ram=8192MB
5.  Used Ram=104GB
6.  Unused Ram=24GB
7.  yarn.scheduler.minimum-allocation-mb=8192
8.  yarn.scheduler.maximum-allocation-mb=106496
9.  yarn.nodemanager.resource.memory-mb=106496
10.  mapreduce.map.memory.mb=8192
11.  mapreduce.map.java.opts=-Xmx6553m
12.  mapreduce.reduce.memory.mb=8192
13.  mapreduce.reduce.java.opts=-Xmx6553m
14.  yarn.app.mapreduce.am.resource.mb=8192
15.  yarn.app.mapreduce.am.command-opts=-Xmx6553m
16.  mapreduce.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：

对应的xml配置为：

点击(此处)折叠或打开

1. <property>
2.       <name>yarn.nodemanager.resource.memory-mb</name>
3.       <value>106496</value>
4.   </property>
5.   <property>
6.       <name>yarn.scheduler.minimum-allocation-mb</name>
7.       <value>2048</value>
8.   </property>
9.   <property>
10.       <name>yarn.scheduler.maximum-allocation-mb</name>
11.       <value>106496</value>
12.   </property>
13.   <property>
14.       <name>yarn.app.mapreduce.am.resource.mb</name>
15.       <value>4096</value>
16.   </property>
17.   <property>
18.       <name>yarn.app.mapreduce.am.command-opts</name>
19.       <value>-Xmx3276m</value>
20.   </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：

点击(此处)折叠或打开

1. <property>
2.       <name>yarn.nodemanager.resource.cpu-vcores</name>
3.       <value>31</value>
4.   </property>
5.   <property>
6.       <name>yarn.scheduler.maximum-allocation-vcores</name>
7.       <value>124</value>
8.   </property>