cloudera learning7:Hadoop资源管理

Linux Control Groups(cgroups):在操作系统级别进行资源分配，可通过Cloudera Static Service Pools配置。

YARN调度器配置:对运行在YARN上的应用进行资源配置，比如M/R，implala。可通过Cloudera 动态资源池进行配置。

以下资源可以通过cgroups配置进行限制：

Memory Hard Limit

– If a process exceeds this limit, the kernel swaps out some of the process’s memory; if it cannot do so, the process will be killed

Memory Soft Limit

– When memory contenFon exists on the host, the OS targets the process to not exceed this limit

CPU Shares

– When CPU contenFon exists on the host, processes with higher CPU shares will be given more CPU time

I/O Weight 

– Specify the proportion of I/O access available to the read requests performed by a process

通过YARN进行资源配置：

YARN scheduler决定何时何处给应用分配Containers，Containers被赋予memory，CPU等资源。

YARN支持的scheduler类型：

1.FIFO Scheduler:先进先出调度器，基于时间顺序分配资源。

2.Capacity Scheduler:资源分配到资源池，各资源池中采用FIFO分配资源。

3.Fair Scheduler（default，recommend）:公平调度器。资源分配到带有权重的资源池。各资源池之间按权重分配资源。

公平调度器的分配份额永远不会高于实际的需要。

单一考虑：应用内存均等的分，CPU均等的分。

综合考虑：应用内存，CPU消耗内存综合考虑分配。

每个pool上可以设权重，可以设最小值。

 

YARN调度器属性配置：yarn.resourcemanager.scheduler.class。

YARN没指定pool，会默认初始化一个和用户同名的pool。

YARN也支持预先指定一个pool，运行时动态指定一个pool。

 

YARN work node资源配置：

yarn.nodemanager.resource.memory-mb：配置NodeManager的tasks可使用的RAM。

yarn.nodemanager.resource.cpu-vcores：配置NodeManager的tasks可使用的CPU个数。

 

yarn.scheduler.minimum-allocation-mb ：配置ResourceManager内存。CM default: 1G。

yarn.scheduler.minimum-allocation-vcores:配置ResourceManager的CPU。CM default:1 vcore。

 

yarn.scheduler.increment-allocation-mb：内存规整化单位，CM default 512M。如果资源请求1.6G，则会分配512*4=2G。

yarn.scheduler.increment-allocation-vcores：cpu规整化单位。

YARN Container资源分配：

mapreduce.map.memory.mb ：Map task内存分配，CM default 1G。

mapreduce.reduce.memory.mb :Reduce task内存分配，CM default 1G。

yarn.app.mapreduce.am.resource.mb：ApplicationMaster内存分配，CM default 1G。Used by NodeManagers。

yarn.app.mapreduce.am.command-opts：Java堆空间分配，默认1G。

mapreduce.map.java.opts：Java执行Mapper时的堆大小。

mapreduce.reduce.java.opts：Java执行Reducer时的堆大小。

 

YARN tuning:

Calculate the resources needed for other processes：

– Reserve 3GB or 20% of total memory for the OS

– Reserve resources for any non-Hadoop applicaFons

– Reserve resources for other any Hadoop components

– HDFS caching (if configured), NodeManager, DataNode

– Impalad, HBase RegionServer, Solr, etc.

Configure the YARN scheduler and application framework settings

– Based on the worker node profile determined above

– Determine the number of containers needed to best support YARN applicaFons based on the type of workload

– Monitor usage and tune estimated values to find optimal settings