Yarn的Memory和CPU调优配置详解

PP

Hadoop Yarn同事支持内存和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、磁盘的资源很重要，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

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+HBaseneicun
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是， 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：

#!/usr/bin/env pythonimport optparsefrom pprint import pprintimport loggingimport sysimport mathimport 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 256  elif (memory <= 8):    return 512  elif (memory <= 24):    return 1024  else:    return 2048  passdef getReservedStackMemory(memory):  if (reservedStack.has_key(memory)):    return reservedStack[memory]  if (memory <= 4):    ret = 1  elif (memory >= 512):    ret = 64  else:    ret = 1  return retdef getReservedHBaseMem(memory):  if (reservedHBase.has_key(memory)):    return reservedHBase[memory]  if (memory <= 4):    ret = 1  elif (memory >= 512):    ret = 64  else:    ret = 2  return 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 = 0  cores = 0  disks = 0  hbaseEnabled = True  parser.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 = 0  if (hbaseEnabled):    reservedHBaseMemory = getReservedHBaseMem(memory)  reservedMem = reservedStackMemory + reservedHBaseMemory  usableMem = memory - reservedMem  memory -= (reservedMem)  if (memory < 2):    memory = 2    reservedMem = max(0, memory - reservedMem)  memory *= GB  containers = int (min(2 * cores,                         min(math.ceil(1.8 * float(disks)),                              memory/minContainerSize)))  if (containers <= 2):    containers = 3  log.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)) * 512  log.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_ram  reduce_memory = 2*container_ram if (container_ram <= 2048) else container_ram  am_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=False Profile: cores=32 memory=106496MB reserved=24GB usableMem=104GB disks=7 Num Container=13 Container Ram=8192MB Used Ram=104GB Unused Ram=24GB yarn.scheduler.minimum-allocation-mb=8192 yarn.scheduler.maximum-allocation-mb=106496 yarn.nodemanager.resource.memory-mb=106496 mapreduce.map.memory.mb=8192 mapreduce.map.java.opts=-Xmx6553m mapreduce.reduce.memory.mb=8192 mapreduce.reduce.java.opts=-Xmx6553m yarn.app.mapreduce.am.resource.mb=8192 yarn.app.mapreduce.am.command-opts=-Xmx6553m 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：

<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>