Linux Control Groups(cgroups):在作業系統級別進行資源分配，可透過Cloudera Static Service Pools配置。

YARN排程器配置:對執行在YARN上的應用進行資源配置，比如M/R，implala。可透過Cloudera 動態資源池進行配置。

以下資源可以透過cgroups配置進行限制：

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

透過YARN進行資源配置：

YARN scheduler決定何時何處給應用分配Containers，Containers被賦予memory，CPU等資源。

YARN支援的scheduler型別：

1.FIFO Scheduler:先進先出排程器，基於時間順序分配資源。

2.Capacity Scheduler:資源分配到資源池，各資源池中採用FIFO分配資源。

3.Fair Scheduler（default，recommend）:公平排程器。資源分配到帶有權重的資源池。各資源池之間按權重分配資源。

公平排程器的分配份額永遠不會高於實際的需要。

單一考慮：應用記憶體均等的分，CPU均等的分。

綜合考慮：應用記憶體，CPU消耗記憶體綜合考慮分配。

每個pool上可以設權重，可以設最小值。

YARN排程器屬性配置：yarn.resourcemanager.scheduler.class。

YARN沒指定pool，會預設初始化一個和使用者同名的pool。

YARN也支援預先指定一個pool，執行時動態指定一個pool。

YARN work node資源配置：

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個數。

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

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

yarn.scheduler.increment-allocation-mb：記憶體規整化單位，CM default 512M。如果資源請求1.6G，則會分配512*4=2G。

yarn.scheduler.increment-allocation-vcores：cpu規整化單位。

YARN Container資源分配：

mapreduce.map.memory.mb ：Map task記憶體分配，CM default 1G。

mapreduce.reduce.memory.mb :Reduce task記憶體分配，CM default 1G。

yarn.app.mapreduce.am.resource.mb：ApplicationMaster記憶體分配，CM default 1G。Used by NodeManagers。

yarn.app.mapreduce.am.command-opts：Java堆空間分配，預設1G。

mapreduce.map.java.opts：Java執行Mapper時的堆大小。

mapreduce.reduce.java.opts：Java執行Reducer時的堆大小。

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

cloudera learning7:Hadoop資源管理

相關文章