YARN and MapReduce的【内存】优化配置详解

在Hadoop2.x中, YARN负责管理MapReduce中的资源(内存, CPU等)并且将其打包成Container。
使之专注于其擅长的数据处理任务, 将无需考虑资源调度. 如下图所示    
         
YARN会管理集群中所有机器的可用计算资源. 基于这些资源YARN会调度应用(比如MapReduce)发来的资源请求, 然后YARN会通过分配Co
ntainer来给每个应用提供处理能力, Container是YARN中处理能力的基本单元, 是对内存, CPU等的封装. 


目前我这里的服务器情况:6台slave,每台:32G内存,2*6核CPU。

由于hadoop 1.x存在JobTracker和TaskTracker,资源管理有它们实现,在执行mapreduce作业时,资源分为map task和reduce task。
所有存在下面两个参数分别设置每个TaskTracker可以运行的任务数:

点击(此处)折叠或打开

  1.         mapred.tasktracker.map.tasks.maximum
  2.         6
  3.         
  4.         mapred.tasktracker.reduce.tasks.maximum
  5.         4
  6.         一个task tracker最多可以同时运行的reduce任务数量
 

但是在hadoop 2.x中,引入了Yarn架构做资源管理,在每个节点上面运行NodeManager负责节点资源的分配,而slot也不再像1.x那样区分Map slot和Reduce slot。在Yarn上面Container是资源的分配的最小单元。

Yarn集群的内存分配配置在yarn-site.xml文件中配置:

点击(此处)折叠或打开

  1.         yarn.nodemanager.resource.memory-mb
  2.         22528
  3.         每个节点可用内存,单位MB
  4.     
  5.     
  6.     
  7.         yarn.scheduler.minimum-allocation-mb
  8.         1500
  9.         单个任务可申请最少内存,默认1024MB
  10.     
  11.     
  12.     
  13.         yarn.scheduler.maximum-allocation-mb
  14.         16384
  15.         单个任务可申请最大内存,默认8192MB
  16.     


 

由于我Yarn集群还需要跑Spark的任务,而Spark的Worker内存相对需要大些,所以需要调大单个任务的最大内存(默认为8G)。

而Mapreduce的任务的内存配置:

点击(此处)折叠或打开

  1.         mapreduce.map.memory.mb
  2.         1500
  3.         每个Map任务的物理内存限制
  4.     
  5.     
  6.     
  7.         mapreduce.reduce.memory.mb
  8.         3000
  9.         每个Reduce任务的物理内存限制
  10.     
  11.     
  12.     
  13.         mapreduce.map.java.opts
  14.         -Xmx1200m
  15.     
  16.     
  17.     
  18.         mapreduce.reduce.java.opts
  19.         -Xmx2600m
  20.     


mapreduce.map.memory.mb:每个map任务的内存,应该是大于或者等于Container的最小内存。 
按照上面的配置:每个slave可以运行map的数据<= 22528/1500,reduce任务的数量<=22528/3000  。

mapreduce.map.memory.mb >mapreduce.map.java.opts
mapreduce.reduce.memory.mb >mapreduce.reduce.java.opts


mapreduce.map.java.opts / mapreduce.map.memory.mb
=0.70~0.80
mapreduce.reduce.java.opts / mapreduce.reduce.memory.mb
=0.70~0.80

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,

则预留些空间会存储java,scala code等。

转载:http://blog.itpub.net/30089851/viewspace-2127850/

转载于:https://www.cnblogs.com/rookieLearn/p/9099144.html

你可能感兴趣的:(java,大数据,scala)