文章目录SPARK & YARN计费后记
背景
大数据平台早期是野蛮生长的,作业直接在终端提交运行,处于一种完全无管理的自由状态。在17年上线了内部的大数据平台后,用户开始逐渐在平台上进行数据管理,代码编写,作业管理等工作,但是资源治理依旧缺失。
随着业务及数据量的不断增加,集群扩容,存储和计算资源达到一定规模后,对大数据平台进行资源治理就非常必要了,本文是基于 HADOOP 生态的一个总结。
该项目大部分完成于18年,由于内容较多(人比较懒),几次提笔都搁置了,全文主要围绕 为什么做/要做什么 来展开,至于具体怎么做,方法有很多,大家就见仁见智了。
组件 HDFS 为什么需要治理
财务预算高
数据增长非常快,不干预的情况下日增能达到100T。在计算与存储没有分离的情况下,存储资源的不足就意味着需要购买新的机器,不仅成本非常高,还会造成计算资源使用率低下。
集群负载高
HDFS 虽然支持水平扩展,但是当集群到了一定规模,NameNode 就会成为瓶颈,其一为 NN 的内存瓶颈,其二为大量DN的心跳RPC请求带来的网络瓶颈,同时重启恢复时间也会变长。
运维压力大
频繁的扩容,即使有自动化工具的支持,也会给工程师带来一些低价值的工作。
为什么难以推动 在集群数据量级较小的情况下,以优先解决业务需求为主,增加机器远比开发一整套资源分析系统的成本要低。平台需要推动业务部门删除一些”僵尸数据“,但业务部门人数较多,以开发业务为核心,删除数据在他们看来优先级非常低。 需要做什么
核心思想:控制增量,优化存量
冷数据
长期没有访问的数据,包括一些分析建模留下的中间数据,无用数据等。针对这部分数据,设计了一个资源浪费分的概念,根据数据目录大小绝对值和最后一次访问时间进行计算,该分数达到一定阈值后会对用户进行提醒,不操作则进行删除。
碎片文件
通过计算目录下每个文件的平均大小,平均大小小于某个阈值时会触发,进行合并压缩处理,可以参考 Spark 小文件合并优化实践
异常增长
数据目录增长异常,可能是业务存在较大的变动或是用户的误操作导致,这种情况需要对用户进行预警。
空间占用绝对值高
使用更高压缩率的压缩算法,例如zstd。统计出日增长绝对值最高或者月环比 / 季环比较高的 team ,发送邮件给相应 team leader,要求给出解决方案。
集群容量评估
根据集群历史数据增长情况,评估目前的容量多久后需要进行扩容。
数据生命周期
所有的数据进行表化,上大数据平台,强制填写生命周期,例如物化的临时表生命周期为7天,到期后会自动删除,不需要主动进行管理。普通的数据表/分区生命周期到之前7天给用户发邮件/钉钉,用户可以选择续期或者直接过期删除。
部分效果图
容量评估
用户资源使用趋势
用户数据日增量
SPARK & YARN 为什么需要治理
资源使用不平衡
比较常见的情况是集群中内存被申请满了,但是 CPU 还有剩余。
运行时间不稳定
同个作业多次运行时间波动幅度大。
资源滥用
每个业务方都希望自己的作业能尽可能快的完成,导致资源被滥用,带来一些不必要的资源紧张。
需要做什么
作业资源统计分析
现实的情况是大多数作业直接运行在大数据平台上,少数作业因为历史原因还在终端运行。
对于独享的任务,直接计算整个 application 运行期间消耗的 mem_seconds/core_seconds ,共享的任务资源使用则是通过该任务结束时间获得的 mem_seconds/core_seconds 减去开始时间的值获得。
对于 Spark 作业,还可以通过 Listener 对 task 做进一步的分析,帮助优化应用资源使用。
集群资源统计分析
根据统计信息能获取当前 cpu/mem 使用较高的一些作业及用户,根据历史资源使用趋势可以更合理的安排作业的调度时间。
内存及 cpu 使用控制
spark on yarn cgroup 资源隔离(cpu篇)
使用 jvm-profiler 分析 spark 内存使用
作业数量/资源池限制
在平台层面对用户/应用账号不同类型作业(schedule/dev/etc.)进行提交数量限制,对不同的应用分资源池进行约束。
部分效果图
集群资源使用及作业 Top
集群当前状态
Spark任务诊断
计费
对于普通用户来说,提供诸如 core_hour / mem_gb_hour / disk_gb_day 之类的单位过于抽象,很难意识到自己真正使用了多少资源,所以根据算法直接将物理资源折算成人民币,可以具体到每个任务运行花了多少钱。
Spark 计算时会同时申请 mem 和 cpu 资源,如果一台物理机内存被申请完了,cpu 资源也是无法使用的,所以根据物理机的配置折算成计算单元更为合理 1cu = (1C,5G),最后会根据 cu 和存储占用进行综合计费。
通过计费的方式可以对资源进行更直观的展现:
从用户的角度,可以知道自己的某个任务计算花了多少钱,某个表存储花了多少钱。
从公司的角度,能清晰的从报表上看到哪几个部门用了多少钱,哪个Team用了多少钱。
从业务的角度,根据资源的使用可以更好的评估投入产出比以及业务价值,让其更有动力去优化业务代码。
任务维度的计费
后记
18年上线后进行了四个月的跟踪观察,存量数据绝对值降低了20%,文件数量降低了 35%,增量数据增速降低了80%,集群整体的内存使用率提升了20%,同一作业的多次运行时间波动范围下降了50%。
在整个治理过程中,技术只是其中的一小部分,同时还需要从行政上进行辅助,否则效果将会大打折扣。