HADOOP性能优化和运维

原创
2017/04/06 11:40
阅读数 1.4K

集群中任意一个节点都可以被用来提交认任务,虽然通常我们使用master节点提交任务。HADOOP客户端不参与计算和存储,专门用来上传下载文件和提交任务。

性能优化4大块:

具体优化如下:

1.选择合适的硬件

低配:

CPU             双路四核2.6GHz

内存              64GB DDR3

磁盘控制器    SAS控制器

硬盘               1TB X 4

中配:

CPU            2 X 6 Core 2.9GHz/15MB cache

内存            128GB DDR3-1600 ECC

磁盘控制器   SAS 6GB/S

磁盘             12 X 3 TB LFF SATA II 7200 RPM

交换机           2 X 千兆交换机

高配:

CPU                2 X 6 Core 2.9GHz/15M cache

内存                256GB DDR3-1600 ECC 

磁盘控制器      2 X SAS 6GB/S

磁盘                 24 X 1 TB SFF Nearline/MDL SAS 7200 RPM

交换机              万兆交换机

 

节点解释:

NameNode:内存容量决定HDFS所能存储的文件总数,SecondaryNameNode类似。

ResourceManager:内存和需要处理的作业有关。

内存和虚拟CPU要满足一个线性比例:

虚拟CPU个数 = CPU数 X 单个CPU核数 X 单个CPU超线程数。

如:一个双核六路CPU,具有HT(超线程)技术。

则虚拟核数 2 X 6 X 2 = 24

每个CPU分配4 ~ 8GB,则服务内存 96 ~ 192GB,此外还要考虑操作系统和其他服务和预留内存。

2.操作系统调优

1.避免使用swap分区

    vm.swappiness设为0,值域为0 ~ 100

2.调整内存分配

    vm.overcommit_memory设为2。2表示内核允许分配超过所有物理内存和交换空间的50%。

3.修改net.core.somaxconn参数

     一个linux内核参数,表示socket监听backlog上限。值 >= 32768

4.增大同时打开文件描述符的上限。

5.选择合适的文件系统

     文件系统被格式化以后,要禁用文件的访问时间

6.关闭THP

     运行hadoop时,THP会引起CPU占用率偏高。

3.JVM调优

     调整  JM FLAGS 和 JVMGC ,调整后的效率大约有4%的提升。

4.hadoop参数调优(针对CDH5版本)

1.hdfs-site.xml

<property>

    <name> dfs.block.size</name>

    <value>134217728</value>

</property>

hadoop文件快大小,通常设为128M或256M

 

<property>

    <name> dfs.namenode.handler.count</name>

    <value>40</value>

</property>

namenode和datanode同时通信的线程数,默认10,将其设为40.

 

<property>

    <name> dfs.datanode.max.xcievers</name>

    <value>65536</value>

</property>

datanode上面连接数的最大值。

 

<property>

    <name> dfs.namenode.balance.bandwidthPerse</name>

    <value>20485760</value>

</property>

执行start-balancer.sh的带宽默认 1048576(1MB),将其增大到20MB/s

 

<property>

    <name> dfs.replication</name>

    <value>3</value>

</property>

hdfs文件副本数。多个任务同时读取一个文件时,读取可能会造成瓶颈,可适当增加副本数。如果修改hadoop客户端上传文件的副本数,将以hadoop客户端配置为准。

 

<property>

    <name> dfs.datanode.max.transfer.threads</name>

    <value>4096</value>

</property>

datanode在进行文件传输时最大线程数,通常设置为8192.

 

2.core-size.xml

<property>

    <name> io.file.buffer.size</name>

    <value>131072</value>

</property>

hadoop缓冲区大小,用于hadoop读写hdfs文件还有map的中间结果输出。默认4KB,增加为128KB。

 

3.yarn-site.xml

<property>

    <name> yarn.nodemanager.resource.memory-mb</name>

    <value>8192</value>

</property>

物理节点有多少内存加入资源池,设定该值时注意为操作系统和其他服务预留资源。

 

<property>

    <name> yarn.nodemanager.resource.cpu-vcores</name>

    <value>8</value>

</property>

物理节点有多少虚拟CPU加入资源池。与上一个参数构成容器资源的两个维度。

 

<property>

    <name> yarn.scheduler.increment.allocation-mb</name>

    <value>1024</value>

</property>

内存申请的规整话化单位。默认为1014MB.即如果申请1.5GB,则被申请为2GB。

 

<property>

    <name> yarn.scheduler.increment.allocation-vcores</name>

    <value>1024</value>

</property>

虚拟CPU的规整话化单位。默认为1个

 

<property>

    <name> yarn.scheduler.maximum.allocation-mb</name>

    <value>8192</value>

</property>

单个任务(容器)能够被申请到的最大内存。默认8GB,如果设定和

yarn.nodemanager.resource.cpu-mb一样,则表示单个任务使用的内存资源不受限制。

 

<property>

    <name> yarn.scheduler.minimum.allocation-mb</name>

    <value>8192</value>

</property>

单个任务(容器)能够被申请到的最小内存。默认1GB

 

<property>

    <name> yarn.scheduler.maximum.allocation-vcores</name>

    <value>4</value>

</property>

单个任务(容器)能够被申请到的最大CPU数目。默认8GB,如果设定和

yarn.nodemanager.resource.cpu-vcores一样,则表示单个任务使用的内存资源不受限制。

 

4.mapred-site.xml

<property>

    <name> mapreduce.map.output.compress</name>

    <value>true</value>

</property>

map任务的中间结果是否压缩,true压缩。

 

<property>

    <name> mapreduce.job.jvm.numtasks</name>

    <value>-1</value>

</property>

jvm重用设置,默认为1,表示一个jvm只能启动一个任务,-1表示可以的启动任务不受限制。

 

<property>

    <name> mapreduce.map.speculative</name>

    <value>true</value>

</property>

<property>

    <name> mapreduce.reduce.speculative</name>

    <value>true</value>

</property>

分别开启map和reduce任务的推测机制,推测机制可以有效地防止,因为瓶颈而导致的拖累整个作业,但也注意,推测机制会抢占系统资源。

 

<property>

    <name> mapreduce.cluster.local.dir</name>

    <value>/data0/mapred,/data1/mapred,/data2/mapred,/data3/mapred</value>

</property>

mapreduce中间结果的本地存储路径,将该值设置为一系列多磁盘目录有助于提高I/O效率

 

<property>

    <name> mapreduce.map.memory.mb</name>

    <value>-1</value>

</property>

map任务需要的内存大小。

 

<property>

    <name> mapreduce.map.cpu.vcores</name>

    <value>1</value>

</property>

map任务需要的虚拟CPU数目。要与mapreduce.map.memory.mb成线性比例才不至于浪费。

 

<property>

    <name> mapreduce.reduce.memory.mb</name>

    <value>-1</value>

</property>

reduce任务需要的内存大小,一般要大于mapreduce.map.memory.mb。

 

<property>

    <name> mapreduce.reduce.cpu.vcores</name>

    <value>1</value>

</property>

reduce任务向调度器需要的虚拟CPU数,默认为1,根据容器虚拟CPU数设定,可以适量增大。要与mapreduce.map.memory.mb成线性比例才不至于浪费,一般要大于mapreduce.map.cpu.vcores。

 

<property>

    <name> mapreduce.reduce.shuffle.parallelcopies</name>

    <value>25</value>

</property>

该参数为reduce任务从map任务复制输出的工作线程数,默认5,可适当调高,太高会引起大量数据同时在网络传输,引起I/O压力,科学的设置为4 x Lgn,n为集群容量大小。

 

<property>

    <name> mapreduce.reduce.shuffle.input.buffer.percent</name>

    <value>0.7</value>

</property>

shuffle中复制阶段耗费reduce任务堆比例,默认0.7,由上面的计算得出。

 

<property>

    <name> mapreduce.reduce.shuffle.merge.percent</name>

    <value>0.66</value>

</property>

当内存使用率超过该参数时,会触发一次合并操作,将内存中的数据刷写到磁盘

 

<property>

    <name> mapreduce.job.reduce.slowstart.completedmaps</name>

    <value>0.05</value>

</property>

控制reduce任务的启动时机,默认0.05,即当map任务完成数目的5%时,启动reduce。

 

5.HADOOP参数调优总结

(1)增大作业的并行度,如增大map任务数量

(2)保证任务执行时有足够的资源

(3)满足前两个原则的前提下,尽量为shuffle阶段提供资源

 

 

 

 

 

 

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部