Ajuste adecuado

La función de ajuste adecuado usa las sugerencias de recursos de Apache Beam para personalizar los recursos de trabajador de una canalización. La capacidad de orientar varios recursos diferentes a pasos de canalización específicos proporciona flexibilidad y capacidad adicionales de la canalización, y posibles ahorros de costos. Puedes aplicar recursos más costosos a los pasos de canalización que los requieran y recursos menos costosos a otros pasos de canalización. Usa el ajuste adecuado a fin de especificar requisitos de recursos para una canalización completa o para pasos de canalización específicos.

Asistencia y limitaciones

• Las sugerencias de recursos son compatibles con los SDK de Java y Python de Apache Beam, versiones 2.31.0 y posteriores.
• El ajuste adecuado es compatible con las canalizaciones por lotes.

• El ajuste adecuado es compatible con las canalizaciones de transmisión con el ajuste de escala automático horizontal habilitado.

  • Para habilitarlo, configura la opción de canalización --experiments=enable_streaming_rightfitting.

• El ajuste adecuado admite Dataflow Prime.

• El ajuste adecuado no es compatible con FlexRS.

• Cuando uses el ajuste adecuado, no uses la worker_accelerator opción de servicio.

• Cuando usas el ajuste de escala automático vertical vertical, no se admite la selección automática de VM.

Habilita el ajuste adecuado

Para activar el ajuste adecuado, usa una o más de las sugerencias de recursos disponibles en tu canalización. Cuando usas una sugerencia de recursos en tu canalización, el ajuste adecuado se habilita de forma automática. Para obtener más información, consulta la sección Usa sugerencias de recursos de este documento.

Sugerencias de recursos disponibles

Las siguientes sugerencias de recursos están disponibles.

Sugerencia de recursos	Descripción
min_ram	La cantidad mínima de RAM en gigabytes para asignar a los trabajadores. Dataflow usa este valor como un límite inferior cuando se asigna memoria a trabajadores nuevos (escalamiento horizontal) o a trabajadores existentes (escalamiento vertical). Por ejemplo: min_ram=RAM_VALUEGB Reemplaza RAM_VALUE por el valor mínimo de memoria del trabajador que requiere tu canalización o paso de canalización. min_ram es una especificación agregada por trabajador. No es una especificación por CPU virtual. Por ejemplo, si configuras min_ram=15GB, Dataflow establece la memoria agregada disponible en todas las CPU virtuales del trabajador en al menos 15 GB. Nota: Si usas esta sugerencia de recursos para pasos que no requieren aceleradores, la selección automática de VM se habilita automáticamente.
cpu_count	La cantidad de CPU virtuales que se asignarán por trabajador. Cuando usas esta sugerencia de recursos, Dataflow selecciona tipos de máquinas que tienen la cantidad especificada de CPU virtuales y cumplen con los requisitos de memoria. Por ejemplo: cpu_count=CPU_VALUE Reemplaza CPU_VALUE por la cantidad entera de CPU virtuales que requiere tu canalización o paso de canalización por trabajador. Nota: Si usas esta sugerencia de recursos para pasos que no requieren aceleradores, la selección automática de VM se habilita automáticamente.
accelerator	Una asignación de GPU proporcionada por el usuario que te permite controlar el uso y el costo de las GPU en tu canalización y sus pasos. Especifica el tipo y la cantidad de GPU que se adjuntarán a los trabajadores de Dataflow como parámetros para la marca. Por ejemplo: accelerator="type:GPU_TYPE;count:GPU_COUNT;machine_type:MACHINE_TYPE;CONFIGURATION_OPTIONS" Reemplaza GPU_TYPE por el tipo de GPU que se usará. Para obtener una lista de los tipos de GPU compatibles con Dataflow, consulta Compatibilidad de Dataflow para GPU. Reemplaza GPU_COUNT por la cantidad de GPU que se usará. Opcional: Reemplaza MACHINE_TYPE por el tipo de máquina que se usará con las GPU. El tipo de máquina debe ser compatible con el tipo de GPU seleccionado. Para obtener detalles sobre los tipos de GPU y sus tipos de máquinas compatibles, consulta Plataformas de GPU. Si especificas un tipo de máquina en la sugerencia de recursos accelerator y en la opción de canalización del tipo de máquina de trabajador, la opción de canalización se ignora durante el ajuste adecuado. Para usar GPU de NVIDIA con Dataflow, establece la install-nvidia-driver opción de configuración. Se admiten las opciones de versión del controlador default y latest. La opción de versión del controlador debe ser la misma en toda la canalización, incluso si se omite. No se admite la combinación de ninguna versión del controlador con la default versión del controlador. Para obtener más información sobre el uso de GPU, consulta GPU con Dataflow.

Selección automática de VM para tipos de máquinas de trabajador

Cuando usas min_ram o cpu_count sugerencias de recursos para pasos de canalización que no requieren aceleradores, la selección automática de VM se habilita automáticamente.

Con la selección automática de VM, los trabajadores se aprovisionan a partir de una selección de tipos de máquinas compatibles que cumplen con los requisitos de tu canalización, lo que maximiza la confiabilidad y la disponibilidad de capacidad.

Para obtener información detallada sobre cómo funciona la selección automática de VM, sus limitaciones y recomendaciones sobre los tipos de almacenamiento, consulta Selección automática de VM.

Anidación de sugerencias de recursos

Las sugerencias de recursos se aplican a la jerarquía de transformación de canalizaciones de la siguiente manera:

• min_ram: El valor de una transformación se evalúa como el valor de sugerencia min_ram más grande entre los valores que se establecen en la transformación en sí y en todos sus elementos superiores en la jerarquía de la transformación.
  • Ejemplo: Si se configura una sugerencia de transformación interna min_ram a 16 GB, y la sugerencia de transformación externa en los conjuntos de jerarquía min_ram a 32 GB, se usa una sugerencia de 32 GB para todos los pasos de toda la transformación.
  • Ejemplo: Si se configura una sugerencia de transformación interna min_ram a 16 GB, y la sugerencia de transformación externa en los conjuntos de jerarquía min_ram a 8 GB, se usa una sugerencia de 8 GB para todos los pasos de la transformación externa que no están en la transformación interna y se usa una sugerencia de 16 GB para todos los pasos de la transformación interna.
• accelerator: El valor más interno en la jerarquía de la transformación tiene prioridad.
  • Ejemplo: Si una sugerencia de transformación interna accelerator es distinta de una sugerencia accelerator de transformación externa en una jerarquía, la sugerencia accelerator de la transformación interna se usará para la transformación interna.

Las sugerencias configuradas para toda la canalización se tratan como si estuvieran configuradas en una transformación externa.

Usa sugerencias de recursos

Puedes establecer sugerencias de recursos en toda la canalización o en los pasos de canalización.

Sugerencias de recursos en la canalización

Puedes establecer sugerencias de recursos en toda la canalización cuando la ejecutas desde la línea de comandos.

gcloud

Nota: La configuración de sugerencias de recursos en el inicio del trabajo solo es compatible con las plantillas de Flex.

Para establecer sugerencias de recursos cuando ejecutas una canalización con una plantilla de Flex, usa la --additional-pipeline-options marca con el gcloud dataflow flex-template run comando. El nombre de la opción de canalización depende del lenguaje del SDK. Por ejemplo, para las sugerencias de recursos:

• Para las canalizaciones de Java, usa resourceHints.
• Para las canalizaciones de Python, usa resource_hints.

En el siguiente ejemplo, se muestra cómo establecer sugerencias de recursos cuando se ejecuta una canalización de plantilla de Flex de Java:

gcloud dataflow flex-template run JOB_NAME \
    --template-file-gcs-location="gs://TEMPLATE_LOCATION" \
    --region="REGION" \
    --additional-pipeline-options=resourceHints=min_ram=RAM_VALUEGB \
    --additional-pipeline-options=resourceHints=cpu_count=CPU_VALUE \
    --parameters ...

En el siguiente ejemplo, se muestra cómo establecer sugerencias de recursos cuando se ejecuta una canalización de plantilla de Flex de Python:

gcloud dataflow flex-template run JOB_NAME \
    --template-file-gcs-location="gs://TEMPLATE_LOCATION" \
    --region="REGION" \
    --additional-pipeline-options=resource_hints=min_ram=RAM_VALUEGB \
    --additional-pipeline-options=resource_hints=cpu_count=CPU_VALUE \
    --parameters ...

Java

Para configurar tu entorno de Java, consulta Crea una canalización de Dataflow con Java.

En el siguiente ejemplo, se muestra cómo establecer sugerencias de recursos cuando se ejecuta una canalización de Java:

mvn -Pdataflow-runner compile exec:java \
    -Dexec.mainClass=com.example.MyPipeline \
    -Dexec.args="--runner=DataflowRunner \
    --resourceHints=min_ram=RAM_VALUEGB \
    --resourceHints=cpu_count=CPU_VALUE \
    ..."

Python

Para configurar tu entorno de Python, consulta el instructivo de Python.

En el siguiente ejemplo, se muestra cómo establecer sugerencias de recursos cuando se ejecuta una canalización de Python:

python my_pipeline.py \
    --runner=DataflowRunner \
    --resource_hints=min_ram=RAM_VALUEGB \
    --resource_hints=cpu_count=CPU_VALUE \
    ...

Nota: Cuando el ajuste adecuado está habilitado, las sugerencias de recursos de canalización tienen prioridad sobre el tipo de máquina especificado en las opciones de canalización. Para asegurarte de que se use la opción de tipo de máquina, quita cualquier opción de sugerencias de recursos de canalización.

Sugerencias de recursos en pasos de canalización

Puedes establecer sugerencias de recursos en pasos de canalización (transformaciones) de manera programática.

Java

Si deseas instalar el SDK de Apache Beam para Java, consulta Instala el SDK de Apache Beam.

Puedes establecer sugerencias de recursos de manera programática en transformaciones de canalización mediante la clase ResourceHints.

En el siguiente ejemplo, se muestra cómo establecer sugerencias de recursos de manera programática en transformaciones de canalización.

pcoll.apply(MyCompositeTransform.of(...)
    .setResourceHints(
        ResourceHints.create()
            .withMinRam("15GB")
            .withCpuCount(8)
            .withAccelerator(
    "type:nvidia-l4;count:1;install-nvidia-driver")))

pcoll.apply(ParDo.of(new BigMemFn())
    .setResourceHints(
        ResourceHints.create()
          .withMinRam("30GB")
          .withCpuCount(16)))

Para establecer sugerencias de recursos de manera programática en toda la canalización, usa la interfaz ResourceHintsOptions.

Python

Si deseas instalar el SDK de Apache Beam para Python, consulta Instala el SDK de Apache Beam.

Puedes establecer sugerencias de recursos de manera programática en transformaciones de canalización mediante la clase PTransforms.with_resource_hints. Para obtener más información, consulta la clase ResourceHint.

En el siguiente ejemplo, se muestra cómo establecer sugerencias de recursos de manera programática en transformaciones de canalización.

pcoll | MyPTransform().with_resource_hints(
    min_ram="4GB",
    cpu_count=8,
    accelerator="type:nvidia-tesla-l4;count:1;install-nvidia-driver")

pcoll | beam.ParDo(BigMemFn()).with_resource_hints(
    min_ram="30GB",
    cpu_count=16)

Para establecer sugerencias de recursos en toda la canalización, usa la opción de canalización --resource_hints cuando ejecutes tu canalización. Para ver un ejemplo, consulta Sugerencias de recursos de canalización.

Go

Las sugerencias de recursos no son compatibles con Go.

Compatibilidad con varios aceleradores

Dentro de una canalización, las diferentes transformaciones pueden tener diferentes configuraciones de acelerador. Esto incluye configuraciones que requieren diferentes tipos de máquinas. Estas configuraciones de acelerador a nivel de transformación tienen prioridad sobre la configuración a nivel de canalización si se proporcionó una.

Ajuste adecuado y fusión

En algunos casos, como parte del proceso de optimización de la fusión, se pueden ejecutar transformaciones configuradas con diferentes sugerencias de recursos en trabajadores que están en el mismo grupo. Cuando las transformaciones se fusionan, Dataflow las ejecuta en un entorno que satisface la unión de las sugerencias de recursos establecida en las transformaciones. En algunos casos, esto incluye toda la canalización.

Cuando no se pueden combinar las sugerencias de recursos, no se produce la fusión. Por ejemplo, las sugerencias de recursos para diferentes GPU no se pueden combinar, por lo que no se combinan esas transformaciones.

Para evitar también la fusión, agrega una operación a la canalización que obligue a Dataflow a materializar una PCollection intermedia. Esto es especialmente útil cuando se intenta aislar recursos costosos, como GPU o máquinas de alta memoria, de pasos lentos o costosos desde el punto de vista computacional que no necesitan esos recursos especiales. En esos casos, puede ser útil forzar una interrupción de la fusión entre los pasos lentos vinculados a la CPU y los pasos que necesitan las GPU costosas o las máquinas de alta memoria, y pagar el costo de materialización asociado con la interrupción de la fusión. Para obtener más información, consulta Evita la fusión.

Ajuste adecuado de transmisión

Para los trabajos de transmisión, puedes habilitar el ajuste adecuado configurando la opción de canalización --experiments=enable_streaming_rightfitting.

El ajuste adecuado puede mejorar el rendimiento de tu canalización si incluye etapas con diferentes requisitos de recursos.

Ejemplo: Canalización con etapa de uso intensivo de CPU y etapa que requiere GPU

Un ejemplo de canalización que puede beneficiarse del ajuste adecuado es una que ejecuta una etapa de uso intensivo de CPU, seguida de una etapa que requiere GPU. Sin el ajuste adecuado, se deberá configurar un solo grupo de trabajadores de GPU para ejecutar todas las etapas de la canalización, incluida la etapa de uso intensivo de CPU. Esto puede provocar un uso insuficiente de los recursos de GPU cuando el grupo de trabajadores ejecuta la etapa de uso intensivo de CPU.

Si el ajuste adecuado está habilitado y se aplica una sugerencia de recursos al paso que requiere GPU, la canalización creará dos grupos separados, de modo que el grupo de trabajadores de CPU ejecute la etapa de uso intensivo de CPU y el grupo de trabajadores de GPU ejecute la etapa que requiere GPU.

Para esta canalización de ejemplo, la tabla de ajuste de escala automático muestra que el grupo de trabajadores que ejecuta la etapa de uso intensivo de CPU, Pool 0, se aumenta inicialmente a 99 trabajadores y, luego, se reduce a 87 trabajadores. El grupo de trabajadores que ejecuta la etapa que requiere GPU, Pool 1, se aumenta a 13 trabajadores:

El gráfico de uso de CPU muestra que los trabajadores de ambos grupos de trabajadores demuestran un uso general alto de la CPU:

Soluciona problemas de ajuste adecuado

En esta sección, se proporcionan instrucciones para solucionar problemas habituales relacionados con el ajuste adecuado.

La configuración no es válida

Cuando intentas usar el ajuste adecuado, se produce el siguiente error:

Workflow failed. Causes: One or more operations had an error: 'operation-OPERATION_ID':
[UNSUPPORTED_OPERATION] 'CPU_VALUE vCpus with RAM_VALUE MiB memory is
an invalid configuration for GPU_COUNT count of 'GPU_TYPE' in family 'MACHINE_TYPE'.'.

Este error se produce cuando el tipo de GPU seleccionado no es compatible con el tipo de máquina seleccionado. Para resolver este error, selecciona un tipo de GPU y un tipo de máquina compatibles. Para obtener detalles sobre la compatibilidad, consulta Plataformas de GPU.

Verifica el ajuste adecuado

Para verificar que el ajuste adecuado esté habilitado, consulta las métricas de ajuste de escala automático y verifica que la columna Worker pool esté visible y muestre diferentes grupos:

Rendimiento del ajuste adecuado de transmisión

Es posible que las canalizaciones de transmisión con el ajuste adecuado habilitado no siempre tengan un mejor rendimiento que las canalizaciones sin el ajuste adecuado habilitado. Por ejemplo:

1. La canalización usa más trabajadores.
2. La latencia del sistema es mayor o el rendimiento es menor.
3. Los tamaños del grupo de trabajadores cambian con más frecuencia o no se estabilizan.

Si observas esto en tu canalización, puedes inhabilitar el ajuste adecuado quitando la opción de canalización --experiments=enable_streaming_rightfitting. Además, las canalizaciones de transmisión con el ajuste adecuado habilitado que usan sugerencias de recursos de acelerador pueden usar más aceleradores de lo deseable. Si observas esto en tu canalización, puedes configurar una cantidad máxima de aceleradores que usa la canalización configurando la opción de canalización --experiments=max_num_accelerators=MAX_NUM_ACCELERATORS.