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 para 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 habilitarla, configura la opción de canalización --experiments=enable_streaming_rightfitting.

• Cuando uses el ajuste adecuado, mantén habilitado el ajuste de escala automático horizontal. Si inhabilitas el ajuste de escala automático horizontal, es posible que tu trabajo se ejecute con un paralelismo menor que el esperado. Para limitar la cantidad de trabajadores que usa tu trabajo, establece la opción de canalización maxNumWorkers o max_num_workers en su lugar.

• El ajuste adecuado admite Dataflow Prime.

• El ajuste adecuado no es compatible con FlexRS.

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

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

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 utiliza esta sugerencia de recurso para pasos que no requieren aceleradores, la selección automática de VM se habilita automáticamente.
cpu_count	Es 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 de CPUs 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 opción de configuración install-nvidia-driver. 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 mezclar la versión sin controlador con la versión del controlador default. Para obtener más información sobre el uso de GPU, consulta GPU con Dataflow.

Selección automática de VMs para los tipos de máquinas de trabajadores

Cuando usas las sugerencias de recursos min_ram o cpu_count para los pasos de la canalización que no requieren aceleradores, la selección automática de VMs se habilita de forma automática.

Con la selección automática de VMs, 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 la capacidad.

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

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 en una transformación se evalúa como el valor de sugerencia min_ram más grande entre los valores establecidos en la transformación 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 se admite para las plantillas de Flex.

Para establecer sugerencias de recursos cuando ejecutas una canalización con una plantilla de Flex, usa la marca --additional-pipeline-options con el comando gcloud dataflow flex-template run. 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 se habilita el ajuste adecuado, las sugerencias de recursos de la 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, 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 con mucha 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 con mucha 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

En el caso de los trabajos de transmisión, puedes habilitar el ajuste correcto configurando la opción de canalización --experiments=enable_streaming_rightfitting.

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

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

Un ejemplo de canalización que puede beneficiarse del ajuste adecuado es una que ejecuta una etapa que requiere un 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 que requiere un uso intensivo de la CPU. Esto puede provocar un uso deficiente 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 independientes, de modo que la etapa que requiere un uso intensivo de CPU se ejecute en el grupo de trabajadores de CPU y la etapa que requiere GPU se ejecute en el grupo de trabajadores de GPU.

En 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 escala verticalmente de forma inicial a 99 trabajadores y, luego, se reduce a 87 trabajadores. El grupo de trabajadores que ejecuta la etapa que requiere GPU, Pool 1, se escala verticalmente a 13 trabajadores:

En el gráfico Uso de CPU, se muestra que los trabajadores de ambos grupos tienen un uso de CPU alto en general:

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 correcto esté habilitado, consulta las métricas de ajuste de escala automático y verifica que la columna Worker pool esté visible y enumere diferentes grupos:

Rendimiento de la transmisión con ajuste adecuado

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 la capacidad de procesamiento es menor.
3. Los tamaños de los grupos de trabajadores cambian con más frecuencia o no se estabilizan

Si observas esto en tu canalización, puedes inhabilitar el ajuste correcto 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 podrían usar más aceleradores de lo deseado. Si observas esto en tu canalización, puedes configurar una cantidad máxima de aceleradores que use la canalización con la opción de canalización --experiments=max_num_accelerators=MAX_NUM_ACCELERATORS.