Flexible VMs ist ein Feature von Managed Service for Apache Spark, mit dem Sie priorisierte Listen von VM-Typen für Master-, primäre und sekundäre Worker-Knoten von Managed Service for Apache Spark angeben können, wenn Sie einen Managed Service for Apache Spark-Cluster erstellen.
Vorteile flexibler VMs
Das Problem: Wenn ein VM-Typ nicht verfügbar ist, wenn Sie eine Anfrage zur Clustererstellung senden, schlägt die Anfrage fehl. Sie müssen dann Ihre Anfrage, Ihr Skript oder Ihren Code aktualisieren, um einen „nächstbesten“ VM-Typ anzugeben. Dieser Vorgang kann mehrere Iterationen umfassen, bis Sie einen verfügbaren VM-Typ angeben.
Die Lösung: Mit dem Feature für flexible VMs von Managed Service for Apache Spark kann Ihre Anfrage zur Clustererstellung erfolgreich sein. Dazu werden Master-, primäre und sekundäre Worker-VM-Typen aus Ihren priorisierten VM-Listen ausgewählt und dann in Ihrer angegebenen Clusterregion nach Zonen mit Verfügbarkeit der aufgeführten VM-Typen gesucht.
Beschränkungen
- Cluster, die flexible VMs verwenden, können nicht beendet werden.
- In Clustern, die flexible VMs verwenden, können x86- und ARM-Maschinentypen nicht in einer
instanceSelectionListoder in Master-, primären Worker- und sekundären Worker-Knotengruppen gemischt werden. Da ein Cluster ein einzelnes Image verwendet, müssen alle VM-Typen im Cluster mit der CPU-Architektur des ausgewählten Managed Service for Apache Spark-Images übereinstimmen.
Terminologie
- VM-Typ: Die Familie, die Arbeitsspeicherkapazität und die Anzahl der CPU-Kerne einer VM-Instanz. Managed Service for Apache Spark unterstützt die Verwendung von vordefinierten und benutzerdefinierten VM-Typen.
- Master- und primäre Worker-Knoten: Standardmäßig hat ein Managed Service for Apache Spark-Cluster einen Masterknoten und zwei primäre Worker-Knoten.
- Ein Hochverfügbarkeitscluster (HA) hat drei Masterknoten.
- Ein Cluster mit einem einzelnen Knoten hat einen Knoten, der als Master- und Worker-Knoten fungiert.
- Ein auf null skalierter Cluster hat nur einen Masterknoten und sekundäre Worker (keine primären Worker).
- Sekundäre Worker-Knoten: Sekundäre Worker speichern keine Daten und fungieren nur als Verarbeitungsknoten. Mit sekundären Workern können Sie die Rechenleistung skalieren, ohne den Speicher zu skalieren. Der standardmäßige flexible VM-Sekundär-Worker-Typ ist eine Spot-VM, die ein Typ auf Abruf ist.
Nutzung
- Flexible VMs sind in Managed Service for Apache Spark in den imageversions
2.0.74+,2.1.76+,2.2.42+und höher von Managed Service for Apache Spark verfügbar.- Ab Image-Version
3.0gibt Managed Service for Apache Spark beim Erstellen eines Clusters ohne Angabe eines Maschinentyps für einen Clusterknoten den Knoten mit einer Rangliste flexibler VM-Maschinentypen an, z. B. eine Rangliste von Maschinentypen der Serien N4, N2 und E2. Die Liste ist für die Ressourcenverfügbarkeit optimiert.
- Ab Image-Version
Sie können bis zu fünf sortierte VM-Typlisten mit bis zu zehn VM-Typen pro Liste angeben.
Sie können flexible VMs in Workflowvorlagen einbinden, um die Ausfallsicherheit bei nicht verfügbaren Ressourcen zu erhöhen, wenn Cluster aus der Vorlage erstellt werden.
Empfehlung: Aktivieren Sie die automatische Zonenplatzierung für Managed Service for Apache Spark. Dadurch kann Managed Service for Apache Spark eine Zone mit der Kapazität zum Bereitstellen der angeforderten VMs auswählen.
Standardmäßig muss ein Clusterknoten einen Laufwerkstyp verwenden. Sie können Laufwerksüberschreibungen verwenden, um verschiedene Laufwerkstypen für verschiedene Maschinentypen anzugeben, die für einen Flex-VM-Clusterknoten angegeben sind.
Sie können zwar unterschiedliche CPU-zu-Arbeitsspeicher-Verhältnisse für primäre und sekundäre Worker-VM-Typen in einem Cluster angeben, dies kann jedoch zu Leistungseinbußen führen, da das kleinste CPU-zu-Arbeitsspeicher-Verhältnis als kleinste Containereinheit verwendet wird.
Wenn Ihre Anfrage zur Clustererstellung eine Autoscaling-Richtlinie enthält, können flexible VMs aus verschiedenen VM-Familien stammen, müssen aber dieselbe Menge an Arbeitsspeicher und dieselbe Anzahl von Kernen haben.
Hochverfügbarkeits-Cluster-Masternodes unterstützen flexible VMs, wenn alle Master-VM-Typen dieselbe Anzahl von vCPUs haben und der Arbeitsspeicher des größten Master-VM-Typs höchstens 25 % größer ist als der Arbeitsspeicher des kleinsten Master-VM-Typs.
Maschinentypen, die mit Reservierungen übereinstimmen, werden zuerst innerhalb eines Rangs ausgewählt, gefolgt von VM-Typen mit der größten Anzahl an CPUs.
Managed Service for Apache Spark wendet Google Cloud Kontingente auf die flexible VM-Bereitstellung an.
Wenn Sie einen Cluster aktualisieren, der mit flexiblen VMs erstellt wurde, wählt Managed Service for Apache Spark Worker aus den Listen flexibler VMs aus, die Sie beim Erstellen des Clusters angegeben haben, und fügt sie hinzu.
Flexible VMs anfordern
Sie können bis zu fünf sortierte VM-Typlisten mit bis zu zehn VM-Typen pro Liste angeben. Listen mit dem niedrigsten Rang haben die höchste Priorität. Standardmäßig haben flexible VM-Listen den Rang 0. Innerhalb einer Liste priorisiert Managed Service for Apache Spark VM-Typen mit nicht verwendeten Reservierungen, gefolgt von den größten VM-Größen. VM-Typen in einer Liste mit derselben CPU-Anzahl werden gleich behandelt.
Sie können flexible VMs anfordern, wenn Sie einen Managed Service for Apache Spark-Cluster mit der Google Cloud Console, der Google Cloud CLI, der Dataproc API, Managed Service for Apache Airflow oder Terraform erstellen.
Console
So erstellen Sie einen Cluster mit flexiblen VMs:
- Öffnen Sie die Seite Cluster erstellen.
- Klicken Sie auf Zusätzliche Konfiguration, um den Bereich zu maximieren.
- Bearbeiten Sie Primäre Worker oder Sekundäre Worker. Geben Sie unter Worker-Typen hinzufügen zusätzliche eingestufte VMs an.
gcloud
Verwenden Sie den Befehl gcloud dataproc clusters create mit den Flags master-instance-selection, worker-instance-selection und secondary-worker-instance-selection, um flexible VM-Listen für Master-, primäre und sekundäre Worker anzugeben.
Im folgenden Beispiel werden Master-, primäre und sekundäre VM-Typen mit den folgenden Prioritäten angefordert:
e2-standard-8-VMs bereitstellen, falls verfügbar (Rang 0). Wenn keinee2-standard-8-Maschinen verfügbar sind,n2-standard-8-VMs bereitstellen (Rang 1).
Da der sekundäre Workertyp nicht angegeben ist, werden sekundäre Spot-VMs auf Abruf bereitgestellt.
gcloud dataproc clusters create CLUSTER_NAME \
--region=REGION \
--zone="" \
--master-instance-selection='{"machineTypes":["e2-standard-8"],"rank":0}' \
--master-instance-selection='{"machineTypes":["n2-standard-8"],"rank":1}' \
--num-workers=10 \
--worker-instance-selection='{"machineTypes":["e2-standard-8"],"rank":0}' \
--worker-instance-selection='{"machineTypes":["n2-standard-8"],"rank":1}' \
--num-secondary-workers=4 \
--secondary-worker-instance-selection='{"machineTypes":["e2-standard-8"],"rank":0}' \
--secondary-worker-instance-selection='{"machineTypes":["n2-standard-8"],"rank":1}'
Hinweise:
--zone="": Wenn Sie dieses Flag auf einen leeren Wert setzen, wird die automatische Zonenplatzierung aktiviert. Dadurch kann Managed Service for Apache Spark eine Zone auswählen, in der die angeforderten VM-Typen verfügbar sind. Dieser Flag-Wert überschreibt jede Zonenauswahl, die in Ihrer Standard-gcloud config listangegeben ist.
API
Verwenden Sie instanceFlexibilityPolicy.instanceSelectionList als Teil einer Dataproc API-Anfrage clusters.create, um eine sortierte Liste von machineTypes für Master-, primäre und sekundäre Worker anzugeben.
Beispiel: Das folgende JSON-Snippet aus einem clusters.create-Anfragetext gibt die Maschinentypen für den Master (masterConfig), den primären Worker (workerConfig) und den sekundären Worker (secondaryWorkerConfig) mit den Rängen 0 und 1 an.
{
"projectId": "PROJECT_ID",
"clusterName": "CLUSTER_NAME",
"config": {
"gceClusterConfig": {
"zoneUri": ""
},
"masterConfig": {
"numInstances": 1,
"instanceFlexibilityPolicy": {
"instanceSelectionList": [
{
"machineTypes": ["e2-standard-8"],
"rank": 0
},
{
"machineTypes": ["n2-standard-8"],
"rank": 1
}
]
}
},
"workerConfig": {
"numInstances": 10,
"instanceFlexibilityPolicy": {
"instanceSelectionList": [
{
"machineTypes": ["e2-standard-8"],
"rank": 0
},
{
"machineTypes": ["n2-standard-8"],
"rank": 1
}
]
}
},
"secondaryWorkerConfig": {
"numInstances": 4,
"instanceFlexibilityPolicy": {
"instanceSelectionList": [
{
"machineTypes": ["e2-standard-8"],
"rank": 0
},
{
"machineTypes": ["n2-standard-8"],
"rank": 1
}
]
}
}
}
}
Cloud Composer
Verwenden Sie den Operator DataprocCreateClusterOperator in einem Apache Airflow-DAG, um instance_flexibility_policy für Master-, primäre und sekundäre Worker anzugeben:
from airflow import DAG
from airflow.models import Variable
from airflow.providers.google.cloud.operators.dataproc import (
DataprocCreateClusterOperator,
)
from airflow.utils.dates import days_ago
PROJECT_ID = Variable.get("DATAPROC_PROJECT_ID")
REGION = Variable.get("DATAPROC_REGION")
CLUSTER_NAME = Variable.get("DATAPROC_CLUSTER_NAME")
NUM_WORKERS = int(Variable.get("DATAPROC_NUM_WORKERS"))
MIN_NUM_WORKERS = int(Variable.get("DATAPROC_MIN_NUM_WORKERS"))
FLEX_SELECTION_LIST = [
{
"machine_types": ["e2-standard-8"],
"rank": 0,
},
{
"machine_types": ["n2-standard-8"],
"rank": 1,
},
]
CLUSTER_CONFIG = {
"gce_cluster_config": {
"zone_uri": "",
},
"master_config": {
"num_instances": 1,
"instance_flexibility_policy": {
"instance_selection_list": FLEX_SELECTION_LIST,
},
},
"worker_config": {
"num_instances": NUM_WORKERS,
"min_num_instances": MIN_NUM_WORKERS,
"instance_flexibility_policy": {
"instance_selection_list": FLEX_SELECTION_LIST,
},
},
"secondary_worker_config": {
"num_instances": 4,
"instance_flexibility_policy": {
"instance_selection_list": FLEX_SELECTION_LIST,
},
},
}
with DAG(
"dataproc_flexvm_dag",
start_date=days_ago(1),
schedule_interval=None,
catchup=False,
) as dag:
create_dataproc_cluster = DataprocCreateClusterOperator(
task_id="create_dataproc_flexvm_cluster",
project_id=PROJECT_ID,
region=REGION,
cluster_name=CLUSTER_NAME,
cluster_config=CLUSTER_CONFIG,
)
Terraform
Informationen zum Anwenden oder Entfernen einer Terraform-Konfiguration finden Sie unter Grundlegende Terraform-Befehle. Weitere Informationen finden Sie in der Referenzdokumentation des Anbieters zu Terraform.
Verwenden Sie die Ressource google_dataproc_cluster mit instance_flexibility_policy-Blöcken, um flexible VM-Listen mit Rangfolge anzugeben:
variable "project_id" {
type = string
description = "The Google Cloud project ID"
}
variable "region" {
type = string
description = "The Google Cloud region for Dataproc deployment"
}
variable "cluster_name" {
type = string
description = "Name of the Dataproc cluster"
}
variable "num_workers" {
type = number
description = "Target number of primary workers"
}
variable "min_num_workers" {
type = number
description = "Minimum primary workers for partial cluster creation"
}
resource "google_dataproc_cluster" "flex_cluster" {
name = var.cluster_name
project = var.project_id
region = var.region
cluster_config {
gce_cluster_config {
zone = ""
}
master_config {
num_instances = 1
instance_flexibility_policy {
instance_selection_list {
machine_types = ["e2-standard-8"]
rank = 0
}
instance_selection_list {
machine_types = ["n2-standard-8"]
rank = 1
}
}
}
worker_config {
num_instances = var.num_workers
min_num_instances = var.min_num_workers
instance_flexibility_policy {
instance_selection_list {
machine_types = ["e2-standard-8"]
rank = 0
}
instance_selection_list {
machine_types = ["n2-standard-8"]
rank = 1
}
}
}
secondary_worker_config {
num_instances = 4
instance_flexibility_policy {
instance_selection_list {
machine_types = ["e2-standard-8"]
rank = 0
}
instance_selection_list {
machine_types = ["n2-standard-8"]
rank = 1
}
}
}
}
}
Laufwerksüberschreibungen
Sie können Laufwerksüberschreibungen für jeden Maschinentyp (Instanzauswahl) in Ihrer flexiblen VM-Spezifikation angeben. So können Sie Bootlaufwerke anpassen, lokale SSDs überschreiben und zusätzliche Laufwerke für bestimmte Maschinentypen anhängen.
Optionen und Regeln für die Laufwerksüberschreibung
Konfigurationsoptionen für die Laufwerksüberschreibung:
- Basis-Laufwerkskonfiguration: Eine für einen Clusterknoten angegebene Laufwerkskonfiguration, z. B. die Angabe einer Bootlaufwerksgröße für primäre Worker mit dem gcloud CLI-Flag
--worker-boot-disk-sizeoder dem Dataproc API-FeldworkerConfig.diskConfig.bootDiskSizeGb. - Laufwerksüberschreibungen für die Instanzauswahl: Laufwerkskonfigurationen für Maschinentypen, die für einen Clusterknoten angegeben sind.
Konfigurationsregeln für die Laufwerksüberschreibung:
Basis-Laufwerkskonfiguration: Wenn keine Instanzauswahl für einen Clusterknoten eine
diskConfig-Überschreibung enthält, können Sie eine Basis-Laufwerkskonfiguration für den Knoten definieren. Diese Basislaufwerkskonfiguration wird auf alle Instanzauswahlen für den Knoten angewendet.Laufwerkskonfigurationen für die Instanzauswahl: Wenn eine Instanzauswahl für einen Clusterknoten eine
diskConfig-Überschreibung enthält, müssen alle Instanzauswahlen in der Knotengruppe einediskConfigenthalten. Wenn Sie auch eine Basis-Laufwerkskonfiguration für den Knoten definieren, tritt ein Validierungsfehler auf.Kompatibilität von Maschinentypen: Alle Maschinentypen innerhalb einer einzelnen
InstanceSelectionmüssen mit der angegebenendiskConfigkompatibel sein. Sie können beispielsweise den Maschinentype2-standard-4, der Hyperdisk nicht unterstützt, nicht mit dem Maschinentypn4-standard-4, der Hyperdisk erfordert, in derselben Instanzauswahl gruppieren, da diediskConfignicht beide Maschinentypen erfüllen kann.Unterstützung für lokale SSDs: Wenn Sie lokale SSDs (
numLocalSsds> 0) in einer Laufwerksüberschreibungskonfiguration konfigurieren, müssen alle Maschinentypen in der Instanzauswahl lokale SSDs unterstützen.Erforderliche Konfigurationsfelder für die Laufwerksüberschreibung:
- Wenn Sie
diskConfigfür eine Instanzauswahl definieren, istbootDiskTypeobligatorisch. - Wenn Sie
attachedDiskConfigsdefinieren, sind sowohltypeals auchdiskSizeGbfür jedes angehängte Laufwerk erforderlich.
- Wenn Sie
Beispiele für die Konfiguration von Laufwerksüberschreibungen
Im folgenden Beispiel werden die folgenden Konfigurationsoptionen für die Laufwerksüberschreibung für die folgenden Clusterknoten angegeben:
- Masterknoten: Verwenden Sie Standard-Bootlaufwerke.
- Primäre Worker: Verwenden Sie benutzerdefinierte Laufwerke pro Instanzauswahl:
n4-standard-4verwendet beispielsweisehyperdisk-balanced, währendn2-standard-4pd-standardverwendet. - Sekundäre Worker: Verwenden Sie eine benutzerdefinierte Basislaufwerkskonfiguration:
pd-ssdmit200 GB, die auf alle Instanzauswahlen angewendet wird.
gcloud YAML
Definieren Sie die flexiblen VM-Richtlinien in YAML-Dateien für Master-, primäre Worker- und sekundäre Worker-Knoten:
master-flex-policy.yaml:instanceFlexibilityPolicy: instanceSelectionList: - machineTypes: - e2-standard-8 rank: 0 - machineTypes: - n2-standard-8 rank: 1worker-flex-policy.yaml:instanceFlexibilityPolicy: instanceSelectionList: - machineTypes: - n4-standard-4 rank: 0 diskConfig: bootDiskType: hyperdisk-balanced bootDiskSizeGb: 100 bootDiskProvisionedIops: 6000 bootDiskProvisionedThroughput: 400 attachedDiskConfigs: - type: hyperdisk-throughput diskSizeGb: 300 - machineTypes: - n2-standard-4 rank: 0 diskConfig: bootDiskType: pd-standard bootDiskSizeGb: 400secondary-worker-flex-policy.yaml:instanceFlexibilityPolicy: instanceSelectionList: - machineTypes: - e2-standard-8 rank: 0 - machineTypes: - n2-standard-8 rank: 1
Verwenden Sie den Befehl gcloud dataproc clusters create, um die Richtliniendateien zu übergeben:
gcloud dataproc clusters create CLUSTER_NAME \
--region=REGION \
--zone="" \
--num-masters=1 \
--master-instance-flexibility-policy-file=master-flex-policy.yaml \
--num-workers=10 \
--worker-instance-flexibility-policy-file=worker-flex-policy.yaml \
--num-secondary-workers=4 \
--secondary-worker-boot-disk-type=pd-ssd \
--secondary-worker-boot-disk-size=200 \
--secondary-worker-instance-flexibility-policy-file=secondary-worker-flex-policy.yaml
gcloud JSON
Verwenden Sie den Befehl gcloud dataproc clusters create mit Inline-JSON-diskConfig-Spezifikationen in --worker-instance-selection:
gcloud dataproc clusters create CLUSTER_NAME \
--region=REGION \
--zone="" \
--num-masters=1 \
--master-instance-selection='{"machineTypes":["e2-standard-8"],"rank":0}' \
--master-instance-selection='{"machineTypes":["n2-standard-8"],"rank":1}' \
--num-workers=10 \
--worker-instance-selection='{"machineTypes":["n4-standard-4"],"rank":0,"diskConfig":{"bootDiskType":"hyperdisk-balanced","bootDiskSizeGb":100,"bootDiskProvisionedIops":6000,"bootDiskProvisionedThroughput":400,"attachedDiskConfigs":[{"type":"hyperdisk-throughput","diskSizeGb":300}]}}' \
--worker-instance-selection='{"machineTypes":["n2-standard-4"],"rank":0,"diskConfig":{"bootDiskType":"pd-standard","bootDiskSizeGb":400}}' \
--num-secondary-workers=4 \
--secondary-worker-boot-disk-type=pd-ssd \
--secondary-worker-boot-disk-size=200 \
--secondary-worker-instance-selection='{"machineTypes":["e2-standard-8"],"rank":0}' \
--secondary-worker-instance-selection='{"machineTypes":["n2-standard-8"],"rank":1}'
API
Verwenden Sie das Feld diskConfig in einer instanceFlexibilityPolicy.instanceSelectionList in einer clusters.create-Anfrage der Dataproc API.
Beispiel für einen JSON-Anfragetext:
{
"projectId": "PROJECT_ID",
"clusterName": "CLUSTER_NAME",
"config": {
"gceClusterConfig": {
"zoneUri": ""
},
"masterConfig": {
"numInstances": 1,
"instanceFlexibilityPolicy": {
"instanceSelectionList": [
{
"machineTypes": ["e2-standard-8"],
"rank": 0
},
{
"machineTypes": ["n2-standard-8"],
"rank": 1
}
]
}
},
"workerConfig": {
"numInstances": 10,
"instanceFlexibilityPolicy": {
"instanceSelectionList": [
{
"machineTypes": ["n4-standard-4"],
"rank": 0,
"diskConfig": {
"bootDiskType": "hyperdisk-balanced",
"bootDiskSizeGb": 100,
"bootDiskProvisionedIops": 6000,
"bootDiskProvisionedThroughput": 400,
"attachedDiskConfigs": [
{
"type": "hyperdisk-throughput",
"diskSizeGb": 2048
}
]
}
},
{
"machineTypes": ["n2-standard-4"],
"rank": 0,
"diskConfig": {
"bootDiskType": "pd-standard",
"bootDiskSizeGb": 400
}
}
]
}
},
"secondaryWorkerConfig": {
"numInstances": 4,
"diskConfig": {
"bootDiskType": "pd-ssd",
"bootDiskSizeGb": 200
},
"instanceFlexibilityPolicy": {
"instanceSelectionList": [
{
"machineTypes": ["e2-standard-8"],
"rank": 0
},
{
"machineTypes": ["n2-standard-8"],
"rank": 1
}
]
}
}
}
}
Flex-VM-Attribute überschreiben
Managed Service for Apache Spark legt Attribute auf Clusterebene fest. Wenn Sie einen Cluster erstellen, der flexible VMs verwendet, können Sie systemgenerierte Attribute für primäre und sekundäre Worker-Flex-VM-Typen überschreiben.
gcloud
Wenn Sie Attribute beim Erstellen eines Clusters überschreiben möchten, verwenden Sie das Flag --properties mit der folgenden Syntax:
--properties="$ROLE:$MACHINE_TYPE:$COMPONENT_PREFIX:$COMPONENT_PROPERTY=$VALUE"
- ROLE kann entweder
primary_workerodersecondary_workersein. - Trennen Sie mehrere Properties durch ein Komma.
Mit dem folgenden gcloud dataproc clusters create-Befehl wird die Anzahl der vCPUs überschrieben, die YARN für NodeManager auf sekundären Workern zuweist. In diesem Beispiel wird der Wert yarn.nodemanager.resource.cpu-vcores in yarn-site.xml für alle sekundären Worker-VMs vom Typ e2-standard-8 und n2-standard-8 auf 6 gesetzt.
gcloud dataproc clusters create CLUSTER_NAME \
--region=REGION \
--zone="" \
--master-instance-selection='{"machineTypes":["e2-standard-8"],"rank":0}' \
--master-instance-selection='{"machineTypes":["n2-standard-8"],"rank":1}' \
--num-workers=10 \
--worker-instance-selection='{"machineTypes":["e2-standard-8"],"rank":0}' \
--worker-instance-selection='{"machineTypes":["n2-standard-8"],"rank":1}' \
--num-secondary-workers=4 \
--secondary-worker-instance-selection='{"machineTypes":["e2-standard-8"],"rank":0}' \
--secondary-worker-instance-selection='{"machineTypes":["n2-standard-8"],"rank":1}' \
--properties="secondary_worker:e2-standard-8:yarn:yarn.nodemanager.resource.cpu-vcores=6,secondary_worker:n2-standard-8:yarn:yarn.nodemanager.resource.cpu-vcores=6"
API
Wenn Sie Attribute überschreiben möchten, definieren Sie sie im Feld properties des Objekts SoftwareConfig in Ihrer Anfrage zur Clustererstellung.
Verwenden Sie die folgende Syntax für den Attributschlüssel:
ROLE:MACHINE_TYPE:COMPONENT_PREFIX:COMPONENT_PROPERTY
- ROLE kann entweder
primary_workerodersecondary_workersein.
Mit dem folgenden SoftwareConfig-Objekt wird die Anzahl der vCPUs überschrieben, die YARN für NodeManager auf sekundären Workern zuweist. In diesem Beispiel wird der Wert yarn.nodemanager.resource.cpu-vcores für alle sekundären Worker-VMs vom Typ e2-standard-8 und n2-standard-8 auf 6 gesetzt.
{
"imageVersion":"2.2.42",
"properties": {
"secondary_worker:e2-standard-8:yarn:yarn.nodemanager.resource.cpu-vcores" : "6",
"secondary_worker:n2-standard-8:yarn:yarn.nodemanager.resource.cpu-vcores" : "6"
}
}
Flexible VM-Instanzverteilung überwachen
Nachdem Sie einen Cluster mit flexiblen VMs erstellt haben, können Sie die Verteilung der bereitgestellten VM-Instanzen auf Maschinentypen und Zonen beobachten.
Clustermetadaten prüfen
Wenn Sie die Maschinentypen und die Anzahl der VMs sehen möchten, die für die einzelnen Knotengruppen bereitgestellt werden, prüfen Sie das Feld instanceSelectionResults in den Clustermetadaten.
Sie können instanceSelectionResults unter masterConfig, workerConfig oder secondaryWorkerConfig in der Dataproc API-Antwort clusters.get oder in der Ausgabe des Befehls gcloud dataproc clusters describe aufrufen.
Das folgende Beispiel zeigt ein instanceSelectionResults-Snippet aus einem gcloud dataproc clusters describe-Befehl:
workerConfig:
instanceFlexibilityPolicy:
instanceSelectionResults:
- machineType: n4-standard-8
vmCount: 6
- machineType: n2-standard-8
vmCount: 4
Instanzverteilung in Cloud Monitoring ansehen
Wenn Sie die Verteilung von VM-Instanzen auf Maschinentypen und Zonen im Zeitverlauf sowie aktive und inaktive Instanzen überwachen möchten, verwenden Sie das vorkonfigurierte Dashboard GCE MIG Instance Distribution Monitoring in Cloud Monitoring.
So rufen Sie die Instanzverteilung Ihres Clusters in Monitoring auf:
Rufen Sie den
clusterUuidIhres Clusters ab.Führen Sie dazu beispielsweise den folgenden Befehl aus:
gcloud dataproc clusters describe CLUSTER_NAME \ --region=REGION \ --format="value(clusterUuid)"Ersetzen Sie Folgendes:
CLUSTER_NAME: Der Name Ihres Clusters.REGION: Die Google Cloud -Region, in der sich Ihr Cluster befindet.
Rufen Sie in der Google Cloud Console die Seite Monitoring > Dashboards auf.
Suchen Sie im Filter nach GCE MIG Instance Distribution Monitoring und wählen Sie das Dashboard aus. Sie finden dieses Dashboard auch im Menü Typ > Kategorie Google-Dienste.
Fügen Sie einen Dashboard-Filter für das automatisch angewendete Label
goog-dataproc-cluster-uuidhinzu, das auf die UUID Ihres Clusters festgelegt ist, um die Diagramme nach den verwalteten Instanzgruppen Ihres Clusters zu filtern.
Weitere Informationen zu diesem Dashboard finden Sie unter Instanzverteilung in MIGs überwachen.