hadoop的job執行在yarn中內存分配調節————Container [pid=108284,containerID=container_e19_1533108188813_12125_01_0

 

 

實際遇到的真實問題,解決方法:

　　1.調整虛擬內存率yarn.nodemanager.vmem-pmem-ratio (這個hadoop默認是2.1)

       2.調整map與reduce的在AM中的大小大於yarn裏RM可分配的最小值yarn.scheduler.minimum-allocation-mb 大小由於在Container中計算使用的虛擬內存來自

       　　map虛擬內大小=max(yarn.scheduler.minimum-allocation-mb,mapreduce.map.memory.mb)  *  yarn.nodemanager.vmem-pmem-ratio,同理reduce虛擬內存大小也是這樣計算...

 

具體說明相關參數含義[文章參考:http://blog.chinaunix.net/uid-25691489-id-5587957.html與https://blog.csdn.net/u012042963/article/details/53099638]：

 

ResourceManager配置:

RM的內存資源配置，主要是經過下面的兩個參數進行的（這兩個值是Yarn平臺特性，應在yarn-site.xml中配置好）：

　　yarn.scheduler.minimum-allocation-mb
　　yarn.scheduler.maximum-allocation-mb

說明：單個容器可申請的最小與最大內存，應用在運行申請內存時不能超過最大值，小於最小值則分配最小值，從這個角度看，最小值有點想操做系統中的頁;

　　　最小值還有另一種用途，計算一個節點的最大container數目。注！！：這兩個值一經設定不能動態改變(此處所說的動態改變是指應用運行時)。

 

NodeManager配置:

NM的內存資源配置，主要是經過下面兩個參數進行的（這兩個值是Yarn平臺特性，應在yarn-sit.xml中配置） ：
　　yarn.nodemanager.resource.memory-mb   ===>每一個節點可用的最大內存
　　yarn.nodemanager.vmem-pmem-ratio        ===>虛擬內存率
說明：每一個節點可用的最大內存:

　　　　　RM中的兩個值(yarn.scheduler.minimum-allocation-mb與yarn.scheduler.maximum-allocation-mb)不該該超過此值,

　　　　　此數值能夠用於計算container最大數目，即：用此值除以RM中的最小容器內存;

　　　虛擬內存率:

　　　　　是佔task所用內存的百分比，默認值爲2.1倍,

　　   注意！！：第一個參數是不可修改的，一旦設置，整個運行過程當中不可動態修改，且該值的默認大小是8G，即便計算機內存不足8G也會按着8G內存來使用。

 

ApplicationMaster配置:

AM內存配置相關參數，此處以MapReduce爲例進行說明（這兩個值是AM特性，應在mapred-site.xml中配置），以下：
　　mapreduce.map.memory.mb
　　mapreduce.reduce.memory.mb
說明：這兩個參數指定用於MapReduce的兩個任務（Map and Reduce task）的內存大小，其值應該在RM中的最大(yarn.scheduler.maximum-allocation-mb)最小(yarn.scheduler.minimum-allocation-mb)container之間,若是沒有配置則經過以下簡單公式得到：
　　　　max(MIN_CONTAINER_SIZE, (Total Available RAM) / containers))
通常的reduce應該是map的2倍。

注！！：這兩個值能夠在應用啓動時經過參數改變

 

AM中JVM相關設置:

AM中其它與內存相關的參數，還有JVM相關的參數，這些參數能夠經過以下選項配置：
　　mapreduce.map.java.opts
　　mapreduce.reduce.java.opts
說明：這兩個參主要是爲須要運行JVM程序（java、scala等）準備的，經過這兩個設置能夠向JVM中傳遞參數的，與內存有關的是，-Xmx，-Xms等選項；此數值大小，應該在AM中的mapreduce.map.memory.mb和mapreduce.reduce.memory.mb之間。

 

實際案例:

Container [pid=108284,containerID=container_e19_1533108188813_12125_01_000002] is running beyond virtual memory limits. Current usage: 653.1 MB of 2 GB physical memory used; 5.4 GB of 4.2 GB virtual memory used. Killing container. 

<property>
    <name>yarn.nodemanager.vmem-pmem-ratio</name>
    <value>2.1</value>
    <source>yarn-default.xml</source>
</property>
<property>
    <name>yarn.nodemanager.resource.memory-mb</name>
    <value>8192</value>
    <source>yarn-default.xml</source>
</property>
<property>
    <name>yarn.scheduler.maximum-allocation-mb</name>
    <value>8192</value>
    <source>yarn-default.xml</source>
</property>
<property>
    <name>yarn.scheduler.minimum-allocation-mb</name>
    <value>1024</value>
    <source>yarn-default.xml</source>
</property>
<property>
    <name>mapreduce.map.memory.mb</name>
    <value>1024</value>
    <source>mapred-default.xml</source>
</property>
<property>
    <name>mapreduce.reduce.memory.mb</name>
    <value>1024</value>
    <source>mapred-default.xml</source>
</property>

 

經過配置咱們看到，容器的最小內存和最大內存分別爲：1024m和8192m，而reduce設置的默認值爲1024m，map也是默認值，因此兩個值都爲1024m,因此兩個值和爲2G便是log中" 653.1 MB of 2 GB physical memory used" 這個2G。而因爲使用了默認虛擬內存率(也就是2.1倍)，因此對於Map Task和Reduce Task總的虛擬內存爲都爲2*2.1=4.2G，這個4.2也是log中的"5.4 GB of 4.2 GB virtual memory used"  計算的這個虛擬內存。而應用的虛擬內存超過了這個數值，故報錯 。解決辦法:在啓動Yarn是調節虛擬內存率或者應用運行時調節內存大小

 

另一個案例:

Container[pid=41884,containerID=container_1405950053048_0016_01_000284] is running beyond virtual memory limits. Current usage: 314.6 MB of 2.9 GB physical memory used; 8.7 GB of 6.2 GB virtual memory used. Killing container.

        <property>
            <name>yarn.nodemanager.resource.memory-mb</name>
            <value>100000</value>
        </property>
        <property>
            <name>yarn.scheduler.maximum-allocation-mb</name>
            <value>10000</value>
        </property>
        <property>
            <name>yarn.scheduler.minimum-allocation-mb</name>
            <value>3000</value>
        </property>
       <property>
            <name>mapreduce.reduce.memory.mb</name>
            <value>2000</value>
        </property>    

 

經過配置咱們看到，容器的最小內存和最大內存分別爲：3000m和10000m，而reduce設置的默認值小於2000m，map沒有設置，因此兩個值均爲3000m，也就是log中的「2.9 GB physical
memory used」。而因爲使用了默認虛擬內存率(也就是2.1倍)，因此對於Map Task和Reduce Task總的虛擬內存爲都爲3000*2.1=6.2G。而應用的虛擬內存超過了這個數值，故報錯 。解決辦
法：在啓動Yarn是調節虛擬內存率或者應用運行時調節內存大小。

 

這個調整對應用很是有用！！！