深入理解Spark原理，从性能优化入手

Posted 2022-05-06 公众号JavaEdge

1 Spark任务文件初始化调优

首先进行性能测试，发现这个视频图谱N度级联关系应用分为5个job，最后一个job为保存结果到HDFS，其余job为同样计算过程的反复迭代。但是发现第一个job比其他job又多了个计算阶段stage，如图中红圈所示。

通过阅读程序代码，发现第一个job需要初始化一个空数组，从而产生了一个stage，但是这个stage在性能测试结果上显示，花费了14秒的时间，远远超出合理的预期范围。同时，发现这段时间网络通信也有一定开销，事实上只是内存数据初始化，代码上看不出需要进行网络通信的地方。下图是其中一台计算节点的通信开销，发现在第一个stage，写通信操作几乎没有，读通信操作大约每秒几十MB的传输速率。

分析Spark运行日志，发现这个stage主要花费时间并不是处理应用的计算逻辑，而是在从Driver进程下载应用执行代码。前面说过，Spark和MapReduce都是通过移动计算程序到数据所在的服务器节点，从而节省数据传输的网络通信开销，并进行分布式计算，即移动计算比移动数据更划算，而移动计算程序就是在这个阶段进行。

这个视频关系图谱计算程序因为依赖一个第三方的程序包，整个计算程序打包后大小超过17MB，这个17MB的JAR包需要部署到所有计算服务器上，即Worker节点上。但是只传输17MB的数据不可能花费这么多时间啊？
进一步分析Spark日志和代码后发现，每个计算节点上会启动多个Executor进程进行计算，而Spark的策略是每个Executor进程自己去下载应用程序JAR包，当时每台机器启动了30个Executor进程，这样就是4×30=120个进程下载，而Driver进程所在机器是一块千兆网卡，导致将这些数据传输完成花费了14秒的时间。
发现问题以后，解决办法就显而易见了。同一台服务器上的多个Executor进程不必每个都通过网络下载应用程序，只需要一个进程下载到本地后，其他进程将这个文件copy到自己的工作路径就可以了。

这段代码有个技术实现细节需要关注，就是多个进程同时去下载程序包的时候，如何保证只有一个进程去下载，而其他进程阻塞等待，也就是进程间的同步问题。
解决办法是使用了一个本地文件作为进程间同步的锁，只有获得文件锁的进程才去下载，其他进程得不到文件锁，就阻塞等待，阻塞结束后，检查本地程序文件是否已经生成。
这个优化实测效果良好，第一个stage从14秒下降到不足1秒，效果显著。

该案例的具体代码：https://github.com/apache/spark/pull/1616

Spark任务调度优化

将4台Worker机器CPU使用率进行对比：

在第一个job的第二个阶段，第三台机器的CPU使用率和其他机器明显不同，即计算资源利用不均衡：有忙有闲的资源分配方式通常会引发性能问题。

分析Spark日志和源码，当有空闲计算资源的Worker节点向Driver注册时，就会触发Spark任务分配，而分配使用轮询，每个Worker都会轮流分配任务，保证任务分配均衡，每个服务器都能领到一部分任务。
但实测结果是在第二个stage，只有一个Worker服务器领了任务，而其他服务器无任务执行！

分析日志，发现Worker节点向Driver注册有先有后，先注册的Worker开始领取任务，若：
$需执行任务数<Worker提供的计算单元数$，就会导致一个Worker领走所有任务。
而第一个job的第二个stage就是该场景，demo数据量小，按HDFS默认的Block大小，只有17个Block，第二个stage就是加载这17个Block进行初始迭代计算，只需要17个计算任务就能完成，所以当第三台服务器先于其他三台服务器向Driver注册的时候，触发Driver的任务分配，领走所有17个任务。
同时，为避免这种一个Worker先注册导致先领走全部任务，考虑增加一个配置项，只有注册的计算资源数达到阈值比例才开始分配任务：

spark.scheduler.minRegisteredResourcesRatio = 0.8

为了避免注册计算资源达不到期望资源比例而无法开始分配任务，在启动任务执行时，又增加了一个配置项，也就是最小等待时间，超过最小等待时间（秒），不管是否达到注册比例，都开始分配任务。

spark.scheduler.maxRegisteredResourcesWaitingTime = 3

启用这两个配置项后，第二个stage的任务被均匀分配到4个Worker服务器上，执行时间缩短了1.32倍。而4台Worker服务器的CPU利用率也变得很均衡了。

这个案例的具体代码你可以参考：https://github.com/apache/spark/pull/900
https://github.com/apache/spark/pull/1525

3 Spark应用配置优化

看案例2的几张CPU利用率的图，我们还发现所有4个Worker服务器的CPU利用率最大只能达到60%多一点。例如下图，绿色部分就是CPU空闲。

这种资源利用瓶颈的分析无需分析Spark日志和源代码，根据Spark原理，稍加思考就发现，当时使用的这些服务器CPU48核，而应用配置最大Executor数目120，每台服务器30个任务，虽然30个任务在每个CPU核上都100%运行，但总CPU使用率仍只有60%。
优化也简单，设置应用启动参数的Executor数为48×4=192。

4 操作系统配置优化

性能测试时发现，当使用不同服务器时，CPU资源利用情况也不同，某些服务器CPU处于sys态，即系统态运行的占比高：

图中紫色为CPU处于sys态，某些时候sys态占了CPU总使用率的近80%，这个比例显然是不合理的，表示虽然CPU很忙，但是没有执行用户计算，而是在执行操作系统的计算。
那么，操作系统究竟在忙什么，占用了这么多CPU时间？通过跟踪Linux内核执行指令，发现这些sys态的执行指令和Linux的配置参数transparent huge pages有关。
当transparent huge pages打开的时候，sys态CPU消耗就会增加，而不同Linux版本的transparent huge pages默认是否打开是不同的，对于默认打开transparent huge pages的Linux执行下面的指令，关闭transparent huge pages。

echo never > /sys/kernel/mm/transparent_hugepage/enabled
echo never > /sys/kernel/mm/ transparent_hugepage/defrag

关闭以后，对比前面的CPU消耗，sys占比明显下降，总的应用耗时也有明显下降。

5 硬件优化

分析网卡资源消耗，发现网络通信是性能瓶颈，对整个应用的影响明显。
比如在第二个、第三个job，网络通信消耗长达50s，网络读写通信都达到了网卡的最大吞吐能力，整个集群都在等待网络传输。

千兆网卡最大传输速率是125MB/s，这样的速率和CPU内存肯定没法比，而虽然比单个磁盘快点，但服务器磁盘是8块磁盘组成的阵列，总磁盘吞吐量碾压千兆网卡，因此网卡传输速率瓶颈成为系统性能瓶颈。
优化很简单：使用万兆网卡。

以前需要50s网络通信时间，缩短为10s左右。从性能曲线上看，网络通信在刚刚触及网卡最大传输速率的时候，就完成传输，总计算时间缩短近100s。

总结

大数据软件性能优化会涉及硬件、操作系统、大数据产品及其配置、应用程序开发和部署几个方面。当性能不能满足需求的时候，先看看各项性能指标是否合理，如果资源没有全面利用，那么可能是配置不合理或者大数据应用程序（包括SQL语句）需要优化；如果某项资源利用已经达到极限，那么就要具体来分析，是集群资源不足，需要增加新的硬件服务器，还是需要对某项硬件、操作系统或是JVM，甚至是对大数据产品源代码进行调优。