Armazenamento em cache de cluster

Ao ativar o armazenamento em cache do cluster do Dataproc, o cluster armazena em cache os dados do Cloud Storage acessados com frequência pelos jobs do Spark.

Vantagens

• Melhor desempenho: o armazenamento em cache pode melhorar o desempenho do job, reduzindo a quantidade de tempo gasto na recuperação de dados do armazenamento.
• Custos de armazenamento reduzidos: como os dados ativos são armazenados em cache no disco local, menos chamadas de API são feitas para o armazenamento para recuperar dados.
• Aplicabilidade do job do Spark: quando o armazenamento em cache do cluster está ativado em um cluster, ele se aplica a todos os jobs do Spark executados no cluster, sejam enviados ao serviço do Dataproc ou executados de forma independente no cluster.

Limitações e requisitos

• O armazenamento em cache se aplica apenas a jobs do Spark do Dataproc.
• Somente os dados do Cloud Storage são armazenados em cache.
• O armazenamento em cache só se aplica a clusters que atendem aos seguintes requisitos:
  • O cluster tem um mestre e n trabalhadores (clusters de alta disponibilidade (HA) e de nó único não são compatíveis).
  • Esse recurso está disponível nas versões de imagem do Dataproc no Compute Engine 2.0.72+, 2.1.20+ e 2.2.0+.
  • Cada nó de cluster precisa ter SSDs locais anexados com a interface NVME (Non-Volatile Memory Express) . Os discos permanentes (PDs) não são compatíveis. Os dados são armazenados em cache apenas em SSDs locais NVME.
  • O cluster usa a conta de serviço de VM padrão para autenticação. As contas de serviço de VM personalizadas não são compatíveis.

Ativar o armazenamento em cache do cluster

É possível ativar o armazenamento em cache do cluster ao criar um cluster do Dataproc usando o Google Cloud console, a CLI do Google Cloud ou a API Dataproc.

Google Cloud Console do

• Abra a página Criar um cluster no Compute Engine do Dataproc no Google Cloud console.
• O painho Configurar cluster está selecionado. Na seção Melhorias de desempenho do Spark, selecione Ativar o armazenamento em cache do Google Cloud Storage.
• Depois de confirmar e especificar os detalhes do cluster nos painéis de criação de cluster, clique em Criar.

CLI da gcloud

Execute o comando gcloud dataproc clusters create localmente em uma janela de terminal ou no Cloud Shell usando a dataproc:dataproc.cluster.caching.enabled=true propriedade de cluster.

Exemplo:

gcloud dataproc clusters create CLUSTER_NAME \
    --region=REGION \
    --properties dataproc:dataproc.cluster.caching.enabled=true \
    --num-master-local-ssds=2 \
    --master-local-ssd-interface=NVME \
    --num-worker-local-ssds=2 \
    --worker-local-ssd-interface=NVME \
    other args ...
  

API REST

Defina SoftwareConfig.properties para incluir a "dataproc:dataproc.cluster.caching.enabled": "true" propriedade de cluster como parte de uma clusters.create.