Armazenamento em cache de cluster

Quando você ativa o cache de cluster do Serviço Gerenciado para Apache Spark, o cluster armazena em cache os dados do Cloud Storage acessados com frequência pelos jobs do Spark.

Vantagens

• Melhoria na performance:o armazenamento em cache pode melhorar a performance do job ao reduzir o tempo gasto para recuperar 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 cache de cluster está ativado em um cluster, ele se aplica a todos os jobs do Spark executados nele, sejam enviados ao Serviço Gerenciado para Apache Spark ou executados de forma independente no cluster.

Limitações e requisitos

• O armazenamento em cache se aplica apenas a jobs do Serviço Gerenciado para Apache Spark.
• 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 workers. Os clusters de alta disponibilidade (HA) e de nó único não são compatíveis.
  • Esse recurso está disponível nas versões de imagem 2.0.72+, 2.1.20+ e 2.2.0+ do Serviço Gerenciado para Apache Spark.
  • Cada nó de cluster precisa ter SSDs locais anexados com a interface NVME (Non-Volatile Memory Express). Discos permanentes (PDs, na sigla em inglês) não são compatíveis. Os dados são armazenados em cache apenas em SSDs locais NVME.
  • O cluster usa a conta de serviço padrão da VM para autenticação. Contas de serviço de VM personalizadas estão indisponíveis.

Ativar o armazenamento em cache de cluster

É possível ativar o armazenamento em cache de cluster ao criar um cluster do Serviço Gerenciado para Apache Spark usando o console Google Cloud , a Google Cloud CLI ou a API Dataproc.

Console doGoogle Cloud

1. Abra a página Criar cluster do console Google Cloud .
2. Clique em Configuração adicional para abrir a seção.
3. Edite Personalização e outros.
4. No painel aberto, na seção Propriedades do cluster, clique em + Adicionar propriedades.
5. Selecione dataproc na lista Prefixo e adicione a chave dataproc.cluster.caching.enabled e o valor true.

CLI da gcloud

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

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 propriedade do cluster "dataproc:dataproc.cluster.caching.enabled": "true" como parte de uma solicitação clusters.create.