Soluciona problemas de errores de memoria insuficiente de la VM

En esta página, se proporciona información sobre los errores de falta de memoria (OOM) de la VM de Compute Engine en Managed Service para Apache Spark y se explican los pasos que puedes seguir para solucionar estos errores.

Efectos de los errores de OOM

Cuando las VMs de Managed Service para Apache Spark encuentran errores de falta de memoria (OOM), los efectos incluyen las siguientes condiciones:

  • Las VMs principales y de trabajador se inmovilizan durante un período.

  • Los errores de OOM de las VMs maestras hacen que los trabajos fallen con errores de "tarea no adquirida".

  • Los errores de OOM de la VM de trabajador causan una pérdida del nodo en YARN HDFS, lo que retrasa la ejecución del trabajo de Managed Service para Apache Spark.

Controles de memoria de YARN

Apache YARN proporciona los siguientes tipos de controles de memoria:

  • Basado en sondeos (heredado)
  • Estricto
  • Elastic

De forma predeterminada, Managed Service para Apache Spark no establece yarn.nodemanager.resource.memory.enabled para habilitar los controles de memoria de YARN por los siguientes motivos:

  • El control estricto de la memoria puede causar la finalización de los contenedores cuando hay memoria suficiente si los tamaños de los contenedores no se configuran de forma correcta.
  • Los requisitos de control de memoria elástica pueden afectar de forma negativa la ejecución de los trabajos.
  • Los controles de memoria de YARN pueden fallar y no evitar los errores de OOM cuando los procesos consumen memoria de forma agresiva.

Protección de la memoria de Managed Service para Apache Spark

Cuando una VM de clúster de Managed Service para Apache Spark tiene presión de memoria, la protección de memoria de Managed Service para Apache Spark finaliza los procesos o contenedores hasta que se quite la condición de OOM.

Managed Service para Apache Spark proporciona protección de memoria para los siguientes nodos de clúster en las siguientes versiones de imagen de Managed Service para Apache Spark:

Rol 1.5 2.0 2.1 2.2
VM principal 1.5.74+ 2.0.48+ todos todos
VM de trabajador No disponible 2.0.76+ 2.1.24+ todos
VM del grupo de controladores No disponible 2.0.76+ 2.1.24+ todos

Identifica y confirma las finalizaciones de la protección de la memoria

Puedes usar la siguiente información para identificar y confirmar las finalizaciones de trabajos debido a la presión de memoria.

Finalizaciones de procesos

  • Los procesos que finaliza la protección de memoria de Managed Service para Apache Spark salen con el código 137 o 143.

  • Cuando Managed Service para Apache Spark finaliza un proceso debido a la presión de la memoria, pueden ocurrir las siguientes acciones o condiciones:

    • Managed Service para Apache Spark incrementa la métrica acumulativa dataproc.googleapis.com/node/problem_count y establece reason en ProcessKilledDueToMemoryPressure. Consulta Recopilación de métricas de recursos de Managed Service para Apache Spark.
    • Managed Service para Apache Spark escribe un registro google.dataproc.oom-killer con el mensaje: "A process is killed due to memory pressure: process name. Para ver estos mensajes, habilita Logging y, luego, usa el siguiente filtro de registro:
      resource.type="cloud_dataproc_cluster"
      resource.labels.cluster_name="CLUSTER_NAME"
      resource.labels.cluster_uuid="CLUSTER_UUID"
      jsonPayload.message:"A process is killed due to memory pressure:"
      

Finalizaciones de trabajos del grupo de nodos principal o del nodo controlador

  • Cuando un trabajo del nodo principal o del grupo de nodos controladores de Managed Service para Apache Spark finaliza debido a la presión de la memoria, el trabajo falla con el código de error Driver received SIGTERM/SIGKILL signal and exited with INT. Para ver estos mensajes, habilita Logging y, luego, usa el siguiente filtro de registro:

    resource.type="cloud_dataproc_cluster"
    resource.labels.cluster_name="CLUSTER_NAME"
    resource.labels.cluster_uuid="CLUSTER_UUID"
    jsonPayload.message:"Driver received SIGTERM/SIGKILL signal and exited with"
        

    • Verifica el registro google.dataproc.oom-killer o el dataproc.googleapis.com/node/problem_count para confirmar que la protección de memoria de Managed Service para Apache Spark finalizó el trabajo (consulta Finalizaciones de procesos).

    Soluciones:

    • Si el clúster tiene un grupo de controladores, aumenta driver-required-memory-mb al uso de memoria real del trabajo.
    • Si el clúster no tiene un grupo de controladores, vuelve a crearlo y disminuye la cantidad máxima de trabajos simultáneos que se ejecutan en el clúster.
    • Usa un tipo de máquina de nodo principal con más memoria.

Finalizaciones de contenedores de YARN de nodos trabajadores

  • Managed Service para Apache Spark escribe el siguiente mensaje en el administrador de recursos de YARN: container id exited with code EXIT_CODE. Para ver estos mensajes, habilita Logging y, luego, usa el siguiente filtro de registro:

    resource.type="cloud_dataproc_cluster"
    resource.labels.cluster_name="CLUSTER_NAME"
    resource.labels.cluster_uuid="CLUSTER_UUID"
    jsonPayload.message:"container" AND "exited with code" AND "which potentially signifies memory pressure on NODE
    
  • Si un contenedor salió con code INT, verifica el registro google.dataproc.oom-killer o el dataproc.googleapis.com/node/problem_count para confirmar que la protección de memoria de Managed Service para Apache Spark finalizó el trabajo (consulta Finalizaciones de procesos).

    Soluciones:

    • Verifica que los tamaños de los contenedores estén configurados correctamente.
    • Considera reducir yarn.nodemanager.resource.memory-mb. Esta propiedad controla la cantidad de memoria que se usa para programar contenedores de YARN.
    • Si los contenedores de trabajos fallan de forma constante, verifica si el sesgo de datos provoca un mayor uso de contenedores específicos. Si es así, vuelve a particionar el trabajo o aumenta el tamaño del trabajador para que se adapte a los requisitos de memoria adicionales.

Ajusta la protección de memoria de Linux en el nodo principal (avanzado)

Los nodos principales de Managed Service para Apache Spark usan la utilidad earlyoom para evitar que el sistema se bloquee liberando memoria cuando la memoria disponible es críticamente baja. La configuración predeterminada es adecuada para muchas cargas de trabajo. Sin embargo, es posible que debas ajustar la configuración si tu nodo principal tiene una gran cantidad de memoria y experimenta un consumo rápido de memoria.

En situaciones de alta presión de memoria, el sistema puede entrar en un estado de "sobrecarga", en el que pasa la mayor parte del tiempo en la administración de la memoria y deja de responder. Esto puede suceder tan rápido que earlyoom no toma medidas según su configuración predeterminada o no actúa antes de que se invoque la respuesta de OOM del kernel.

Antes de comenzar

  • Esta es una opción de ajuste avanzada. Antes de ajustar la configuración de earlyoom, prioriza otras soluciones, como usar una VM principal con más memoria, reducir la simultaneidad de los trabajos o optimizar el uso de memoria de los trabajos.

Personaliza la configuración de earlyoom

La configuración predeterminada de earlyoom usa una cantidad fija de memoria libre como activador. En las máquinas virtuales con una gran cantidad de RAM, por ejemplo, 32GB o más, este importe fijo puede representar una pequeña fracción de la memoria total. Esto hace que el sistema sea susceptible a aumentos repentinos en el uso de memoria.

Para personalizar la configuración de earlyoom, conéctate al nodo principal y modifica el archivo de configuración.

  1. Conéctate al nodo principal con SSH.

  2. Abre el archivo de configuración para editarlo:

    sudo nano /etc/default/earlyoom
    
  3. Ajusta el umbral de memoria mínimo. Busca la línea EARLYOOM_ARGS. La opción -M <kbytes> establece la cantidad mínima de memoria libre en KiB que earlyoom intenta mantener. El valor predeterminado es -M 65536, que es 64 MiB.

    Para un nodo principal con memoria sustancial, aumenta este valor. Por ejemplo, para establecer el umbral en 1 GiB (1048576 KiB), modifica la línea de la siguiente manera:

    EARLYOOM_ARGS="-r 15 -M 1048576 -s 1"
    

    Notas:

    • -r: Intervalo de informe de memoria en segundos
    • -s: Es el umbral de espacio de intercambio para activar earlyoom.
  4. Reinicia el servicio de earlyoom para aplicar los cambios:

    sudo systemctl restart earlyoom