Resolver erros de falta de memória da VM

Nesta página, você encontra informações sobre erros de falta de memória (OOM, na sigla em inglês) do Managed Service para Apache Spark na VM do Compute Engine e explica as etapas para solucionar e resolver esses erros.

Efeitos de erro de OOM

Quando as VMs do Serviço Gerenciado para Apache Spark encontram erros de falta de memória (OOM, na sigla em inglês), os efeitos incluem as seguintes condições:

  • As VMs mestre e de worker congelam por um período.

  • Os erros de OOM das VMs mestre fazem com que os jobs falhem com erros de "tarefa não adquirida".

  • Os erros de OOM da VM de worker causam a perda do nó no HDFS do YARN, o que atrasa a execução do job do Serviço Gerenciado para Apache Spark.

Controles de memória do YARN

O Apache YARN oferece os seguintes tipos de controles de memória:

  • Baseado em sondagem (legado)
  • Estrito
  • Elastic

Por padrão, o Serviço Gerenciado para Apache Spark não define yarn.nodemanager.resource.memory.enabled para ativar os controles de memória do YARN pelos seguintes motivos:

  • O controle rigoroso de memória pode causar o encerramento de contêineres quando há memória suficiente se os tamanhos dos contêineres não estiverem configurados corretamente.
  • Os requisitos de controle de memória elástica podem afetar negativamente a execução do job.
  • Os controles de memória do YARN podem não impedir erros de OOM quando os processos consomem memória de forma agressiva.

Proteção de memória do Serviço Gerenciado para Apache Spark

Quando uma VM de cluster do Serviço Gerenciado para Apache Spark está sob pressão de memória, a proteção de memória do Serviço Gerenciado para Apache Spark encerra processos ou contêineres até que a condição de OOM seja removida.

O Serviço Gerenciado para Apache Spark oferece proteção de memória para os seguintes nós de cluster nas seguintes versões de imagem do Serviço Gerenciado para Apache Spark:

Papel 1.5 2.0 2.1 2.2
VM mestre 1.5.74+ 2.0.48+ todas todas
VM de worker Não disponível 2.0.76+ 2.1.24+ todas
VM do pool de drivers Não disponível 2.0.76+ 2.1.24+ todas

Identificar e confirmar encerramentos de proteção de memória

Use as informações a seguir para identificar e confirmar as finalizações de jobs devido à pressão de memória.

Encerramentos de processos

  • Os processos que a proteção de memória do Serviço Gerenciado para Apache Spark encerra saem com o código 137 ou 143.

  • Quando o Serviço Gerenciado para Apache Spark encerra um processo devido à pressão de memória, as seguintes ações ou condições podem ocorrer:

    • O Serviço Gerenciado para Apache Spark incrementa a métrica cumulativa dataproc.googleapis.com/node/problem_count e define reason como ProcessKilledDueToMemoryPressure. Consulte Coleta de métricas de recursos do Serviço Gerenciado para Apache Spark.
    • O Serviço Gerenciado para Apache Spark grava um registro google.dataproc.oom-killer com a mensagem: "A process is killed due to memory pressure: process name. Para ver essas mensagens, ative o Logging e use o seguinte 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:"
      

Encerramentos de jobs do pool de nós mestre ou de driver

  • Quando um job do nó mestre ou do pool de nós do driver do Serviço Gerenciado para Apache Spark é encerrado devido à pressão de memória, o job falha com o código do erro Driver received SIGTERM/SIGKILL signal and exited with INT. Para ver essas mensagens, ative o Logging e use o seguinte 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"
        

    • Verifique o registro google.dataproc.oom-killer ou o dataproc.googleapis.com/node/problem_count para confirmar se a proteção de memória do Serviço Gerenciado para Apache Spark encerrou o job (consulte Encerramentos de processos).

    Soluções:

    • Se o cluster tiver um pool de drivers, aumente driver-required-memory-mb para o uso real da memória do job.
    • Se o cluster não tiver um pool de drivers, recrie o cluster, reduzindo o número máximo de jobs simultâneos em execução no cluster.
    • Use um tipo de máquina de nó mestre com mais memória.

Encerramentos de contêineres do YARN do nó de trabalho

  • O Serviço Gerenciado para Apache Spark grava a seguinte mensagem no gerenciador de recursos do YARN: container id exited with code EXIT_CODE. Para ver essas mensagens, ative o Logging e use o seguinte 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
    
  • Se um contêiner foi encerrado com code INT, verifique o registro google.dataproc.oom-killer ou o dataproc.googleapis.com/node/problem_count para confirmar se a proteção de memória do Serviço Gerenciado para Apache Spark encerrou o job (consulte Encerramentos de processos).

    Soluções:

    • Verifique se os tamanhos dos contêineres estão configurados corretamente.
    • Considere reduzir yarn.nodemanager.resource.memory-mb. Essa propriedade controla a quantidade de memória usada para programar contêineres do YARN.
    • Se os contêineres de jobs falharem de forma consistente, verifique se o desvio de dados está causando o aumento do uso de contêineres específicos. Se sim, reparticione o job ou aumente o tamanho do worker para acomodar os requisitos de memória adicionais.

Ajustar a proteção de memória do Linux no nó mestre (avançado)

Os nós mestres do Serviço Gerenciado para Apache Spark usam o utilitário earlyoom para evitar travamentos do sistema, liberando memória quando a memória disponível está criticamente baixa. A configuração padrão é adequada para muitas cargas de trabalho. No entanto, talvez seja necessário ajustar a configuração se o nó mestre tiver uma grande quantidade de memória e passar por um consumo rápido de memória.

Em cenários com alta pressão de memória, o sistema pode entrar em um estado de "thrashing", em que passa a maior parte do tempo no gerenciamento de memória e deixa de responder. Isso pode acontecer tão rapidamente que o earlyoom não consegue realizar ações com base nas configurações padrão ou não consegue agir antes que a resposta de OOM do kernel seja invocada.

Antes de começar

  • Essa é uma opção de ajuste avançado. Antes de ajustar as configurações de earlyoom, priorize outras soluções, como usar uma VM mestre com mais memória, reduzir a simultaneidade de jobs ou otimizar o uso da memória de jobs.

Personalizar as configurações do earlyoom

A configuração padrão de earlyoom usa uma quantidade fixa de memória livre como gatilho. Em máquinas virtuais com uma grande quantidade de RAM, por exemplo, 32GB ou mais, esse valor fixo pode representar uma pequena fração da memória total. Isso torna o sistema suscetível a picos repentinos no uso da memória.

Para personalizar as configurações do earlyoom, conecte-se ao nó mestre e modifique o arquivo de configuração.

  1. Conecte-se ao nó mestre usando SSH.

  2. Abra o arquivo de configuração para edição:

    sudo nano /etc/default/earlyoom
    
  3. Ajuste o limite mínimo de memória. Localize a linha EARLYOOM_ARGS. A opção -M <kbytes> define a quantidade mínima de memória livre em KiB que o earlyoom tenta manter. O valor padrão é -M 65536, que é 64 MiB.

    Para um nó mestre com memória substancial, aumente esse valor. Por exemplo, para definir o limite como 1 GiB (1048576 KiB), modifique a linha da seguinte maneira:

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

    Observações:

    • -r: intervalo do relatório de memória em segundos
    • -s: o limite de espaço de troca para acionar earlyoom.
  4. Reinicie o serviço earlyoom para aplicar as mudanças:

    sudo systemctl restart earlyoom