阿裏雲大數據MaxCompute計算資源分布以及LogView分析優化
MaxCompute(原ODPS)的概念
大數據計算服務(MaxCompute,原名ODPS)是一種快速、完全托管的PB/EB級數據倉庫解決方案,具備萬臺服務器擴展能力和跨地域容災能力,是阿裏巴巴內部核心大數據平臺,支撐每日百萬級作業規模。MaxCompute向用戶提供了完善的數據導入方案以及多種經典的分布式計算模型,能夠更快速的解決用戶海量數據計算問題,有效降低企業成本,並保障數據安全。
官方文檔鏈接
優勢
用戶不必關心分布式計算細節,從而達到分析大數據的目的。
應用場景
大型互聯網企業的數據倉庫和BI分析、網站的日誌分析、電子商務網站的交易分析、用戶特征和興趣挖掘等。
MaxCompute(原ODPS)的架構
MaxCompute由四部分組成,分別是客戶端 (ODPS Client)、接入層 (ODPS Front End)、邏輯層 (ODPS Server) 及存儲與計算層 (Apsara Core)。
ODPS的客戶端有以下幾種形式:
1.Web:ODPS以 RESTful API的方式提供離線數據處理服務;
2.ODPS SDK:對ODPS RESTful API的封裝,目前有Java等版本的實現;
ODPS CLT (Command Line Tool):運行在Window/Linux下的客戶端工具,通過CLT可以提交命令完成Project管理、DDL、DML等操作;
3.ODPS IDE:ODPS提供了上層可視化ETL/BI工具,即“采雲間”,用戶可以基於采雲間完成數據同步、任務調度、報表生成等常見操作。
ODPS接入層提供HTTP服務、Cache、Load Balance,用戶認證和服務層面的訪問控制。
1.邏輯層又稱作控制層,是ODPS的核心部分。實現用戶空間和對象的管理、命令的解析與執行邏輯、數據對象的訪問控制與授權等功能。在邏輯層有Worker、Scheduler和Executor三個角色:
2.Worker處理所有RESTful請求,包括用戶空間(project)管理操作、資源(resource)管理操作、作業管理等,對於SQL DML、MR、DT等啟動Fuxi任務的作業,會提交Scheduler進一步處理;
3.Scheduler負責instance的調度,包括將instance分解為task、對等待提交的task進行排序、以及向計算集群的Fuxi master詢問資源占用情況以進行流控(Fuxi slot滿的時候,停止響應Executor的task申請);
4.Executor負責啟動SQL/ MR task,向計算集群的Fuxi master提交Fuxi任務,並監控這些任務的運行。
計算層就是飛天內核(Apsara Core),運行在和控制層相互獨立的計算集群上。包括Pangu(分布式文件系統)、Fuxi(資源調度系統)、Nuwa/ZK(Naming服務)、Shennong(監控模塊)等。ODPS中的元數據存儲在阿裏雲計算的另一個開放服務OTS(Open Table Service,開放結構化數據服務)中,元數據內容主要包括用戶空間元數據、Table/Partition Schema、ACL、Job元數據、安全體系等。
MaxCompute處理流程
下面將以一個完整的SQL語句為例,介紹提交後經過MaxCompute處理的全流程:
提交作業:
1.通過console提交一個SQL語句。
2.調用SDK計算配置信息中的簽名。
3.發送 RESTful 請求給HTTP服務器。
4.HTTP 服務器發送請求到雲賬號服務器做用戶認證。
5.認證通過後,請求就會以 Kuafu通信協議方式發送給 Worker。
6.Worker判斷該請求作業是否需要啟動Fuxi Job。如果不需要,本地執行並返回結果。
7.如果需要,則生成一個 instance, 發送給 Scheduler。
8.Scheduler把instance信息註冊到 OTS,將其狀態置成 Running。
9.Scheduler 把 instance 添加到 instance 隊列。
10.Worker把 Instance ID返回給客戶端。
運行作業:
1.Scheduler會把instance拆成多個Task,並生成任務流DAG圖。
2.把可運行的Task 放入到優先級隊列TaskPool中。
3.Scheduler 有一個後臺線程定時對TaskPool 中的任務進行排序。
4.Scheduler 有一個後臺線程定時查詢計算集群的資源狀況。
5.Executor在資源未滿的情況下,輪詢TaskPool,請求Task。
6.Scheduler判斷計算資源。若集群有資源,就將該Task發給Executor。
7.Executor調用SQL Parse Planner,生成SQL Plan。
8.Executor 將 SQL Plan 轉換成計算層的 FuXi Job 描述文件。
9.Executor 將該描述文件提交給計算層運行,並查詢 Task 執行狀態。
10.Task 執行完成後,Executor更新 OTS 中的 Task信息,並匯報給 Scheudler。
11.Schduler 判斷 instance 結束,更新 OTS 中 instance 信息,置為 Terminated。
查詢狀態:
客戶端接收到返回的 Instance ID 後,可以通過 Instance ID 來查詢作業狀態:
1.客戶端會發送另一個 REST 的請求,查詢作業狀態。
2.HTTP 服務器根據配置信息,去雲賬號服務器做用戶認證。
3.用戶認證通過後,把查詢的請求發送給 Worker。
4.Worker 根據 InstanceID 去 OTS 中查詢該作業的執行狀態。
5.Worker 將查詢到的執行狀態返回給客戶端。
這裏主要說下計算層的MR Job和SQL Job,因為ODPS有對外提供MapReduce編程接口,來訪問ODPS上的數據,其中MR Job就是用來跑那些任務的。而SQL Job主要用來跑通過客戶端接受的SQL查詢請求的任務。
邏輯層裏主要有二個隊列,一個是instance隊列,一個是Task隊列,Scheduler負責instance的調度,負責將instance分解成Task放入到Task隊列,重點是:Task隊列是按照優先級排序的,負責排序的就是Scheduler發起的一個後臺線程。Executor在資源未滿的情況下,輪詢TaskPool,請求Task,Executor調用SQL Parse Planner,生成SQL Plan,然後將SQL Plan轉換成計算層的 FuXi Job 描述文件,最終將該描述文件提交給計算層運行,並查詢 Task 執行狀態。
MaxCompute生態圈
ODPS提供了數據上傳下載通道,SQL及MapReduce等多種計算分析服務,並且提供了完善的安全解決方案,其功能組件(綠色虛線部分)以及周邊組件(藍色標識)。
具體功能組件的作用,請參考官方文檔。
MaxCompute計算集群分布
首先整個ODPS計算資源被分成多個集群,每個project可以配置多個集群,但是只能默認跑在其配置的默認集群(默認集群只有一個)上面,除非手動切換。
每個集群會被分成多個quota,一般某個project會跑在某個集群上的quota上的,每個quota有固定的計算資源配額,你的project也會有固定的至少獲取到的資源,最大獲取到的資源就是所在quota的配額,不一定能獲取到最大的配額,因為某個quota是多個project共享的。
Logview分析
當某個任務跑的比較慢,我們可以根據其logview來發現問題,進行優化,下面給大家分享如何對logview進行分析,下面我們來看根據某個logview的分析步驟:
點擊圓形的sql,就可以看到實際執行的sql,點擊diagnosis就可以看到對sql執行的診斷,是否資源充足,是否有長尾情況,是否有數據傾斜情況。
還可以看到任務運行的開始時間,結束時間,運行時間,點擊detail就可以看到這個任務執行詳情,包括有向無環圖,Mapper和Reducer或Join節點具體的運行記錄。 下面是點擊detail之後,出現的畫面,也是我們重點要分析的地方,如下圖所示:
我們可以看到左邊是整個實例所包含的任務運行的有向無環圖,一共有三個Task,右邊包括具體的三個Task的詳細信息,還有summary,你可以看到每個Task的input和output的記錄數,還可以看到每個Task開啟了幾個instance進行運行。
點擊每個Fuxi Job就可以在下面看到每個Job詳情:具體如下圖所示:
從上面可以看到,M1_STG1這個job一共起了46個instance來跑任務,這個job的開始時間在上面個紅色的框框裏,每個instance的開始和起始時間在下面的框框裏,每個instance實際運行時間就是下面Latency時間,單位是s,最右邊的框框裏顯示的是這個job下面的所有instance裏面的最小最大和平均運行時間,如果說差異比較大,可能會有長尾或者數據不均勻所致,我們要根據這些信息進行分析,該如何去優化這個Job。
優化例子
具體的優化過程以後會給大家具體講解,下面先給大家展示一個例子,由於小表和大表進行join所造成的長尾問題的解決方案以及效果:
-優化方案:
我們將join的二個小表,使用mapjoin的方式進行優化,將每個小表的內容load到每個mapper節點的內存中,這個速度可以大大優化,但是對小表的大小是有限制的,如果太小,可以設置每個mapper的memery的大小,但是這些都不是萬能的,當資源不足時,可能會造成資源等待。所以優化方案要根據自己sql以及涉及到的數據量進行優化,任何優化方法都不是萬能的。
-優化前:
-優化後:
後續
希望大家在跑sql任務的時候,多看看自己的logview,不要太蠻力的去跑sql,這樣不僅占用資源太多,而且還會影響別人的任務運行。優化固然很難,但是也要慢慢走下去。
以後會分享更多的優化方案。
原文鏈接
閱讀更多幹貨好文,請關註掃描以下二維碼:
阿裏雲大數據MaxCompute計算資源分布以及LogView分析優化