YARN参数调优

1.节点内存资源

yarn.nodemanager.resource.memory-mb

NodeManager 一般和 datanode 部署在一起，这些角色本身也要消耗内存，并且操作系统也需要部分内存，建议 Container 内存可以适当降低，这些总的内存相加不能超过节点物理内存，我们给操作系统留 5G 以内的内存

2.节点虚拟 CPU 内核

yarn.nodemanager.resource.cpu-vcores

NodeManager 可以使用的核数，我们产线环境的核数配置的跟机器的核数是一致的

3.Container 最小分配内存

yarn.scheduler.minimum-allocation-mb

Container 最小内存定义了 Yarn 可以分配给 Container 最小资源，不管任务本身处理的数据量大小，都会至少分配这么多的内存，我们产线环境设置的是2G，从目前的监控上看内存资源是够用的，CPU 资源紧张

4.Container 最大分配内存

yarn.scheduler.maximum-allocation-mb

Container 最大可申请的内存，目前我们产线环境配置的是 32G，因为我们产线环境有 Spark 作业，Spark 同一个执行器可以跑过个任务，平分内存

5.资源规整化因子

yarn.scheduler.increment-allocation-mb
假如规整化因子 b=512M，上述讲的参数
yarn.scheduler.minimum-allocation-mb 为 1024，
yarn.scheduler.maximum-allocation-mb 为 8096，然后我打算给单个 map
任务申请内存资源(mapreduce.map.memory.mb):
申请的资源为 a=1000M 时，实际 Container 最小内存大小为 1024M(小于
yarn.scheduler.minimum-allocation-mb 的话自动设置为
yarn.scheduler.minimum-allocation-mb);

申请的资源为 a=1500M 时，实际得到的 Container 内存大小为 1536M，计算公式为:ceiling(a/b)*b，即 ceiling(a/b)=ceiling(1500/512)=3，3*512=1536。此处假如 b=1024，则 Container 实际内存大小为2048M也就是说 Container 实际内存大小最小为yarn.scheduler.minimum-allocation-mb 值，然后增加时的最小增加量为规整化因子 b，最大不超过 yarn.scheduler.maximum-allocation-mb

当使用 capacity scheduler 或者 fifo scheduler 时，规整化因子指的就是参数yarn.scheduler.minimum-allocation-mb，不能单独配置，即yarn.scheduler.increment-allocation-mb 无作用;

当使用 fair scheduler 时，规整化因子指的是参数yarn.scheduler.increment-allocation-mb

我们产线环境设置的是 512M

6.Container 最小虚拟 CPU 内核数量

yarn.scheduler.minimum-allocation-vcores

产线环境配置的为 1

7.最大 Container 虚拟 CPU 内核数量

yarn.scheduler.maximum-allocation-vcores

我们的产线环境配置的是 12

8.MapReduce ApplicationMaster 的内存

yarn.app.mapreduce.am.resource.mb

我们产线环境设置的是 2G，2G 基本够用了，如果有特殊情况，可以酌情改大

9.ApplicationMaster Java 最大堆栈

通常是 yarn.app.mapreduce.am.resource.mb 的 80%，1.6G

10.Map 任务内存

mapreduce.map.memory.mb
Map 任务申请的内存大小，产线环境设置的是 2G，一般有作业覆盖

11.Reduce 任务内存

mapreduce.reduce.memory.mb

Reduce 任务申请的内容大小，产线环境设置的是 2G，一般有作业覆盖

12.Map 和 Reduce 堆栈内存

mapreduce.map.java.opts、mapreduce.reduce.java.opts

以 map 任务为例，Container 其实就是在执行一个脚本文件，而脚本文件中，会执行一个 Java 的子进程，这个子进程就是真正的 Map Task，mapreduce.map.java.opts 其实就是启动 JVM 虚拟机时，传递给虚拟机的启动参数，表示这个 Java 程序可以使用的最大堆内存数，一旦超过这个大小，
JVM 就会抛出 Out of Memory 异常，并终止进程。而mapreduce.map.memory.mb 设置的是 Container 的内存上限，这个参数由 NodeManager 读取并进行控制，当 Container 的内存大小超过了这个参数值NodeManager 会负责 kill 掉 Container。

在后面分析
yarn.nodemanager.vmem-pmem-ratio 这个参数的时候，会讲解NodeManager 监控 Container 内存（包括虚拟内存和物理内存）及 kill 掉Container 的过程。

也就是说，mapreduce.map.java.opts 一定要小于
mapreduce.map.memory.mb
mapreduce.reduce.java.opts 同 mapreduce.map.java.opts 一样的道理。
默认是 mapreduce.map.memory.mb 和 mapreduce.reduce.memory.mb的 80%

13.ResourceManager 的 Java 堆栈大小

产线环境配置的是 32G，-Xmx32768m产线环境使用了 16G

14.NodeManager 的 Java 堆栈大小

产线环境配置的是 1G，-Xmx1024m对于节点数较大，并且处理任务较多的集群，NodeManager 的内存可以相应设置的充裕一些，比如 2G-4G

15.Reduce 任务前要完成的 Map 任务数量

mapreduce.job.reduce.slowstart.completedmaps

该参数决定了 Map 阶段完成多少比例之后，开始进行 Reduce 阶段，如果集群空闲资源较多，该参数可以设置的比较小，如果资源紧张，建议可以设置的更大，由 0.8 改为 0.95