1.container 生产优化
https://space.bilibili.com/356836323/search/video?keyword=docker
96G 全部用来给真正干活的小弟container使用
container: 内存 和 cpu的虚拟概念
memory:8192, vCores:8
内存:
yarn.nodemanager.resource.memory-mb 96G
yarn.scheduler.minimum-allocation-mb 默认1G 设置为1G极限情况下 96个container
yarn.scheduler.maximum-allocation-mb 默认 8G 设置为96G 极限情况下 1个container
CPU 若设置,运行1-96container
core 物理core
vcore 虚拟core
yarn自己设计的概念,设计初衷是 考虑大数据机器的配置CPU是不一致的,每个计算能力不一样。
比如hadoop002机器的cpu是hadoop001机器的cpu的2倍,这个时候就通过设置第二个机器的cpu的虚拟core的参数来弥补这个差距。
hadoop001 不强悍 pcore:vcore=1:1
hadoop002 强悍 pcore:vcore=1:2
但是: 现在生产上 基本上设置不关心这个级别,现在Apache是
yarn.nodemanager.resource.pcores-vcores-multiplier 1
再但是:生产上默认是设置 yarn.nodemanager.resource.pcores-vcores-multiplier 2
16pcore:32vcore
一个计算任务至少需要1core,你的core越多,计算的并发就越多
内存: 计算时所需的空间 oom-killer机制
CPU:决定并发任务 卡卡的感觉 不影响任务
CPU:
yarn.nodemanager.resource.cpu-vcores 32
yarn.scheduler.minimum-allocation-vcores 1 极限情况 32个container
yarn.scheduler.maximum-allocation-vcores 32 极限情况 1个container
1-96
1-32
生产上: 突破口: cloudera公司经过生产实践,推荐1个container的vcore最好不要超过5,就设置4个
yarn.scheduler.maximum-allocation-vcores 4 极限情况下,8个container
------------------------------------------
yarn.nodemanager.resource.memory-mb 96G
yarn.scheduler.minimum-allocation-mb 1G
yarn.scheduler.maximum-allocation-mb 12G =8
yarn.nodemanager.resource.cpu-vcores 32
yarn.scheduler.minimum-allocation-vcores 1
yarn.scheduler.maximum-allocation-vcores 4 =8
------------------------------------------
补充参数: 生产不动
yarn.nodemanager.pmem-check-enabled true 1G
yarn.nodemanager.vmem-check-enabled true 2.1G
yarn.nodemanager.vmem-pmem-ratio 2.1
HBase的Regionserver 小弟 30G 警戒线 32G
假如生产设置超过32G,jdk的指针压缩失效
https://www.likecs.com/show-704445.html
对于128G的内存服务器拆分虚拟机再使用吗?
a.应用服务器 4G, 3G--》更多的内存,swap 将你的磁盘划分4G空间,来临时充当内存使用;
内存的速度肯定比磁盘的速度快;但是服务不会被kill ;
b.存储计算一起部署的,大数据计算追求的速度,跑的越快越好; +内存使用的监控 和 合理规划内存的分配;
c.大数据上配置swap的,没办法;



