本文主要向大家介绍了【云计算】Yarn下Mapreduce的内存参数理解，通过具体的内容向大家展现，希望对大家学习云计算有所帮助

Container是什么？

Container就是一个yarn的java进程，在Mapreduce中的AM，MapTask，ReduceTask都作为Container在Yarn的框架上执行，你可以在RM的网页上看到Container的状态

基础

Yarn的ResourceManger（简称RM）通过逻辑上的队列分配内存，CPU等资源给application，默认情况下RM允许最大AM申请Container资源为8192MB(“yarn.scheduler.maximum-allocation-mb“)，默认情况下的最小分配资源为1024M(“yarn.scheduler.minimum-allocation-mb“)，AM只能以增量（”yarn.scheduler.minimum-allocation-mb“）和不会超过(“yarn.scheduler.maximum-allocation-mb“)的值去向RM申请资源，AM负责将(“mapreduce.map.memory.mb“)和(“mapreduce.reduce.memory.mb“)的值规整到能被(“yarn.scheduler.minimum-allocation-mb“)整除，RM会拒绝申请内存超过8192MB和不能被1024MB整除的资源请求。

相关参数

YARN

yarn.scheduler.minimum-allocation-mb yarn.scheduler.maximum-allocation-mb yarn.nodemanager.vmem-pmem-ratio yarn.nodemanager.resource.memory.mb

MapReduce

Map Memory

mapreduce.map.java.opts mapreduce.map.memory.mb

Reduce Memory

mapreduce.reduce.java.opts mapreduce.reduce.memory.mb

从上面的图可以看出map，reduce，AM container的JVM，“JVM”矩形代表服务进程，

“Max heap”，“Max virtual”矩形代表NodeManager对JVM进程的最大内存和虚拟内存的限制.

以map container内存分配(“mapreduce.map.memory.mb“)设置为1536为例，AM将会为container向RM请求2048mb的内存资源，因为最小分配单位(“yarn.scheduler.minimum-allocation-mb“)被设置为1024，这是一种逻辑上的分配，这个值被NodeManager用来监控改进程内存资源的使用率，如果map Task堆的使用率超过了2048MB，NM将会把这个task给杀掉，

JVM进程堆的大小被设置为1024(“mapreduce.map.java.opts=-Xmx1024m“)适合在逻辑分配为2048MB中，同样reduce container(“mapreduce.reduce.memory.mb“)设置为3072也是.

当一个mapreduce job完成时，你将看到一系列的计数器被打印出来，下面的三个计数器展示了多少物理内存和虚拟内存被分配

Physical memory (bytes) snapshot=21 850 116 096

Virtual memory (bytes) snapshot=40 047 247 360

Total committed heap usage (bytes)=22 630 105 088

虚拟内存

默认的(“yarn.nodemanager.vmem-pmem-ratio“)设置为2.1，意味则map container或者reduce container分配的虚拟内存超过2.1倍的(“mapreduce.reduce.memory.mb“)或(“mapreduce.map.memory.mb“)就会被NM给KILL掉，如果 (“mapreduce.map.memory.mb”) 被设置为1536那么总的虚拟内存为2.1*1536=3225.6MB

日志： Current usage: 2.1gb of 2.0gb physical memory used; 1.6gb of 3.15gb virtual memory used. Killing container.

同理

如果 (“mapreduce.reduce.memory.mb”) 被设置为1536那么总的虚拟内存为 2.1* 3072 = 6451.2MB

mapreduce.map.java.opts和mapreduce.map.memory.mb

大概了解完以上的参数之后，mapreduce.map.java.opts和mapreduce.map.memory.mb参数之间，有什么联系呢？

通过上面的分析，我们知道如果一个yarn的container超除了heap设置的大小，这个task将会失败，我们可以根据哪种类型的container失败去相应增大mapreduce.{map|reduce}.memory.mb去解决问题。 但同时带来的问题是集群并行跑的container的数量少了，所以适当的调整内存参数对集群的利用率的提升尤为重要。

因为在yarn container这种模式下，JVM进程跑在container中，mapreduce.{map|reduce}.java.opts能够通过Xmx设置JVM最大的heap的使用，一般设置为0.75倍的memory.mb，因为需要为java code，非JVM内存使用等预留些空间。

补充一下

于FairScheduler来说（其他我也没看），存在着一个增量参数

/** Increment request grant-able by the RM scheduler.

* These properties are looked up in the yarn-site.xml */

public static final String RM_SCHEDULER_INCREMENT_ALLOCATION_MB =

YarnConfiguration.YARN_PREFIX + "scheduler.increment-allocation-mb";

public static final int DEFAULT_RM_SCHEDULER_INCREMENT_ALLOCATION_MB = 1024;

对于线上2560MB最小分配内存，客户端的内存为2048，incrementMemory为1024，通过其计算算法得出值，demo如下

/**

* Created by shangwen on 15-9-14.

*/

public class TestCeil {

public static void main(String[] args) {

int clientMemoryReq = 2048;

int minAllowMermory = 2560;

int incrementResource = 1024;

System.out.println(roundUp(Math.max(clientMemoryReq,minAllowMermory),incrementResource));

// output 3072

}

public static int divideAndCeil(int a, int b) {

if (b == 0) {

return 0;

}

return (a + (b - 1)) / b;

}

public static int roundUp(int a, int b) {

System.out.println("divideAndCeil:" + divideAndCeil(a, b));

return divideAndCeil(a, b) * b;

}

}

得出的结果为3072MB，即对于map来说，则会分配3G内存，即使你在客户端写的是2G，所以你可以看到以下日志：

Container [pid=35691,containerID=container_1441194300243_383809_01_000181] is running beyond physical memory limits. Current usage: 3.0 GB of 3 GB physical memory used; 5.4 GB of 9.3 GB virtual memory used.

对于56G内存的一个节点的NM来说，如果全部跑map则 56/3 大约跑18个container

假设修改最小分配的 为默认的1024，则分配的内存为2G，即大约可以跑 56/2 约28个container。

通过上述的描述，大概就对其参数有个比较综合的了解了。

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标大数据云计算大数据安全频道！