內(nèi)存不過是計算機(jī)分級存儲系統(tǒng)中的靠近c(diǎn)pu的一個存儲介質(zhì)。
我們一起來解決這些問題
一、內(nèi)存模型
遠(yuǎn)古大神曾告訴我們這個神秘公式：程序=算法+數(shù)據(jù)。
1.1 什么是內(nèi)存模型
內(nèi)存模型就是告訴我們怎么劃分內(nèi)存、怎么合理利用我們的內(nèi)存。
首先我們要存什么，根據(jù)大神的公式，我們這樣來分析：
- 數(shù)據(jù)：就是我們代碼操作的數(shù)據(jù)，比如人的數(shù)據(jù)(年齡、職位等)或者輸入的某個值。這些可在運(yùn)行時將要計算的部分?jǐn)?shù)據(jù)加載到內(nèi)存。
- 算法：就是操作數(shù)據(jù)的邏輯，表現(xiàn)形式就是代碼或者編譯后的指令。當(dāng)然它要運(yùn)行起來，會依賴一部分內(nèi)存，來儲存程序計數(shù)器(代碼執(zhí)行到那一句了)、函數(shù)調(diào)用棧等運(yùn)行時需要的數(shù)據(jù)?？偠灾褪菆?zhí)行數(shù)據(jù)操作邏輯所必要的內(nèi)存。
這下我們就可以把我們需要儲存的東西分為數(shù)據(jù)區(qū)和執(zhí)行區(qū)。
二、spark內(nèi)存模型
2.1 spark為啥快
我們都知道spark之所以比mapreduce計算的快，是因為他是基于內(nèi)存的，不用每次計算完都寫磁盤，再讀取出來進(jìn)行下一次計算，spark直接把內(nèi)存作為數(shù)據(jù)的臨時儲存介質(zhì)。所以mapreduce就沒有強(qiáng)調(diào)內(nèi)存管理，而spark需要管理內(nèi)存。
2.2 spark管理的內(nèi)存
系統(tǒng)區(qū)：spark運(yùn)行自身的代碼需要一定的空間。
用戶區(qū)：我們自己寫的一些udf之類的代碼也需要一定的空間來運(yùn)行。
存儲區(qū)：spark的任務(wù)就是操作數(shù)據(jù)，spark為了快可能把數(shù)據(jù)存內(nèi)存，而這些數(shù)據(jù)也需要占用空間。
執(zhí)行區(qū)：spark操作數(shù)據(jù)的單元是partition，spark在執(zhí)行一些shuffle、join、sort、aggregation之類的操作，需要把partition加載到內(nèi)存進(jìn)行運(yùn)算，這也會運(yùn)用到部分內(nèi)存。
2.3 spark內(nèi)存模型
spark內(nèi)存
上圖就是spark內(nèi)存劃分的圖了
我們從下到上一層一層的解釋：
- 第1層：整個excutor所用到的內(nèi)存
- 第2層：分為jvm中的內(nèi)存和jvm外的內(nèi)存，這里的jvm內(nèi)存在yarn的時候就是指申請的container的內(nèi)存
- 第3層：對于spark來內(nèi)存分為jvm堆內(nèi)的和memoryoverhead、off-heap
- jvm堆內(nèi)的下一層再說
- memoryOverhead 對應(yīng)的參數(shù)就是spark.yarn.executor.memoryOverhead 這塊內(nèi)存是用于虛擬機(jī)的開銷、內(nèi)部的字符串、還有一些本地開銷(比如python需要用到的內(nèi)存)等。其實就是額外的內(nèi)存，spark并不會對這塊內(nèi)存進(jìn)行管理。
- off-heap 這里特指的spark.memory.offHeap.size這個參數(shù)指定的內(nèi)存(廣義上是指所有堆外的)。這部分內(nèi)存的申請和釋放是直接進(jìn)行的不通過jvm管控所以沒有GC，被spark分為storage和excution兩部分和第5層講的一同被spark統(tǒng)一進(jìn)行管理。
- 第4層：jvm堆內(nèi)的內(nèi)存分為三個部分
- reservedMemory 預(yù)留內(nèi)存300M，用于保障spark正常運(yùn)行
- other memory 用于spark內(nèi)部的一些元數(shù)據(jù)、用戶的數(shù)據(jù)結(jié)構(gòu)、防止出現(xiàn)對內(nèi)存估計不足導(dǎo)致oom時的內(nèi)存緩沖、占用空間比較大的記錄做緩沖
- memory faction spark主要控制的內(nèi)存，由參數(shù)spark.memory.fraction控制。
- 第5層：分成storage和execution 由參數(shù)spark.memory.storageFraction控制它兩的大小，但是
- execution 用于spark的計算：shuffle、sort、aggregation等這些計算時會用到的內(nèi)存，如果計算是內(nèi)存不足會向storage部分借，如果還是不夠就會spill到磁盤。
- storage 主要用于rdd的緩存，如果execution來借內(nèi)存，可能會犧牲自己丟棄緩存來借給execution，storage也可以向execution借內(nèi)存，但execution不會犧牲自己。
三、源碼層面
3.1 整體架構(gòu)
內(nèi)存管理
- 內(nèi)存申請和釋放(綠色)：
- 看上圖綠色那塊，就是內(nèi)存的申請和釋放模塊。MemoryAllocator接口負(fù)責(zé)內(nèi)存申請，有兩個子類實現(xiàn)分別負(fù)責(zé)堆內(nèi)內(nèi)存和off-heap內(nèi)存。
- 內(nèi)存池(粉色):
- MemoryPool內(nèi)存池有兩個子類分別管理著執(zhí)行內(nèi)存和儲存內(nèi)存?？梢钥吹絻煞N內(nèi)存池的申請方法的參數(shù)有很明顯的區(qū)別，執(zhí)行內(nèi)存主要是面向task的，而儲存內(nèi)存主要是面向block的也就是用于rdd緩存呀啥的。
- 統(tǒng)一內(nèi)存管理：
- MemoryManager負(fù)責(zé)記錄內(nèi)存的消耗，管理這4個內(nèi)存池，子類UnifiedMemoryManager負(fù)責(zé)把這執(zhí)行內(nèi)存和儲存內(nèi)存統(tǒng)一起來管理，實現(xiàn)相互借用之類的功能。
- MemoryManager的使用場景
- 一個是BlockManager用于管理儲存，還有一部分是運(yùn)行Task是的內(nèi)存使用，主要有executor的使用，shuffle時spill呀外部排序呀，這樣的場景。
3.2 如何實現(xiàn)內(nèi)存申請釋放。
spark是用scala和java實現(xiàn)的，印象中沒有管理內(nèi)存申請釋放的api，spark是如何利用這些jvm語言管理內(nèi)存的呢。
我們來看看源碼片段
HeapMemoryAllocator可以看到上面的源碼片段，實際的內(nèi)存申請是這個代碼：new long[numWords]; 就是new了個數(shù)組來占著內(nèi)存，用MemoryBlock 包裝了一下。bufferPoolsBySize這個是為了防止內(nèi)存頻繁申請和釋放做的buffer。
接下來看看off-heap是怎么申請內(nèi)存的。
offheap的就和C語言一樣的了可以直接使用api來申請。這部分內(nèi)存就需要自己進(jìn)行管理了，沒有jvm的控制，沒有內(nèi)存回收機(jī)制。
當(dāng)然這也不意味了你能無限制的使用內(nèi)存，在yarn的情況下，yarn是監(jiān)測子進(jìn)程的內(nèi)存占用來看你是否超了內(nèi)存，如果超了直接kill掉。
四、總結(jié)
我們能回答開頭提出的幾個問題了嗎?還是又有了更多的問題呢。
【責(zé)任編輯：武曉燕 TEL：（010）68476606】