集群硬件规划

朱雀 2022-05-27 06:19 222阅读 0赞

\#\#1. 总体规划的考虑

Hadoop集群的瓶颈：IO（Disk，Net）  
Spark集群的瓶颈：CPU，内存

hadoop可以在一台机器上运行，该方式主要用于测试，显然不适合大量的数据。许多人从一个小的集群开始，并根据需要增长它最初可能只有4到6个节点。随着数据量的增长，可以很容易地添加更多的节点。

决定集群何时需要增长的方法：  
需要增加计算能力，增加需要存储的数据量，增加处理任务所需的内存数量  
基于存储容量的集群增长通常是一种很好的方法。

例: 
       	- 数据每周增长大约3TB
       	- hdfs设置复制每个块3次
       	- 因此每周需要9TB的额外存储空间，加上一些开销————比如说，25%的磁盘空间
       	- 假设有12x3TB硬盘的机器，这相当于每三周需要一台新机器。或者:两年的数据1.2petabytes
       	- 需要大约35台机器

**1.1 集群规模控制**

1.  硬盘  
    6T的数据容量，副本数量一般默认为3，那么仅这些就需要18T硬盘，稍微大一点20T，这仅仅是HDFS存储。  
    (这里说的是一个月的,数据保存几个月,就乘几倍)  
    如果集群上面要跑计算，MR计算出来的数据要保存HDFS的。所以还要根据结果数据来做判断。  
    一般是这样计算硬盘大小 (原始数据+中间数据+结果数据)\*副本数量=总硬盘大小
2.  内存  
    namenode主要用内存保存block和node之间对应关系，也需要根据数据大小计算  
    6T/Block大小(默认为128M)=有多少block–>M个  
    一个block占多少内存: 保守地设置每一百万数据块需要1000MB内存  
    namenode总内存(兆M)=M\*1000MB/100万  
    datanode的内存: 一般问题不大，根据性能的需要设置
3.  机器数量  
    根据Task任务的数量和你的性能指标来做决定  
    一个Block对应一个Mapper任务，上面算出来M个Block了，mapper任务也是那么多  
    实际测试一下一定数据量在x台机器上运行时间，根据你的指标去评定要多少台机器

**1.2 集群建议**

最好是做成HA高可用集群，hadoop集群的性能和节点个数近似成正向关系

尽量不要使用云部署（产生网络争用）

*  通常是远程的，而不是本地的磁盘（还通常只有一个卷）
 *  通常无法保证节点的放置位置（可能在同一物理主机上的虚拟机上拥有一个块的三个副本）
 *  推荐使用hadoop集群专用的物理硬件  
    在概念验证集群中使用虚拟化是完全合理的，或者数据中心的限制意味着使用专用硬件是不可能的。  
    对于云部署，cloudera与亚马逊合作，支持cloudera企业的AWS

不建议使用刀片服务器

*  刀片服务器机架如果发生故障会导致许多节点不可用
 *  单独的叶片通常具有非常有限的RAM和硬盘容量，且不可扩展
 *  底盘与机架顶部交换机之间的网络连接可能会成为瓶颈

从某种程度上说，从节点容易发生故障与任务失败（这是在hadoop中构建的一个假设）

*  NameNode会自动将失败节点上的块复制到集群中的其他节点，保证三个副本
 *  ApplicationMasters将自动重新分配运行在失败节点上的任务
 *  ResourceManager将重新启动在失败的节点上运行的ApplicationMasters

如果未配置为HA，主节点容易引发单点故障

*  如果NameNode宕机，则无法访问集群
 *  如果资源不足，则新的任务将不会被运行
 *  在运行生产作业时，为HA配置NameNode和ResourceManager

\#\#2. 选择合适的硬件

**2.1 主节点配置**

一个NameNode守护进程，一个NodeManager守护进程，一个StandbyNameNode(或SecondaryNameNode)守护进程

在小型集群中，Namenode和ResourceManager经常在同一台机器上运行，有时甚至是SecondaryNameNode与NameNode和ResourceManager在同一台机器上。重要的是，至少有一个NameNode的元数据副本存储在单独的机器上

**2.2 从节点配置**

普通配置

*  12x3TB sataⅡ硬盘，不实用阵列磁盘，使用磁盘簇配置
 *  2x6 -core 2.9GHz cpu，15mb缓存
 *  64GB RAM（20左右的节点数量）
 *  万兆以太网

高端配置

*  24x1TB nearlice / MDL sas硬盘，Raid盘阵，磁盘簇配置
 *  2x6 -core 2.9GHz cpu，15mb缓存
 *  128GB RAM(或更多)
 *  万兆以太网

其他配置

*  双电源，双以太网卡
 *  提供故障转移机制（HA高可用集群,数千台需要搭建HA+Federation联邦高可用集群）
 *  Raided硬盘：  
    Raid 0 条带（数据分开存）  
    Raid 1 镜像（备份，高可靠，可实现热插拔）

**2.3 CPU**

16核与八核cpu现在普遍可用，应该启用超线程和快速路径互连(QPI)  
Hadoop节点通常限制在磁盘IO和网络，所以顶级的CPU通常是没有必要的。但是如果特定工作负载需要，可能需要在从节点上有更多的处理能力（spark）  
如：聚类和分类、复杂的文本挖掘、自然语言处理、特征提取、图像处理

**2.4 Core与内存**

从节点的核心数，内存大小限定MapTask，ReduceTask，ApplicationMaster的执行情况

**经验法则**:任务总数=物理处理器核心的数量-1 （最低要求）  
**RAM内存大小**：120节点（64GB），20300节点（96GB），300~1000节点（128GB），千节点以上（256GB）  
**JVM内存大小**：一般不要超过200G或不超过70%的机器内存（官方），一般不要超过100G（实际）

*  每个map和reduce任务通常需要2GB到4GB的内存
 *  每个ApplicationMaster通常需要1GB的内存
 *  从节点不应该使用虚拟内存  
    确保有足够的内存能够运行所有的任务，以及DataNode和NodeManager进程，操作系统的开销
 *  HDFS缓存还会使用从节点上额外的内存空间，因此用尽可能多的ram来装备你的从属节点  
    对于具有高内存需求的工作负载来说，每个从属节点的内存配置高达512GB

**2.3 磁盘**

hadoop的架构影响了磁盘空间的需求。默认情况下，文件的备份数为3。临时数据存储通常需要集群的原始磁盘容量的20%到30%

一般来说相同的存储空间，小容量磁盘组的要好于大容量磁盘组（寻址时间，并行计算）  
目前，机械硬盘的性价比比固态硬盘(ssd)要高得多

*  3.5英寸磁盘（更快，更便宜，容量大于2.5寸磁盘）
 *  7,200转 SATAⅡ/（没有必要使用1,5000转的硬盘）
 *  每个节点的硬盘个数：4到24个磁盘(甚至更多)  
    24x1TB硬盘很可能优于12x2TB硬盘（不同的任务更有可能访问不同的磁盘）
 *  每个从节点硬盘的最大值为36TB最佳
 *  从节点不受益于使用RAID存储（RAID striping(RAID 0)实际上比HDFS使用的JBOD配置慢）  
    RAID 0读写操作受到RAID阵列中最慢磁盘的速度限制  
    JBOD上的磁盘操作是独立的，因此平均速度大于最慢的磁盘  
    雅虎的一项测试显示，JBOD的执行速度比raid0快30%到50%，取决于执行的操作
 *  如果节点宕机后重新复制，则会导致大量网络通信
 *  hdfs通过在多个节点上复制块来提供数据冗余