vcore

NM 主要使用两个参数来限制 containers CPU 资源使用。

首先，使用 yarn.nodemanager.resource.percentage-physical-cpu-limit 来设置所有 containers 的总的 CPU 使用率占用总的 CPU 资源的百分比。比如设置为 60，则所有的 containers 的 CPU 使用总和在任何情况下都不会超过机器总体 CPU 资源的 60 %。

然后，使用 yarn.nodemanager.linux-container-executor.cgroups.strict-resource-usage 设置是否对 container 的 CPU 使用进行严格限制。如果设置为 true ，即便 NM 的 CPU 资源比较空闲， containers CPU 使用率也不能超过限制，这种配置下，可以严格限制 CPU 使用，保证每个 container 只能使用自己分配到的 CPU 资源。但是如果设置为 false ，container 可以在 NM 有空闲 CPU 资源时，超额使用 CPU，这种模式下，可以保证 NM 总体 CPU 使用率比较高，提升集群的计算性能和吞吐量，所以建议使用非严格的限制方式（实际通过 CGroup 的 cpu share 功能实现）。不论这个值怎么设置，所有 containers 总的 CPU 使用率都不会超过 cpu-limit 设置的值。

NM 会按照机器总的 CPU num* limit-percent 来计算 NM 总体可用的实际 CPU 资源，然后根据 NM 配置的 Vcore 数量来计算每个 Vcore 对应的实际 CPU 资源，再乘以 container 申请的 Vcore 数量计算 container 的实际可用的 CPU 资源。这里需要注意的是，在计算总体可用的 CPU 核数时，NM 默认使用的实际的物理核数，而一个物理核通常会对应多个逻辑核（单核多线程），而且我们默认的 CPU 核数通常都是逻辑核，所以我们需要设置 yarn.nodemanager.resource.count-logical-processors-as-cores 为 true 来指定使用逻辑核来计算 CPU 资源。

Hadoop YARN同时支持内存和CPU两种资源的调度,默认只支持内存，如果想进一步调度CPU，需要自己进行一些配置。

目前的CPU被划分成虚拟CPU（CPU virtual Core），这里的虚拟CPU是YARN自己引入的概念，初衷是，考虑到不同节点的CPU性能可能不同，每个CPU具有的计算能力也是不一样的，比如某个物理CPU的计算能力可能是另外一个物理CPU的2倍，这时候，你可以通过为第一个物理CPU多配置几个虚拟CPU弥补这种差异。用户提交作业时，可以指定每个任务需要的虚拟CPU个数。

内存资源的多少会会决定任务的生死，如果内存不够，任务可能会运行失败；相比之下，CPU资源则不同，它只会决定任务运行的快慢，不会对生死产生影响。

由于CPU资源的独特性，目前这种CPU分配方式仍然是粗粒度的。很多任务可能是IO密集型的，消耗的CPU资源非常少，如果此时为它分配一个CPU，则是一种严重浪费，完全可以和其他几个任务共用这个CPU.也就是说，我们需要支持更细粒度的CPU表达方式。借鉴亚马逊EC2中CPU资源的划分方式，即提出了CPU最小单位为EC2 Compute Unit（ECU），一个ECU代表相当于1.0-1.2 GHz 2007 Opteron or 2007 Xeon处理器的处理能力。YARN提出了CPU最小单位YARN Compute Unit（YCU），目前这个数是一个整数，默认是720，由参数yarn.nodemanager.resource.cpu-ycus-per-core设置，表示一个CPU core具备的计算能力（该feature在目前已知版本中不存在，https://issues.apache.org/jira/browse/YARN-1089 & https://issues.apache.org/jira/browse/YARN-1024），这样，用户提交作业时，直接指定需要的YCU即可，比如指定值为360，表示用1/2个CPU core，实际表现为，只使用一个CPU core的1/2计算时间。注意，在操作系统层，CPU资源是按照时

参数设置

————————————————————————————————

1、ApplicationMaster 内存
提交任务到yarn上时，为ApplicationMaster分配的内存量，一般不需要太大，1G-4G即可
在yarn-site.xml中配置
参数名 ： yarn.app.mapreduce.am.resource.mb
值：1024mb

2、容器内存
每台nodemanager节点提供给yarn进行调度管理的内存大小，就是分配多少资源去让yarn进行管理
这个需要根据每台服务器的内存来确定，拿 三台服务器每台8核16G内存举例，每台机器可以给yarn分配16G内存，但不建议全给，一般配置10G-14G即可
参数名：yarn.nodemanager.resource.memory-mb
值： 12G

3、容器虚拟 CPU 内核
每台nodemanager节点提供给yarn进行调度管理的CPU核数大小，就是分配多少CPU去让yarn进行管理
这个需要根据每台服务器的内存来确定，拿 三台服务器每台8核16G内存举例，每台机器可以给yarn分配8核，但不建议全给，一般配置4-6核即可（前面已经讲到 参数可以控制整体cpu的使用 yarn.nodemanager.resource.percentage-physical-cpu-limit）。但有时候在运行yarn任务时会出现计算很慢问题。注意这里是虚拟内核，因为yarn不会去检测服务器的内核数量，所以针对这种情况，就可以将数量增加1到2倍来提高运算效率。比如配置为32
（还有一说法：目前推荐将该值设值为与物理CPU核数数目相同。如果你的节点CPU核数不够8个，则需要调减小这个值，而YARN不会智能的探测节点的物理CPU总数。）
参数名：yarn.nodemanager.resource.cpu-vcores
值： 32

4、最小容器内存
就是分配给每个Container（容器）的最小执行内存。每创建一个容器就默认占用这么多内存资源，默认512MB即可
参数名：yarn.scheduler.minimum-allocation-mb
值： 512mb

5、容器内存增量
当创建一个容器后，默认创建的容器资源无法支持任务去运行，就需要增加内存资源，就需要配置每次增加内存资源的大小。配置512MB即可，但如果在yarn上提交的每个任务所涉及的数据或计算都很多，则可以相应调整为1G，2G等
参数名：yarn.scheduler.increment-allocation-mb
值：512mb

6、最大容器内存
就是一个容器所最大支持的内存容量，如果某个任务涉及的数据非常的大，若配置的最大容器内存过小，则会导致任务失败。
一般配置为 <=容器虚拟 CPU 内核，但不能超过容器内存yarn.nodemanager.resource.memory-mb
参数名：yarn.scheduler.maximum-allocation-mb
值：10G

7、最小容器虚拟 CPU 内核数量
与最小内存同理，一个容器涉及的最小计算量的cpu数
参数名：yarn.scheduler.minimum-allocation-vcores
值： 1

8、容器虚拟 CPU 内核增量
与容器内存增量同理，一个容器每次增加的cpu数
参数名：yarn.scheduler.increment-allocation-vcores
值 ：1

9、最大容器虚拟 CPU 内核数量
与容器最大内存同理，一个容器容纳的最大CPU数，代表它最大的计算能力，同样不能超过之前配置的容器虚拟 CPU 内核， yarn.nodemanager.resource.cpu-vcores
参数名：yarn.scheduler.maximum-allocation-vcores
值：32

部分内容转载于

原文链接：
————————————————
版权声明：本文为CSDN博主「老师好我叫陈js」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/chenjunshi123/article/details/122456706