吐槽
最近“闲”来无事，通过CM把vcores使用情况调出来看了一眼，发现不论集群中有多少个任务在跑，已分配的VCores始终不会超过120。而集群的可用Vcores是360（15台机器×24虚拟核）。这就相当于CPU资源只用到了1/3，作为一个半强迫症患者绝对不能容忍这样的事情发生。
分析的过程不表，其实很简单就是几个参数的问题。本以为CM能智能的将这些东西配好，现在看来好像不行。以下记录结论。
DRF和相关参数
DRF: Dominant Resource Fairness，根据CPU和内存公平调度资源。CDH动态资源池默认采用的DRF计划策略。简单的理解就是内存不够的时候，多余的CPU就不会分配任务了，就让他空着；CPU不够的时候，多出来的内存也不会再启动任务了。
理解这个计划策略后，再查看Yarn启动任务时资源相关的参数，发现有以下几个参数可能会产生影响：
- mapreduce.map.memory.mb ，map任务内存，cdh默认1G
- mapreduce.map.cpu.vcores ，map任务虚拟CPU核数，cdh默认1
- mapreduce.reduce.memory.mb ，reduce任务内存，cdh默认1G
- mapreduce.reduce.cpu.vcores ，reduce任务虚拟CPU核数，cdh默认1
- yarn.nodemanager.resource.memory-mb ，容器内存，cdh默认8G
- yarn.nodemanager.resource.cpu-vcores ，容器虚拟CPU核数，cdh默认8，但CM会自动检测内核数并修改，我这里被自动改成了24。
可以看到默认配置下，CPU核数和内存是1：1G的比例来启动任务的。
接着查看了下分配给Yarn的内存，果然是8×15=120G，所以可用内存比可用vcores（360个）比起来就小太多了，导致按照1：1G的比例下最多只能使用120个vcores。
以上只是猜想。
测试
为了证实我的猜想，将 yarn.nodemanager.resource.memory-mb 调成了16G（咱内存128G，管够）。重启yarn后，再次启动MR，于是有了下图：
可以看到参数调整前，Yarn可用内存为120G，调整后变成了240G；vcores由调整前的120变成了240。至此，证明猜想正确。
所以对于这个集群来说，由于内存为128G，内核为24个，所以完全可以将 yarn.nodemanager.resource.memory-mb 参数调成24G，这样就能将所有的CPU都利用起来了。
测试结果
yarn.nodemanager.resource.memory-mb 为8G时：
Time taken: 3794.17 secondsTotal MapReduce CPU Time Spent: 3 days 10 hours 43 minutes 22 seconds 640 msec
yarn.nodemanager.resource.memory-mb 为16G时：
Time taken: 2077.138 secondsTotal MapReduce CPU Time Spent: 3 days 12 hours 55 minutes 43 seconds 210 msec
可以看到确实快了很多很多。(ps:两次跑的任务所用的数据不一样，以免缓存导致第二次跑相同的任务会速度比第一次快，但两次任务所用的数据量差不多，都在650G左右)
其它
查看VCores SQL
SELECT allocated_vcores_cumulative, available_vcores where category=YARN_POOL and serviceName="yarn" and queueName=root
查看分配给Yarn的内存 SQL
SELECT allocated_memory_mb_cumulative, available_memory_mb where category=YARN_POOL and serviceName="yarn" and queueName=root
当然最简单的查看方式就是在CM的“动态资源池”页面看。
转: http://blog.selfup.cn/1631.html?utm_source=tuicool&utm_medium=referral
