目前遇到的问题是作业如果因为网络抖动或者硬件故障导致的pod被失联而fail,在pod重生后,作业自动restart,作业运行一段时间(半小时到1小时不等)很容易出现其他pod因为oom被os
kill的现象,然后反复循环,pod 被kill越来越频繁。目前的解决方法是手动销毁这个集群,重新构建一个集群后重启作业,就恢复正常。
如果单纯heap的状态后台,作业restart不会出现这样的问题。
有一些不成熟的猜测,作业在fail后,native memory没有释放干净,pod的limit假设为10G,那么job
restart后只有8G,TM还是按照10G的标准运行,pod使用的内存就会超过10G而被os kill(纯属猜测)。
请问大家是否有什么好的提议或者解决方法?
其中一次系统内核日志如下:
Jun 30 21:59:15 flink-tm-1 kernel: memory: usage 28672000kB, limit
28672000kB, failcnt 11225
Jun 30 21:59:15 flink-tm-1 kernel: memory+swap: usage 28672000kB, limit
9007199254740988kB, failcnt 0
Jun 30 21:59:15 flink-tm-1 kernel: kmem: usage 0kB, limit
9007199254740988kB, failcnt 0
Jun 30 21:59:15 flink-tm-1 kernel: Memory cgroup stats for
/kubepods.slice/kubepods-pod5ad5d2ea_5faa_4a11_96b4_39271ab76e99.slice:
cache:0KB rss:0KB rss_huge:0KB mapped_file:0KB swap:0K
B inactive_anon:0KB active_anon:0KB inactive_file:0KB active_file:0KB
unevictable:0KB
Jun 30 21:59:15 flink-tm-1 kernel: Memory cgroup stats for
/kubepods.slice/kubepods-pod5ad5d2ea_5faa_4a11_96b4_39271ab76e99.slice/docker-fe101418a3b2a7c534e89b4ac73d29b04070eb923220a5b1
7338850bbdb3817a.scope: cache:0KB rss:44KB rss_huge:0KB mapped_file:0KB
swap:0KB inactive_anon:0KB active_anon:44KB inactive_file:0KB
active_file:0KB unevictable:0KB
Jun 30 21:59:15 flink-tm-1 kernel: Memory cgroup stats for
/kubepods.slice/kubepods-pod5ad5d2ea_5faa_4a11_96b4_39271ab76e99.slice/docker-a2295e812a828738810a8f1ae69cd48e99ef98b9e1038158a6e33f81524cc02a.scope:
cache:180KB rss:28671776KB rss_huge:26437632KB mapped_file:144KB swap:0KB
inactive_anon:0KB active_anon:28671760KB inactive_file:4KB
active_file:4KB
unevictable:0KB
Jun 30 21:59:15 flink-tm-1 kernel: [ pid ] uid tgid total_vm rss
nr_ptes swapents oom_score_adj name
Jun 30 21:59:15 flink-tm-1 kernel: [16875] 0 16875 253 1
4 0 -998 pause
Jun 30 21:59:15 flink-tm-1 kernel: [17274] 0 17274 1369 421
7 0 -998 bash
Jun 30 21:59:15 flink-tm-1 kernel: [18089] 0 18089 10824832 7174316
14500 0 -998 java
Jun 30 21:59:15 flink-tm-1 kernel: [18348] 0 18348 1017 196
6 0 -998 tail
Jun 30 21:59:15 flink-tm-1 kernel: Memory cgroup out of memory: Kill
process 26824 (Window(Tumbling) score 4 or sacrifice child
Jun 30 21:59:15 flink-tm-1 kernel: Killed process 18089 (java)
total-vm:43299328kB, anon-rss:28669084kB, file-rss:28180kB, shmem-rss:0kB
Looking forward to your reply and help.*来自志愿者整理的flink邮件归档
很早以前遇到这个问题, standalone 模式下 metaspace 释放不掉, 感觉是一个比较严重的 bug
https://issues.apache.org/jira/browse/FLINK-11205 这边有过讨论*来自志愿者整理的flink邮件归档
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。