最强Spark内存管理剖析，值得收藏~

今天和大家介绍Spark的内存模型，干货多多，不要错过奥~

与数据频繁落盘的Mapreduce引擎不同，Spark是基于内存的分布式计算引擎，其内置强大的内存管理机制，保证数据优先内存处理，并支持数据磁盘存储。

本文将重点探讨Spark的内存管理是如何实现的，内容如下:

• Spark内存概述
• Spark 内存管理机制
• Spark on Yarn模式的内存分配

1 Spark内存概述

首先简单的介绍一下Spark运行的基本流程。

• 用户在Driver端提交任务，初始化运行环境(SparkContext等)
• Driver根据配置向ResoureManager申请资源(executors及内存资源)
• ResoureManager资源管理器选择合适的worker节点创建executor进程
• Executor向Driver注册，并等待其分配task任务
• Driver端完成SparkContext初始化，创建DAG，分配taskset到Executor上执行。
• Executor启动线程执行task任务，返回结果。

Spark在任务运行过程中，会启动Driver和Executor两个进程。其中Driver进程除了作为Spark提交任务的执行节点外，还负责申请Executor资源、注册Executor和提交Task等，完成整个任务的协调调度工作。而Executor进程负责在工作节点上执行具体的task任务，并与Driver保持通信，返回结果。

由上可见，Spark的数据计算主要在Executor进程内完成，而Executor对于RDD的持久化存储以及Shuffle运行过程，均在Spark内存管理机制下统一进行，其内运行的task任务也共享Executor内存，因此本文主要围绕Executor的内存管理进行展开描述。

Spark内存分为堆内内存(On-heap Memory)和堆外内存(Off-heap Memory)。其中堆内内存基于JVM内存模型，而堆外内存则通过调用底层JDK Unsafe API。两种内存类型统一由Spark内存管理模块接口实现。

def acquireStorageMemory(...): Boolean  //申请存储内存
def acquireExecutionMemory(...): Long   //申请执行内存
def releaseStorageMemory(...): Unit     //释放执行内存
def releaseStorageMemory(...): Unit     //释放存储内存

1.1 Spark的堆内内存

Executo作为一个JVM进程，其内部基于JVM的内存管理模型。

Spark在其之上封装了统一的内存管理接口MemoryManager，通过对JVM堆空间进行合理的规划(逻辑上)，完成对象实例内存空间的申请和释放。保证满足Spark运行机制的前提下，最大化利用内存空间。

这里涉及到的JVM堆空间概念，简单描述就是在程序中，关于对象实例|数组的创建、使用和释放的内存，都会在JVM中的一块被称作为"JVM堆"内存区域内进行管理分配。

Spark程序在创建对象后，JVM会在堆内内存中分配一定大小的空间，创建Class对象并返回对象引用，Spark保存对象引用，同时记录占用的内存信息。

Spark中堆内内存参数有: -executor-memory或-spark-executor-memory。通常是任务提交时在参数中进行定义，且与-executor-cores等相关配置一起被提交至ResourceManager中进行Executor的资源申请。

在Worker节点创建一定数目的Executor，每个Executor被分配-executor-memory大小的堆内内存。Executor的堆内内存被所有的Task线程任务共享，多线程在内存中进行数据交换。

Spark堆内内存主要分为Storage(存储内存)、Execution(执行内存)和Other(其他) 几部分。

• Storage用于缓存RDD数据和broadcast广播变量的内存使用
• Execution仅提供shuffle过程的内存使用
• Other提供Spark内部对象、用户自定义对象的内存空间

Spark支持多种内存管理模式，在不同的管理模式下，以上堆内内存划分区域的占比会有所不同，具体详情会在第2章节进行描述。

1.2 Spark的堆外内存

Spark1.6在堆内内存的基础上引入了堆外内存，进一步优化了Spark内存的使用率。

其实如果你有过Java相关编程经历的话，相信对堆外内存的使用并不陌生。其底层调用基于C的JDK Unsafe类方法，通过指针直接进行内存的操作，包括内存空间的申请、使用、删除释放等。

Spark在2.x之后，摒弃了之前版本的Tachyon，采用Java中常见的基于JDK Unsafe API来对堆外内存进行管理。此模式不在JVM中申请内存，而是直接操作系统内存，减少了JVM中内存空间切换的开销，降低了GC回收占用的消耗，实现对内存的精确管控。

堆外内存默认情况下是不开启的，需要在配置中将spark.memory.offHeap.enabled设为True,同时配置spark.memory.offHeap.size参数设置堆大小。

对于堆外内存的划分，仅包含Execution(执行内存)和Storage(存储内存)两块区域，且被所有task线程任务共享。

2 Spark内存管理机制

前文说到，不同模式下的Spark堆内、堆外内存区域划分占比是不同的。

在Spark1.6之前，Spark采用的是静态管理(Static Memory Manager)模式，Execution内存和Storage内存的分配占比全部是静态的，其值为系统预先设置的默认参数。

在Spark1.6后，为了考虑内存管理的动态灵活性，Spark的内存管理改为统一管理(Unified Memory Manager)模式，支持Storage和Execution内存动态占用。至于静态管理方式任然被保留，可通过spark.memory.useLegacyMode参数启用。

2.1 静态内存管理(Static Memory Manager)

Spark最原始的内存管理模式，默认通过系统固定的内存配置参数，分配相应的Storage、Execution等内存空间，支持用户自定义修改配置。

1. 堆内内存分配

堆内内存空间整体被分为Storage(存储内存)、Execution(执行内存)、Other(其他内存)三部分,默认按照6:2:2的比率划分。其中Storage内存区域参数: spark.storage.memoryFraction(默认为0.6)，Execution内存区域参数: spark.shuffle.memoryFraction(默认为0.2)。Other内存区域主要用来存储用户定义的数据结构、Spark内部元数据，占系统内存的20%。

在Storage内存区域中，10%的大小被用作Reserved预留空间，防止内存溢出情况，由参数: spark.shuffle.safetyFraction(默认0.1)控制。90%的空间当作可用的Storage内存，这里是Executor进行RDD数据缓存和broadcast数据的内存区域，参数和Reserved一致。还有一部分Unroll区域，这一块主要存储Unroll过程的数据,占用20%的可用Storage空间。

Unroll过程:
RDD在缓存到内存之前，partition中record对象实例在堆内other内存区域中的不连续空间中存储。RDD的缓存过程中, 不连续存储空间内的partition被转换为连续存储空间的Block对象，并在Storage内存区域存储，此过程被称作为Unroll(展开)。

Execution内存区域中，20%的大小被用作Reserved预留空间，防止OOM和其他内存不够的情况，由参数: spark.shuffle.safetyFraction(默认0.2)控制。80%的空间当作可用的Execution内存，缓存shuffle过程的中间数据，参数: spark.shuffle.safetyFraction(默认0.8)。

计算公式

可用的存储内存 = 
      systemMaxMemory 
      * spark.storage.memoryFraction
      * spark.storage.safetyFraction
可用的执行内存 =
     systemMaxMemory 
     * spark.shuffle.memoryFraction 
     * spark.shuffle.safetyFraction

2. 堆外内存

相较于堆内内存，堆外内存的分配较为简单。堆外内存默认为384M，由系统参数spark.yarn.executor.memoryOverhead设定。整体内存分为Storage和Execution两部分，此部分分配和堆内内存一致，由参数: spark.memory.storageFaction决定。堆外内存一般存储序列化后的二进制数据(字节流)，在存储空间中是一段连续的内存区域，其大小可精确计算，故此时无需设置预留空间。

3. 总结

• 实现机制简单，易理解
• 容易出现内存失衡的问题，即Storage、Execution一方内存过剩，一方内容不足
• 需要开发人员充分了解存储机制，调优不便

更多细节讨论，欢迎添加我的个人微信: youlong525

2.2 统一内存管理(Unified Memory Manager)

为了解决(Static Memory Manager)静态内存管理的内存失衡等问题，Spark在1.6之后使用了一种新的内存管理模式—Unified Memory Manager(统一内存管理)。在新模式下，移除了旧模式下的Executor内存静态占比分配，启用了内存动态占比机制，并将Storage和Execution划分为统一共享内存区域。

1. 堆内内存

堆内内存整体划分为Usable Memory(可用内存)和Reversed Memory(预留内存)两大部分。其中预留内存作为OOM等异常情况的内存使用区域，默认被分配300M的空间。可用内存可进一步分为(Unified Memory)统一内存和Other内存其他两部分，默认占比为6:4。

统一内存中的Storage(存储内存)和Execution(执行内存)以及Other内存，其参数及使用范围均与静态内存模式一致，不再重复赘述。只是此时的Storage、Execution之间启用了动态内存占用机制。

动态内存占用机制

1. 设置内存的初始值，即Execution和Storage均需设定各自的内存区域范围(默认参数0.5)
2. 若存在一方内存不足，另一方内存空余时，可占用对方内存空间
3. 双方内存均不足时，需落盘处理
4. Execution内存被占用时，Storage需将此部分转存硬盘并归还空间
5. Storage内存被占用时，Execution无需归还

2. 堆外内存

和静态管理模式分配一致，堆外内存默认值为384M。整体分为Storage和Execution两部分，且启用动态内存占用机制，其中默认的初始化占比值均为0.5。

计算公式

可用的存储&执行内存 = 
   (systemMaxMemory -ReservedMemory) 
    * spark.memoryFraction 
    * spark.storage.storageFraction
(启用内存动态分配机制，己方内存不足时可占用对方)

3. 总结

• 动态内存占比，提升内存的合理利用率
• 统一管理Storage和Execution内存，便于调优和维护
• 由于Execution占用Storage内存可不规划，存在Storage内存不够频繁GC的情况

3 Spark On Yarn模式的内存分配

由于Spark内存管理机制的健全，Executor能够高效的处理节点中RDD的内存运算和数据流转。而作为分配Executor内存的资源管理器Yarn，如何在过程中保证内存的最合理化分配，也是一个值得关注的问题。

首先看下Spark On Yarn的基本流程:

• 1. Spark Driver端提交程序，并向Yarn申请Application
• 1. Yarn接受请求响应，在NodeManager节点上创建AppMaster
• 1. AppMaster向Yarn ResourceManager申请资源(Container)
• 1. 选择合适的节点创建Container(Executor进程)
• 1. 后续的Driver启动调度，运行任务

Yarn Client、Yarn Cluster模式在某些环节会有差异，但是基本流程类似。其中在整个过程中的涉及到的内存配置如下(源码默认配置):

var executorMemory = 1024                    
val MEMORY_OVERHEAD_FACTOR = 0.10   
val MEMORY_OVERHEAD_MIN = 384   

// Executo堆外内存
val executorMemoryOverhead = 
    sparkConf.getInt("spark.yarn.executor
    .memoryOverhead",
    math.max((MEMORY_OVERHEAD_FACTOR
       * executorMemory).toInt
       , MEMORY_OVERHEAD_MIN))

// Executor总分配内存
val executorMem= args.executorMemory
       + executorMemoryOverhead 

因此假设当我们提交一个spark程序时，如果设置-executor-memory=5g。

spark-submit 
  --master yarn-cluster 
  --name test 
  --executor-memory 5g 
  --driver-memory 5g

根据源码中的计算公式可得:

memoryMem= args.executorMemory(5120) + executorMemoryOverhead(512) = 5632M

然而事实上查看Yarn UI上的内存却不是这个数值？这是因为Yarn默认开启了资源规整化。

1. Yarn的资源规整化

Yarn会根据最小可申请资源数、最大可申请资源数和规整化因子综合判断当前申请的资源数，从而合理规整化应用程序资源。

• 定义

程序申请的资源如果不是该因子的整数倍，则将被修改为最小的整数倍对应的值

 公式: ceil(a/b)*b 
（a是程序申请资源，b为规整化因子）

• 相关配置

  yarn.scheduler.minimum-allocation-mb：
   最小可申请内存量，默认是1024
  yarn.scheduler.minimum-allocation-vcores：
   最小可申请CPU数，默认是1
  yarn.scheduler.maximum-allocation-mb：
   最大可申请内存量，默认是8096
  yarn.scheduler.maximum-allocation-vcores：
   最大可申请CPU数，默认是4

回到前面的内存计算：由于memoryMem计算完的值为5632，不是规整因子(1024)的整数倍，因此需要重新计算:

memoryMem = ceil(5632/1024)*1024=6144M

2. Yarn模式的Driver内存分配差异

Yarn Client 和 Cluster 两种方式提交，Executor和Driver的内存分配情况也是不同的。Yarn中的ApplicationMaster都启用一个Container来运行；

Client模式下的Container默认有1G内存，1个cpu核，Cluster模式的配置则由driver-memory和driver-cpu来指定，也就是说Client模式下的driver是默认的内存值；Cluster模式下的dirver则是自定义的配置。

1. cluster模式(driver-memory:5g): ceil(a/b)*b可得driver内存为6144M
2. client模式(driver-memory:5g): ceil(a/b)*b可得driver内存为5120M

3. 总结

Apache Yarn作为分布式资源管理器，有自己内存管理优化机制。当在Yarn部署Spark程序时，需要同时考虑两者的内存处理机制，这是生产应用中最容易忽视的一个知识点。

写在最后

Spark内存管理机制是Spark原理和调优的重点内容，本文从Static Memory Manager(静态管理模式)和Unified Memory Manager(统一管理模式)两种模式入手，深入浅出的讲解Spark计算模型是如何进行内存管理，其中在最后讲述了Spark On Yarn的内存分配，希望以上内容能够给大家带来帮助。

》》》更多好文，请大家关注我的公众号: 大数据兵工厂