Hadoop性能调优建议

一、服务器配置

1. BIOS配置： 关闭smmu/关闭cpu预取/performance策略

2. 硬盘优化 raid0 打卡cache /jbod scheduler/sector_size/read_ahead_kb

3. 网卡优化 rx_buff/ring_buffer/lro/中断绑核/驱动升级

4. 内存插法：要用均衡插法，内存配对插。

5. 占用通道：先把每个通道都插满，再去插对应通道。（内存通道分布请查看机箱背板示意图）

6. Rank数：内存条硬件参数，1R和2R的区别，得用2R的

7. 频率：内存条主频，要选择主频高的。

8. Scheduler策略：ssd硬盘得用noop策略；机械硬盘建议deadline策略

9. 驱动升级：用最新版本的网卡驱动程序

二、操作系统调优

1、关闭selinux：

为了减少selinux的性能损耗，关闭selinux。vim /etc/sysconfig/selinux命令，打开selinux文件。将"SELINUX=enforcing" 改为 "SELINUX=disabled"。保存文件，重启服务器。

2、配置扩展文件描述符：

需要配置最大打开文件数为102400，否则在测试过程中可能会导致软件最大打开文件数被限制在1024，影响服务器性能。在“/etc/security/limits.conf”文件中写入以下配置。保存文件并重启。

*表示所有用户；hard表示严格的设定，必定不能超过这个设定的数值；soft表示警告的设定，可以超过这个设定值，但是若超过则有警告信息。

3、关闭不用的系统服务

Cpus等

4、配置网卡中断：（绑定的核专门用于处理网卡中断）

关闭irqbalance，重启服务器生效

systemctl stop irqbalance.service

systemctl disable irqbalance.service

步骤1：查询网卡中断默认在哪个numa上

cat /sys/class/net/$eth1 /device/numa_node

步骤2：查询中断号

cat /proc/interrupts | grep $eth1 | awk -F ':' '{print $1}'

步骤3：根据中断号，将每个中断各绑定在一个核上。

echo $cpunum > /proc/irq/$irq/smp_affinity_list

步骤4：查看是否绑定成功

cat /proc/irq/$irq/smp_affinity_list

5、关闭透明大页

查看配置：

cat /sys/kernel/mm/transparent_hugepage/enable

若显示不为nener则修改配置：

echo never > /sys/kernel/mm/transparent_hugepage/enable

三、Hadoop参数调优

1、Yarn组件在3.1.0版本合入的新特性支持，支持Yarn组件在启动Container时使能numa 感知功能，原理是读取系统物理节点上每个Numa节点的CPU核、内存容量，使用 Numactl命令指定启动container的CPU范围和mem bind范围，减少跨片访问.

Yarn-default.xml 里的

yarn.nodemanager.numa-awareness.enabled 默认值为false改成ture

yarn.nodemanager.numa-awareness.read-topology 默认值为false改成ture

2、单台服务器可启动容器数量设置：

Mapred-site.xml

根据内存计算：NUM_container(mem)=容器内存/container内存

Mapreduc.map.memory.mb

Mapreduce.reduce.memory.mb

3、根据CPU计算：

NUM_container(vcore)=容器vcore/container vcore

mapreduce.map.cpu.vcores

Mapreduce.reduce.cpu.vcores

默认的DefaultResourceCalculator只考虑内存资源，并不采用vcore相关设置。 采用DominantResourceCalculator可以精确控制设置vcore资

在Capacity-scheduler.xml

yarn.scheduler.capacity.resource-calculator 默认值为DefaultResourceCalculator 改为 DominantResourceCalculator

4、Yarn 资源设置：资源的多少会决定任务执行的性能，而不决定任务运行的成败

Yarn-default.xml

yarn.nodemanager.resource.memory-mb 默认值为-1 改为 容器内存，一般设置物理内存75%左右

yarn.scheduler.minimum-allocation-mb 默认值为1024MB 改为 最小容器内存；最大容器数量(单节点)=容器内存/最小容器内

mapred-default.xml

mapreduce.map.java.opts JVM最大内存，一般设置为container内存的0.75 ~ 0.8

mapreduce.reduce.java.opts JVM最大内存，一般设置为container内存的0.75 ~ 0.8

5、HDFS的Handler数量由dfs.namenode.handler.count、dfs.namenode.service.handler.count和dfs.datanode.handler.count控制。4节点规模不需要配置的太大。

dfs.namenode.handler.count Namenode 的RPC服务的用于监听处理来自客户端请求的线程数

Dfs.namenode.service.handler.count Namenode的RPC服务端用于监听来自datanode和所有非客户端节点请求的线程数

Dfs.datanode.handler.count Datanode同时可以处理来自客户端的请求线程数，当集群规模比较大或者同时跑的任务比较多，可以增加此值

6、减小副本数降低可靠性的方式提升写入的性能。减轻磁盘IO压力和网络压力。

增大客户端任务写入数据时数据包大小。dfs.client-write-packet-size设置过小，导致发送数据包的效率较低，写HDFS数据较慢，适当扩大该参数可以提升写HDFS时的效率（设置会65536的整数倍,推荐131072）

Dfs.replication 默认3副本，但可以修改客户端的副本数设置

Dfs.client-write-packet-size 客户端任务写入数据时数据包大小

6、Map buffer大小：

mapreduce.task.io.sort.mb 一般设置为容器内存的25%，加大可以减少map中间结果spill到硬盘次数。

mapreduce.map.sort.spill.percent 默认0.8 ， io sort buffer 达到80%时开始spill到硬盘。

mapreduce.reduce.shuffle.parallelcopies 默认 5或者10 ， 可加大

7、reduce merge 内存中merge

每个reduce task把map 结果copy过去时都要对从各个map 端来的数据做merge（合并）动作, reduce端的内存没有那么大的时候, 只能把拉过来的数据先保存到本地磁盘中然后才做merge, 如果reduce端
的内存可以设置的很大, 完全就可以做memtomem的merge动作,
mapreduce.reduce.merge.memtomem.enabled=true

当map输出文件达到mapreduce.reduce.merge.memtomem.threshold时，触发合并

8、Heartbeat

yarn.nodemanager.heartbeat.interval-ms 1000 （ms） 设置成100

yarn.resourcemanager.nodemanagers.heartbeat-interval-ms

9、读写文件的buffer设置

io.file.buffer.size

这个属性只要是读写文件就都得使用. 默认4K （4K~64K，太大了可能会变差）