クラスター構成ガイドラインとベストプラクティス - Amazon EMR

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

クラスター構成ガイドラインとベストプラクティス

このセクションのガイドラインを使用して、インスタンスタイプ、購入オプション、EMR クラスター内の各ノードタイプをプロビジョニングするためのストレージの容量を決定することができます。

どのインスタンスタイプを使用する必要がありますか。

インスタンスグループ設定を使用しているか、あるいはクラスターにインスタンスフリート設定を使用しているかによって、クラスターに Amazon EC2 インスタンスを追加する方法は複数あります。

  • インスタンスグループ

    • 既存のコアおよびタスクインスタンスグループと同じタイプのインスタンスを手動で追加します。

    • 手動でタスクインスタンスグループを追加します。これには、別のインスタンスタイプを使用できます。

    • インスタンスグループの自動スケーリングを Amazon EMR でセットアップし、指定する Amazon CloudWatch メトリクスの値に基づいて自動的にインスタンスを追加、削除します。詳細については、「クラスターリソースのスケーリング」を参照してください。

  • インスタンスフリート

    • 単一のタスクインスタンスフリートを追加します。

    • 既存のコアおよびタスクインスタンスフリートにオンデマンドおよびスポットインスタンスのターゲット容量を変更します。詳細については、「インスタンスフリートを構成する」を参照してください。

クラスターのインスタンスを計画する 1 つの方法は、代表的なデータのサンプルセットで、テストクラスターを実行し、クラスター内のノードの使用状況を監視することです。詳細については、「クラスターの表示と監視」を参照してください。別の方法は、考慮するインスタンスの容量を計算し、その値をデータのサイズに対して比較することです。

一般に、タスクを割り当てるマスターノードタイプでは、処理能力が高い Amazon EC2 インスタンスは必要ありません。タスクを処理して HDFS にデータを保存するコアノードタイプの Amazon EC2 インスタンスは、処理能力とストレージ容量の両方が必要です。データを格納するには、処理能力のみが必要です。利用可能な Amazon EC2 インスタンスとその構成のガイドラインについては、「」を参照してください。Amazon EC2 インスタンスの設定

ほとんどの Amazon EMR クラスターには、以下のガイドラインが適用されます。

  • デフォルトでは、実行できる Amazon EC2 インスタンスの総数は、AWSアカウントは 20 です。これはつまり、クラスターに構成できるノードの総数が 20 であることを意味します。アカウントの制限引き上げをリクエストする方法について詳しくは、」AWSの制限

  • 通常、マスターノードには大量の計算要件がありません。多数のノードを持つクラスターの場合、またはマスターノード (JupyterHub、Hue など) に特にデプロイされているアプリケーションを持つクラスターの場合、より大きなマスターノードが必要になることがあり、クラスターのパフォーマンスを向上させることができます。たとえば、小さなクラスター(50 個以下のノード)には m5.xlarge インスタンスを使用し、大きなクラスターにはより大きなインスタンスタイプに増やすことを検討します。

  • コアノードとタスクノードの計算ニーズは、アプリケーションが実行する処理のタイプによって異なります。多くのジョブは汎用のインスタンスタイプで実行でき、これは CPU、ディスク領域、入出力に関して、バランスの取れたパフォーマンスを発揮します。計算集約的なクラスターは、比率的に RAM より CPU が多い、High CPU インスタンス上で実行するとメリットがあります。データベースおよびメモリキャッシュアプリケーションは、大きいメモリインスタンスで実行するとメリットがあります。解析、NLP、機械学習などのネットワークと CPU を多く使用するアプリケーションは、クラスターコンピューティングインスタンスで実行するとメリットがあります。これにより、比例的に CPU リソースが高くなり、ネットワークパフォーマンスが向上します。

  • クラスターの段階によって必要な容量が異なる場合は、少ない数のコアノードから始め、タスクノードの数を増減してジョブフローでの容量要件の変化に合わせます。

  • 処理可能なデータの量は、コアノードの容量と、入力、処理時、および出力のデータのサイズによって異なります。処理中、入力、中間、および出力データセットはすべてクラスターに存在します。

スポットインスタンスはいつ使用すべきですか?

Amazon EMR でクラスターを起動するとき、マスター、コア、またはタスクのインスタンスを選んでスポットインスタンス上で起動できます。各インスタンスグループタイプがクラスターではそれぞれ異なる役割を果たすので、スポットインスタンス上で各ノードタイプを起動したときの意味合いもそれぞれ異なります。クラスターの実行中にインスタンス購入オプションを変更することはできません。マスターノードおよびコアノードのオンデマンドインスタンスをスポットインスタンスに変更する、またはその逆に変更するには、クラスターを終了して新しいクラスターを起動する必要があります。タスクノードについては、新しいタスクインスタンスグループまたはインスタンスフリートを開始し、古いものを削除できます。

タスクノードスポットインスタンスの終了によるジョブの失敗を防ぐための Amazon EMR 設定

スポットインスタンスはタスクノードの実行によく使用されるため、Amazon EMR には YARN ジョブをスケジュールするためのデフォルト機能があり、スポットインスタンスで実行中のタスクノードが終了しても実行中のジョブが失敗しないようにしています。Amazon EMR は、アプリケーションマスタープロセスをコアノードでのみ実行できるようにすることで、これを行います。アプリケーションマスタープロセスは、実行中のジョブを制御し、ジョブの有効期間中維持する必要があります。

Amazon EMR リリースバージョン 5.19.0 以降では、組み込みのYARN ノードラベル機能を使用してこれを達成します。(以前のバージョンではコードパッチを使用していました)。のプロパティyarn-siteおよびcapacity-scheduler設定分類は、YARN キャパシティスケジューラおよびフェアスケジューラがノードラベルを利用するようにデフォルトで設定されます。Amazon EMR は、コアノードにCOREラベルを作成し、アプリケーションマスターが CORE ラベルを持つノードでのみスケジュールされるようにプロパティを設定します。yarn-site およびキャパシティスケジューラの構成分類で関連するプロパティを手動で変更するか、関連する XML ファイルで直接変更すると、この機能が中断されたり、この機能が変更される可能性があります。

Amazon EMR では、デフォルトで以下のプロパティおよび値を設定します。これらのプロパティを設定するときは注意が必要です。

  • 全ノード上の yarn-site (yarn-site.xml)

    • yarn.node-labels.enabled: true

    • yarn.node-labels.am.default-node-label-expression: 'CORE'

    • yarn.node-labels.fs-store.root-dir: '/apps/yarn/nodelabels'

    • yarn.node-labels.configuration-type: 'distributed'

  • マスターおよびコアノード上の yarn-site (yarn-site.xml)

    • yarn.nodemanager.node-labels.provider: 'config'

    • yarn.nodemanager.node-labels.provider.configured-node-partition: 'CORE'

  • 全ノード上の capacity-scheduler (capacity-scheduler.xml)

    • yarn.scheduler.capacity.root.accessible-node-labels: '*'

    • yarn.scheduler.capacity.root.accessible-node-labels.CORE.capacity: 100

    • yarn.scheduler.capacity.root.default.accessible-node-labels: '*'

    • yarn.scheduler.capacity.root.default.accessible-node-labels.CORE.capacity: 100

注記

Amazon EMR 6.x リリースシリーズ以降では、YARN ノードラベル機能はデフォルトで無効になっています。アプリケーションマスタープロセスは、デフォルトでコアノードとタスクノードの両方で実行できます。次のプロパティを設定することで、YARN ノードラベル機能を有効にできます。

  • yarn.node-labels.enabled: true

  • yarn.node-labels.am.default-node-label-expression: 'CORE'

スポットインスタンス上のマスターノード

マスターノードは、クラスターを制御し、指示を与えます。マスターノードが終了するとクラスターも終了するので、マスターノードは、突然終了しても問題が発生しないクラスターを実行している場合にのみ、スポットインスタンスとして起動するようにします。たとえば、新しいアプリケーションをテストしている場合、Amazon S3 などの外部ストアに定期的にデータを保持している場合、またはクラスターの完了を保証するよりもコストが重要なクラスターを実行している場合などがこれに当てはまります。

マスターインスタンスグループをスポットインスタンスとして起動する場合、クラスターは、そのスポットインスタンスリクエストが満たされるまで開始されません。最大スポット料金を選択する場合は、この点を考慮に入れてください。

スポットインスタンスマスターノードを追加できるのは、クラスターの起動時のみです。実行中のクラスターに対してマスターノードを追加したり削除したりすることはできません。

通常は、クラスター全体(すべてのインスタンスグループ)をスポットインスタンスとして実行している場合にのみ、マスターノードをスポットインスタンスとして実行します。

スポットインスタンス上のコアノード

コアノードはデータを処理して、HDFS を使用して情報を格納します。コアインスタンスを終了すると、データ損失のリスクがあります。このため、スポットインスタンス上でコアノードを実行するのは、HDFS での一部のデータ損失を許容できる場合に限る必要があります。

コアインスタンスグループをスポットインスタンスとして起動した場合、Amazon EMR がインスタンスグループが起動するのはリクエストされたすべてのコアインスタンスのプロビジョニングが完了してからです。つまり、6 個の Amazon EC2 インスタンスをリクエストした場合、最大スポット料金またはそれを下回る料金で使用できるインスタンスが 5 個しかないと、インスタンスグループは起動しません。Amazon EMR は、6 つの Amazon EC2 インスタンスがすべて利用可能になるまで、またはお客様がクラスターを終了するまで待機を続けます。1 つのコアインスタンスグループに含まれるスポットインスタンスの数を変更して、実行中のクラスターに容量を追加することができます。インスタンスグループの操作方法およびインスタンスフリートでのスポットインスタンスの動作の詳細については、「インスタンスフリートまたはユニフォームインスタンスグループを使用してクラスターを作成する」を参照してください。

スポットインスタンス上のタスクノード

タスクノードはデータを処理しますが、HDFS に永続的データを保持しません。スポット価格が最大スポット料金を上回ったためにクラスターが終了した場合、データは失われず、クラスターに対する影響も最小限に抑えられます。

1 つ以上のタスクインスタンスグループをスポットインスタンスとして起動すると、Amazon EMR は、最大スポット料金を使用して、可能な数だけタスクノードをプロビジョニングします。つまり、6 個のノードを持つタスクインスタンスグループをリクエストした場合、最大スポット料金またはそれを下回る料金で使用できるスポットインスタンスノードが 5 個しかないと、インスタンスグループは Amazon EMR によって 5 個のノードで起動され、使用できるようになると 6 個目が追加されます。

スポットインスタンスとしてタスクインスタンスグループを起動すると、最小限のコストで戦略的にクラスターの容量を拡大できます。マスターインスタンスグループとコアインスタンスグループをオンデマンドインスタンスとして起動する場合、その容量はクラスターを実行するために確保されます。必要に応じて、タスクインスタンスグループにタスクインスタンスを追加し、ピークトラフィックの負荷に対応するか、データ処理の速度を上げます。

タスクノードは、コンソール、AWS CLI、または API を使用して追加または削除できます。また、タスクグループを追加することもできますが、作成後にタスクグループを削除することはできません。

アプリケーションシナリオのインスタンス構成

次の表は、通常さまざまなアプリケーションシナリオに適しているノードタイプ購入オプションと構成のクイックリファレンスです。各シナリオタイプの詳細情報を表示するには、リンクを選択します。

アプリケーションのシナリオ マスターノードの購入オプション コアノード購入オプション タスクノード購入オプション
長時間稼働するクラスターとデータウェアハウス オンデマンド オンデマンドまたはインスタンスフリートの組み合わせ スポットまたはインスタンスフリートの組み合わせ
コスト主導の作業 スポット スポット スポット
データクリティカルな作業 オンデマンド オンデマンド スポットまたはインスタンスフリートの組み合わせ
アプリケーションのテスト スポット スポット スポット

スポットインスタンスが Amazon EMR クラスターを実行するのに便利なシナリオはいくつかあります。

長時間稼働するクラスターとデータウェアハウス

コンピュータの計算処理機能で変動を予測できる永続的な Amazon EMR クラスター (データウェアハウスなど) を実行している場合は、スポットインスタンスによって低コストでピーク時の需要に対応できます。マスターインスタンスグループおよびコアインスタンスグループをオンデマンドインスタンスとして通常の容量に対応するように起動し、タスクインスタンスグループをスポットインスタンスとしてピーク負荷の要件に対応するように起動することができます。

コスト主導の作業

完了までの時間よりも、コストをかけないことの方が重要な一時クラスターを実行している場合、一部の作業が失われてもよいときは、クラスター全体(マスター、コア、およびタスクインスタンスグループ)をスポットインスタンスとして実行して、最大限のコスト削減を実現できます。

データクリティカルな作業

完了までの時間よりもコストをかけないことの方が重要なクラスターを実行している場合は、マスターインスタンスグループとコアインスタンスグループをオンデマンドインスタンスとして起動し、スポットインスタンスの 1 つ以上のタスクインスタンスグループで補完します。マスターインスタンスグループとコアインスタンスグループをオンデマンドインスタンスとして実行すると、データが HDFS に確実に保持されるので、スポット市場の変動によるクラスター停止が発生しなくなります。同時にスポットインスタンスとしてタスクインスタンスグループを実行することで、コストを削減できます。

アプリケーションのテスト

実稼働環境で起動できるよう準備する目的で新しいアプリケーションをテストする場合は、クラスター全体(マスター、コア、およびタスクインスタンスグループ)をスポットインスタンスとして実行し、テストコストを削減できます。

クラスターに必要な HDFS 容量の計算

クラスターで利用できる HDFS ストレージの容量は、次の要因に応じて異なります。

  • コアノードに使用する Amazon EC2 インスタンスの数。

  • 使用するインスタンスタイプの Amazon EC2 インスタンスストアの容量。インスタンスストアボリュームの詳細については、Amazon Amazon EC2 インスタンスストアLinux インスタンス用 Amazon EC2 ユーザーガイド

  • コアノードにアタッチされている Amazon EBS ボリュームの数とサイズ。

  • 各データブロックが RAID のような冗長性を実現するために HDFS に保存されている方法を説明する、レプリケーションの要因。デフォルトで、レプリケーション係数は、10 個以上のノードのクラスターで 3、4~9 個のノードのクラスターで 2、3 個以下のノードのクラスターで 1 です。

クラスターの HDFS 容量を計算するには、各コアノードで、インスタンスストアボリュームの容量を Amazon EBS ストレージ容量 (使用している場合) に追加します。計算結果にコアノードの数をかけて、その合計をコアノードの数に基づいてレプリケーション係数で割ります。たとえば、10 個のタイプ i2.xlarge のコアノードを持ち、800 GB のインスタンスストレージがあり、Amazon EBS ボリュームがアタッチされていないクラスターでは、HDFS に使用できるのは合計で約 2,666 GB です (10 ノード x 800 GB ÷ レプリケーション係数 3)。

計算された HDFS 容量の値がデータより小さい場合、次の方法で HDFS ストレージの容量を増やすことができます:

  • 追加の Amazon EBS ボリュームでクラスターを作成する、または既存のクラスターに Amazon EBS ボリュームをアタッチしたインスタンスグループを追加する

  • より多くのコアノードを追加する

  • より大きなストレージ容量を持つ Amazon EC2 インスタンスタイプを選択する

  • データ圧縮を使用する

  • レプリケーション要素を減らすためにHadoop 構成設定を変更する

レプリケーション係数を減らすことは、HDFS データの冗長性や、クラスターの HDFS ブロックの損失や破損から復元する能力が低下するため、注意して使用する必要があります。