クラスターの設定の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。

クラスターの設定の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べきか

クラスターが使用するインスタンスタイプとインスタンスの数を計画するときは、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をお勧めします。詳細については、「クラスターを表示し、モニタリングする」を参照してください。テストを行う前に、このセクションのガイドラインを確認し、開始点を確認してください。

デフォルトで、1 つの AWS アカウントで実行できる EC2 インスタンスの総数は 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。クォータの引き上げをリクエストする方法の詳細については、」AWS サービスクォータ数

各ノードに必要な計算能力とメモリは、いくつかの要因によって異なります。

  • 処理するデータセットのサイズと、結果が必要な速さ。

  • 使用するビッグデータアプリケーションのスイート。

  • タスクの実行とストレージの負荷を共有できるインスタンスグループ内のノードの数。

ほとんどの Amazon EMR クラスターは汎用インスタンスタイプm5.xlarge など。高速出力を必要とする計算負荷の高いクラスターは、コンピューティングの最適化または高速コンピューティングインスタンス。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、メモリ最適化インスタンス。ネットワークと CPU を多く使用するアプリケーションは、解析、自然言語処理、機械学習など、強化されたネットワーキングを提供するインスタンスで実行するとメリットがあります。拡張ネットワーキングをサポートするインスタンスには、識別子に「n」が付いていることがよくあります。詳細については、『』を参照してください。インスタンスタイプエクスプローラ

さらに、ノードタイプに基づいて、次のガイドラインを検討します。

マスターノードの考慮事項

一般に、クラスターが大きく、データセットが大きいほど、マスターノードに必要なメモリ量は多くなります。デフォルトの m5.xlarge インスタンスは良い出発点ですが、クラスターの拡大に伴い、*.2xlarge や*.4xlarge など、より多くのメモリを持つインスタンスタイプを使用することを検討してください。

Spark ワークロードの場合、メモリの断片化を避けるために、マスターノードのメモリ容量を 32 GiB 以上のメモリを持つインスタンスタイプに増やすことを検討してください。ほとんどのアプリケーションには 32 GiB で十分です。複数のセッションを実行する場合、またはマスターノードで実行されているドライバーでクライアントモードを使用する場合は、メモリ容量がさらに大きいインスタンスの使用を検討してください。これには、Zeppelin または Jupyter が複数のノートブックセッションを実行する可能性のあるノートブックアプリケーションが含まれます。

マスターノードの機能を選択するときは、メタデータ処理の要件を考慮してください。ローカルディスクストレージと HDFS を使用する大規模なクラスターでは、HDFS NameNode デーモンに対応するために追加のメモリが必要になる場合があります。大規模なデータセットを持つ HBase クラスターは、HBase HMaster に対応するために追加のメモリが必要になる場合があります。Hive および Spark SQL を使用するクラスターでは、多数のパーティションを持つ大規模なメタストアに対して追加のメモリが必要になる場合があります。

Presto ワークロードの場合は、クエリ結果の予想サイズを考慮します。クエリ結果が大きくなると、マスターノードに対する要求が大きくなり、メモリ容量が増えるというメリットがあります。

コアノードとタスクノードに関する考慮事項

処理可能なデータの量は、コアノードのストレージ容量と、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、クラスターに保存されます。

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。タスクノードを追加すると、コアノードの処理負荷を軽減できます。m5.xlarge では多くのジョブを実行できます。アプリケーションに遅延を招く外部依存関係 (データの収集のために Web クロールなど) がある場合は、低機能なインスタンスでクラスターを実行することで、コストを削減できます。外部依存関係が終了している間、インスタンスの実行に時間がかかる場合があります。

パフォーマンスを向上させるには、コアノードとタスクノードのメモリ容量、処理能力、またはその両方を増やすことを検討してください。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またはタスクノードから始め、その数をすぐに増減できます。

Spark ワークロードの場合、Spark 自身のために 8 GiB のメモリを予約することを考慮してください。これは、実質的なベースラインのメモリオーバーヘッドです。Spark ワークロードの場合は、そのオーバーヘッドと Spark エグゼキュータに対応するために、追加のメモリを持つインスタンスを検討してください。

スポットインスタンスはどのような場合に使用しますか?

Amazon EMR でクラスターを起動するときは、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Job 失敗を防止する 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)。[] 内のプロパティ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ことよりもコストの方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で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。

アプリケーション向けのインスタンスの構成シナリオ

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。

アプリケーションシナリオ マスターノード購入オプション 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
長時間稼働クラスターおよび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。

長時間稼働クラスターおよびデータウェアハウス

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一時クラスターを実行している場合、すべての作業を保持する必要があるときは、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。

クラスターの必要な 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 EC2 インスタンスの数。

  • 使用するインスタンスタイプの 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 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 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 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、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 EBS ボリュームでクラスターを作成する、またはEBS ボリュームを既存のクラスターに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

  • より大きいストレージ容量で、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。