我出题,你来算。根据Flink TaskManager内存模型,各部分内存分配?

2024-09-06 17:08

本文主要是介绍我出题,你来算。根据Flink TaskManager内存模型,各部分内存分配?,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

点击上方蓝色字体,选择“设为星标”

回复"面试"获取更多惊喜

大数据面试提升私教训练营

2e8d487eebc08e46f367bd84d0ca8f25.png

Hi,我是王知无,一个大数据领域的原创作者。 

放心关注我,获取更多行业的一手消息。

先上一张官方给出的Flink(1.10版本以后)内存模型图示:

559288d97817d70cee9028a1be5060d5.png

然后再贴一张现在正在运行的flink任务与TaskManager内存有关的参数信息:

b05286daa6b251fa9aa42bd4cbab05a4.png b8197b0445d66e6a3469c5b57b5d51f3.png

现在开始看图说话:

从启动参数配置上,我们可以看到最大堆内存和初始堆内存都在1.5GB,DirectMemory的大小约为471M,Flink的Task就运行在一个TaskManager的JVM进程中,接下来分析该进程的内部结构。

Total Process Memory

TaskManage的内存分为5大部分:堆内存,堆外内存,直接内存,MetaSpace内存以及JVM Overhead内存。这5部分的总和就是总的Total Process Memory,这个值可以通过flink-conf.yml中taskmanager.memory.process.size配置,通过上面配置截图可以看出,例子中的总内存为4G。

Total Flink Memory

TaskManager进程占用的所有与Flink有关的内存(不包括JVM MetaSpace和Overhead内存),具体上上面截图所示,包含4大块:Flink框架内存(堆内/堆外),托管内存(堆外),网络缓存(堆外),任务内存(堆内/堆外)。我们可以通过taskmanager.memory.flink.size来指定flink 内存,同时flink官方建议我们不要同时配置Process Memory和Flink Memory。

# It is not recommended to set both 'taskmanager.memory.process.size' and Flink memory.

JVM Heap

JVM Heap分为两大部分,一个是Flink框架需要使用的堆内存,一个是Task运行所需的堆内存。

Framework Heap

Framework Heap是Flink框架保留的,不会用来执行Task,大小通过taskmanager.memory.framework.heap.size指定。

Task Heap

Task Heap Memory是专门用于执行Flink任务的堆内存空间,是用户代码,自定义数据结构真正占用的内存,通过参数taskmanager.memory.task.heap.size指定。

Off-Heap Memory

Managed Memory

Managed Memory是有Flink直接管理的堆外内存,用于排序,哈希表,中间结果缓存,以及RocksDB的状态后端。通过参数taskmanage.memory.managed.size指定,默认情况下不配置,通过参数taskmanager.memory.managed.fraction因子(默认0.4) * Total Flink Memory来指定大小。

Direct Memory
Framework Off-heap Memory

Flink框架的堆外内存部分,默认128M,通过taskmanager.memory.framework.off-heap.size指定,不建议修改。

Task Off-heap Memory

Flink执行task所使用的堆外内存。如果在Flink应用的代码中调用了Native的方法,需要用到off-head内存,这些内存会分配到Off-heap堆外内存中,通过参数taskmanage.memory.task.off-heap.size 指定,默认为0.

Network Memory

Flink的Task之间的shuffle,广播等操作以及与外部组件的数据传输需要用到Network Memory,该值通过以下3个参数确定:

  • taskmanager.memory.network.min:Network Memory最小值

  • taskmanager.memory.network.max:Network Memory最大值

  • taskmanager.memory.network.fraction:Network Memory占Total Flink Memory的比例,默认0.1,如果通过该比例值计算出的结果超出前两个MIN-MAX参数的范围,则已MIN-MAX为准。如果MIN-MAX参数使用同样的值,则表示NetWork是固定的内存大小。

JVM Metaspace Memory

从JDK 8开始,JVM把永久代去掉了。类的元数据信息放在了Metaspace Memory中。通过参数taskmanager.memory.jvm-metaspace.size指定,默认256M。

JVM Overhead Memory

为JVM预留的其他本地内存,用于线程栈、代码缓存等,通过以下三个参数配置

  • taskmanager.memory.jvm-overhead.min:JVM额外开销最小值,默认192M

  • taskmanager.memory.jvm-overhead.max:JVM额外开销最大值,默认1G

  • taskmanager.memory.jvm-overhead.fraction:JVM额外开销占Total Process Memory的比例,默认0.1。

总结

将官方提供的TaskManager的内存模型结合实际案例,各部分的内存分配图示如下:

0ed16581eac874040f78891468776fb7.png

如果这个文章对你有帮助,不要忘记 「在看」 「点赞」 「收藏」 三连啊喂!

11dd8a5bab2d5e37970bb81dd80c6215.png

5fc1a58e144ebe85d737a55f3b88270d.png

2022年全网首发|大数据专家级技能模型与学习指南(胜天半子篇)

互联网最坏的时代可能真的来了

我在B站读大学,大数据专业

我们在学习Flink的时候,到底在学习什么?

193篇文章暴揍Flink,这个合集你需要关注一下

Flink生产环境TOP难题与优化,阿里巴巴藏经阁YYDS

Flink CDC我吃定了耶稣也留不住他!| Flink CDC线上问题小盘点

我们在学习Spark的时候,到底在学习什么?

在所有Spark模块中,我愿称SparkSQL为最强!

硬刚Hive | 4万字基础调优面试小总结

数据治理方法论和实践小百科全书

标签体系下的用户画像建设小指南

4万字长文 | ClickHouse基础&实践&调优全视角解析

【面试&个人成长】2021年过半,社招和校招的经验之谈

大数据方向另一个十年开启 |《硬刚系列》第一版完结

我写过的关于成长/面试/职场进阶的文章

当我们在学习Hive的时候在学习什么?「硬刚Hive续集」

这篇关于我出题,你来算。根据Flink TaskManager内存模型,各部分内存分配?的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1142612

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

NameNode内存生产配置

Hadoop2.x 系列,配置 NameNode 内存 NameNode 内存默认 2000m ,如果服务器内存 4G , NameNode 内存可以配置 3g 。在 hadoop-env.sh 文件中配置如下。 HADOOP_NAMENODE_OPTS=-Xmx3072m Hadoop3.x 系列,配置 Nam

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

poj 2976 分数规划二分贪心(部分对总体的贡献度) poj 3111

poj 2976: 题意: 在n场考试中,每场考试共有b题,答对的题目有a题。 允许去掉k场考试,求能达到的最高正确率是多少。 解析: 假设已知准确率为x,则每场考试对于准确率的贡献值为: a - b * x,将贡献值大的排序排在前面舍弃掉后k个。 然后二分x就行了。 代码: #include <iostream>#include <cstdio>#incl