优化 Dataproc 集群启动时间

Question

我正在开发一个用户提交请求的应用程序，这些请求将作为 Spark 作业进行处理。目前，我们的数据中心有一个非常大的集群，可以满足组织的需求。我们计划迁移到 GCP，为了降低成本，我们计划迁移到动态集群。由于集群的大小在很大程度上取决于用户活动，我们正在计划一个完整的自动缩放集群。

问题之一是我们的用户请求受 SLA 约束，请求处理时间约为 10 到 15 分钟。不幸的是，动态集群需要额外 5 到 6 分钟才能启动集群，并且添加工作节点作为自动缩放的一部分也需要很长时间。

尽管我的初始化步骤很少，但作为一种措施，我创建了一个自定义映像，其中包含 PySpark 作业所需的预安装库集，并使用该映像启动集群。出于测试目的，我正在创建非常基本的 2 节点集群，这也需要 4 到 6 分钟。

我什至没有安装额外的“可选组件”。

这是我用于创建图像的命令：

python generate_custom_image.py \
    --image-name custom-1-5-1-debina10 \
    --family custom-image \
    --dataproc-version 1.5.1-debian10 \
    --customization-script initialization_scripts_for_image.sh \
    --zone europe-west3-b \
    --gcs-bucket gs://poc-data-store/custom-image-logs/ \
    --disk-size 50 \
    --dry-run

有什么建议可以改善 Dataproc 集群的启动时间。一项观察发现，Dataproc 启动日志花费大量时间在卸载组件上：

是否有可能将尽可能多的推送到映像准备阶段，将服务的启动减少到集群启动阶段？

Answer 1

这是一个已知的 GCE 问题，具有大型引导磁盘的 Debian 10 虚拟机启动时间缓慢。此问题是由 GCE VM 启动期间文件系统调整大小缓慢引起的。

GCE 团队正在努力解决这个问题，但目前还没有 ETA。

同时，您有几个选项作为解决方法：

• 使用基于 Ubuntu 的 Dataproc 映像
• 使用较小的启动磁盘大小会减少启动时间，但不建议这样做，因为它会影响性能，因此您可能需要附加本地 SSD来解决这个问题。
• 使用 1TB 启动磁盘创建自定义 Dataproc 映像，因此在启动期间不会调整文件系统大小。

Dataproc 异步卸载组件，因此它不会显着影响启动时间。

更新：

GCE issus 已修复，因此默认配置的 Dataproc 集群使用最新的 Debian 10 映像的平均集群创建时间为 90 秒。