自动扩缩 Dataproc 集群

什么是自动扩缩？

估算工作负载的“集群”工作器（节点）的“适当”数量非常困难，整个流水线的单个集群大小通常不是理想之选。用户启动的集群扩缩功能部分解决了此问题，但需要监控集群利用率和人工干预。

Dataproc AutoscalingPolicies API 提供自动管理集群资源的机制，还启用了集群工作器虚拟机的自动扩缩功能。Autoscaling Policy 是可重复使用的配置，描述了应如何扩缩使用该自动扩缩政策的集群工作器。该政策定义了扩缩边界、频率和积极性，以在整个集群生命周期内提供对集群资源的精细控制。

何时使用自动扩缩

使用自动扩缩：

在将数据储存在外部服务（如 Cloud Storage 或 BigQuery）的集群上

在处理许多作业的集群上

以扩缩单个作业集群

对 Spark 批处理作业使用增强的灵活性模式

自动扩缩功能不建议使用/用于：

• HDFS：自动扩缩功能不适合对集群 HDFS 调整规模，因为：

  1. HDFS 利用率不是自动扩缩的信号。
  2. HDFS 数据仅托管在主要工作器上。主要工作器的数量必须足以托管所有 HDFS 数据。
  3. 停用 HDFS DataNode 可能会延迟移除工作器。在移除工作器之前，DataNode 会将 HDFS 块复制到其他 DataNode。此过程可能需要几个小时，具体取决于数据大小和复制因子。

• YARN 节点标签：自动扩缩因 YARN-9088 而不支持 YARN 节点标签和属性 dataproc:am.primary_only。当使用节点标签时，YARN 错误地报告集群指标。

• Spark 结构化流：自动扩缩不支持 Spark 结构化流（请参阅自动扩缩和 Spark 结构化流）。

• 闲置集群：建议不要在集群处于闲置状态时使用自动扩缩将集群缩减到大小下限。由于创建新集群的速度与调整集群大小的速度一样快，请考虑删除闲置集群，然后重新创建。以下工具支持此“临时”模型：

  使用 Dataproc 工作流在专用集群上安排一组作业，然后在作业完成之后删除该集群。如需更高级的编排，请使用以 Apache Airflow 为基础开发的 Cloud Composer。

  对于处理临时查询或外部安排的工作负载的集群，请使用集群计划删除以在指定的空闲时间段或特定的时间段后删除集群。

• 不同大小的工作负载：当小型作业和大型作业在集群上运行时，顺序停用缩减将等待大型作业完成。因此，长时间运行的作业会延迟集群上运行的较小作业的资源自动扩缩，直到长时间运行的作业完成。为避免出现这种结果，请将大小相近的较小作业组合在一起， 并将每个耗时较长的作业隔离到单独的集群上。

启用自动扩缩

如需在集群上启用自动扩缩，请执行以下操作：

1. 创建自动扩缩政策。

2. 采用以下任一方式：

   1. 创建自动扩缩集群，或
   2. 在现有集群上启用自动扩缩。

创建自动扩缩政策

workerConfig:
  minInstances: 10
  maxInstances: 10
secondaryWorkerConfig:
  maxInstances: 50
basicAlgorithm:
  cooldownPeriod: 4m
  yarnConfig:
    scaleUpFactor: 0.05
    scaleDownFactor: 1.0
    gracefulDecommissionTimeout: 1h

workerConfig:
  minInstances: 10
  maxInstances: 10
  weight: 1
secondaryWorkerConfig:
  minInstances: 0
  maxInstances: 100
  weight: 1
basicAlgorithm:
  cooldownPeriod: 2m
  yarnConfig:
    scaleUpFactor: 0.05
    scaleDownFactor: 1.0
    scaleUpMinWorkerFraction: 0.0
    scaleDownMinWorkerFraction: 0.0
    gracefulDecommissionTimeout: 1h

gcloud dataproc autoscaling-policies import policy-name \
    --source=filepath/filename.yaml \
    --region=region

创建自动扩缩集群

在创建自动扩缩政策后，创建将使用自动扩缩政策的集群。该集群必须与自动扩缩政策位于同一区域中。

gcloud dataproc clusters create cluster-name \
    --autoscaling-policy=policy id or resource URI \
    --region=region

在现有集群上启用自动扩缩

在创建自动扩缩政策后，您可以在位于同一区域中的现有集群上启用该政策。

gcloud dataproc clusters update cluster-name \
    --autoscaling-policy=policy id or resource URI \
    --region=region

多集群政策使用情况

• 自动扩缩政策定义了可应用于多个集群的扩缩行为。当多个集群共享类似工作负载或运行具有类似资源使用模式的作业时，自动扩缩政策非常适用。

• 您可以更新多个集群所使用的政策。更新会立即影响所有使用该政策的集群的自动扩缩行为（请参阅 autcalealingPolicies.update）。如果您不想将政策更新应用于使用该政策的集群，请先停用集群上的自动扩缩，然后再更新政策。

gcloud dataproc clusters update cluster-name --disable-autoscaling \
    --region=region

• 正由一个或多个集群使用的政策无法删除（请参阅 autoscalingPolicies.delete）。

自动扩缩的工作原理

自动扩缩功能会在每个“冷却期”过后检查集群的 Hadoop YARN 指标，以确定是否扩缩集群，如果需要扩缩，则确定更新的规模。

1. YARN 待处理资源指标（待处理内存或待处理核心数）的值决定了是否要扩容或缩容。值大于 0 表示 YARN 作业正在等待资源 并且可能需要纵向扩容值 0 表示 YARN 有足够的资源，因此可能不需要缩减或进行其他更改。

   如果待处理资源大于 0：

   $estimated\_worker\_count =$

   \[ \Biggl \lceil AVERAGE\ during\ cooldown\ period\Big(\frac{Pending + Available + Allocated + Reserved}{Resource\ per\ worker}\Big)\Biggr \rceil \]

   如果待处理资源为 0：

   $estimated\_worker\_count =$

   \[ \Biggl \lceil AVERAGE\ during\ cooldown\ period\Big(\frac{Allocated + Reserved}{Resource\ per\ worker}\Big)\Biggr \rceil \]

   默认情况下，自动扩缩器会监控 YARN 内存资源。如果 您可以启用基于核心的自动扩缩， YARN 内存和 YARN 核心都会受到监控： 系统会针对内存和核心单独评估 estimated_worker_count， 这样，便会选择较大的工作器数量。

   $estimated\_worker\_count =$

   \[ max(estimated\_worker\_count\_by\_memory,\ estimated\_worker\_count\_by\_cores) \]

   \[ estimated\ \Delta worker = estimated\_worker\_count - current\_worker\_count \]

2. 根据预计工作器数量的变化，自动扩缩会使用 scaleUpFactor 或 scaleDownFactor，用于计算 工作器数量：

   if estimated Δworkers > 0:
     actual Δworkers = ROUND_UP(estimated Δworkers * scaleUpFactor)
     # examples:
     # ROUND_UP(estimated Δworkers=5 * scaleUpFactor=0.5) = 3
     # ROUND_UP(estimated Δworkers=0.8 * scaleUpFactor=0.5) = 1
   else:
     actual Δworkers = ROUND_DOWN(estimated Δworkers * scaleDownFactor)
     # examples:
     # ROUND_DOWN(estimated Δworkers=-5 * scaleDownFactor=0.5) = -2
     # ROUND_DOWN(estimated Δworkers=-0.8 * scaleDownFactor=0.5) = 0
     # ROUND_DOWN(estimated Δworkers=-1.5 * scaleDownFactor=0.5) = 0
   

   scaleUpFactor 或 scaleDownFactor 为 1.0 意味着自动扩缩功能将执行扩缩，以使待处理/可用资源为 0（完全利用率）。

3. 计算完工作器数量的变化后， scaleUpMinWorkerFraction 和 scaleDownMinWorkerFraction 阈值，以确定自动扩缩功能是否会扩缩集群。 一小部分表示即使 Δworkers 较小，自动扩缩功能也应该进行扩缩。较大部分表示仅在 Δworkers 较大时才应进行扩缩。

   IF (Δworkers >  scaleUpMinWorkerFraction * current_worker_count) then scale up
   

   或者

   IF (abs(Δworkers) >  scaleDownMinWorkerFraction * current_worker_count),
   THEN scale down.
   

4. 如果要扩缩的工作器数量大到足以触发扩缩操作，则自动扩缩功能会使用 minInstances maxInstances 的边界 workerConfig 和 secondaryWorkerConfig 和 weight（主要工作器与辅助工作器的比率）以确定如何在主要和辅助工作器实例组之间拆分工作器数量。这些计算的结果是针对扩缩阶段的集群的最终自动扩缩更改。

5. 如果满足以下条件，系统会取消使用 2.0.57 和 2.1.5 之后的映像版本创建的集群上的自动缩减请求：

   1. 正在进行纵向缩容，且存在非零安全停用超时时间 值，以及

   2. 活跃的 YARN 工作器数量（“活跃工作器”）加上自动扩缩器建议的工作器总数量变化值 (Δworkers) 等于或大于 DECOMMISSIONING 个 YARN 工作器（“要弃用的工作器”），如下公式所示：

      IF (active workers + Δworkers ≥ active workers + decommissioning workers)
      THEN cancel the scaledown operation
      

   有关缩减取消的示例，请参阅 自动扩缩功能何时会取消纵向缩容操作？。

自动扩缩配置建议

避免扩缩主要工作器

主要工作器运行 HDFS Datanode，而辅助工作器则仅用于计算。 通过使用辅助工作器，您无需预配存储空间，即可高效扩缩计算资源，从而实现更快的扩缩能力。HDFS Namenode 可能存在多个争用情况，导致 HDFS 损坏，从而导致停用过程无限期卡住。接收者 请避免伸缩主要工作器例如：workerConfig: minInstances: 10 maxInstances: 10 secondaryWorkerConfig: minInstances: 0 maxInstances: 100。

您需要对集群创建命令进行一些修改：

1. 设置 --num-workers=10 以匹配自动扩缩政策的主要工作器组大小。
2. 设置 --secondary-worker-type=non-preemptible 以将辅助工作器配置为非抢占式工作器。（除非需要抢占式虚拟机）。
3. 将硬件配置从主要工作器复制到辅助工作器。例如，将 --secondary-worker-boot-disk-size=1000GB 设置为与 --worker-boot-disk-size=1000GB 匹配。

对 Spark 批处理作业使用增强的灵活性模式

使用增强的灵活性模式 (EFM) 通过自动扩缩来执行以下操作：

启用更快的集群纵向缩容 在作业运行时

防止由于以下原因而导致正在运行的作业中断 进行集群缩容

最大限度地减少因抢占式辅助工作器被抢占而对正在运行的作业造成的中断

启用 EFM 后，自动扩缩政策的安全停用超时值必须设置为 0s。自动扩缩政策必须 自动扩缩辅助工作器。

选择安全停用超时

从集群中移除节点时，自动扩缩功能支持 YARN 安全停用。通过安全停用功能，应用可以在不同阶段之间完成数据重排，从而避免阻碍作业进度。自动扩缩政策中提供的⁠安全停用超时是指在移除节点之前 YARN 等待运行应用（停用开始时运行的应用）的持续时间上限。

如果进程未在指定的正常停用超时期限内完成，系统会强制关闭工作器节点，这可能会导致数据丢失或服务中断。为避免这种可能性，请将安全停用超时时间设置为大于 集群处理的最长作业时间。例如，如果您预计 作业运行一小时，请将超时设置为至少一小时 (1h)。

请考虑将花费时间超过 1 小时的作业迁移到其临时集群，以免禁用安全停用。

设置 scaleUpFactor

scaleUpFactor 控制自动扩缩程序应该以怎样的积极程度对集群进行扩容。指定一个介于 0.0 到 1.0 之间的数字，以设置导致添加节点的 YARN 待处理资源的百分比值。

例如，如果有 100 个待处理容器，每个容器请求 512MB，则待处理 YARN 内存将达到 50GB。如果 scaleUpFactor 为 0.5，则自动扩缩程序将添加足够的节点来添加 25GB 的 YARN 内存。同样，如果为 0.1，则自动扩缩程序将添加足够节点以达到 5GB。请注意，这些值对应于 YARN 内存，而不是虚拟机上实际可用的总内存。

对于 MapReduce 作业和启用了动态分配功能的 Spark 作业，建议您首先使用 0.05。对于具有固定数量的执行程序的 Spark 作业和 Tez 作业，请使用 1.0。scaleUpFactor 为 1.0 表示自动扩缩会进行扩缩 待处理/可用资源为 0（完美利用率）。

设置 scaleDownFactor

scaleDownFactor 控制自动扩缩程序应该以怎样的积极程度对集群进行缩减。指定一个介于 0.0 和 1.0 之间的数字以设置小数值 YARN 可用资源的一部分。

对于大多数需要纵向扩容和运行的多作业集群，将此值保留为 1.0 经常关闭由于安全停用，缩减操作的速度比扩容操作要慢得多。正在设置 scaleDownFactor=1.0 组 激进的缩减速率，最大限度地减少缩减操作的数量 实现适当的集群大小所需的资源。

对于需要更高稳定性的集群，请设置较低的 scaleDownFactor，以降低缩减速率。

将此值设置为 0.0 以防止集群纵向伸缩，例如当 使用临时集群或单作业集群管理工作负载

设置 scaleUpMinWorkerFraction 和 scaleDownMinWorkerFraction

已使用 scaleUpMinWorkerFraction 和 scaleDownMinWorkerFraction 与 scaleUpFactor 或 scaleDownFactor 搭配使用，并采用默认值 0.0 的值。它们表示自动扩缩器将达到的阈值 对集群进行纵向扩容或缩容：最小小数值增幅 或缩减集群大小来发出纵向扩容或缩容请求。

示例：自动扩缩器不会发出将 5 个工作器添加到 100 个节点的集群（除非 scaleUpMinWorkerFraction 小于或等于 0.05） (5%)。如果设置为 0.1，自动扩缩器将不会发出扩容集群的请求。同样，如果 scaleDownMinWorkerFraction 为 0.05，除非至少要移除 5 个节点，否则自动扩缩程序不会发出从包含 100 个节点的集群中移除节点的更新请求。

默认值 0.0 表示没有阈值。

设置更高 大型集群上的 scaleDownMinWorkerFractionthresholds （> 100 个节点），以避免不必要的小规模伸缩操作 强烈建议。

选择冷却期

cooldownPeriod 会设置自动扩缩器的时间段 不会发出更改集群大小的请求。您可以使用它来限制自动扩缩器对集群大小的更改频率。

cooldownPeriod 的最小值和默认值均为两分钟。如果在政策中设置了较短的 cooldownPeriod，工作负载更改会更快地影响集群大小，但集群可能会进行不必要的扩缩。推荐做法是在使用较短的 cooldownPeriod 时将政策的 scaleUpMinWorkerFraction、scaleDownMinWorkerFraction 和 设置为非零值。这样可以确保 只有当资源利用率的变化幅度达到 保证集群更新成功

如果您的工作负载对集群大小的变化敏感，您可以 并延长冷却期例如，如果你运行一个 处理作业，则可以将冷却期设置为 10 分钟或更长时间。 尝试不同的冷却期，找到最适合冷却期的值 工作负载

工作器计数边界和群组权重

每个工作器组都具有 minInstances 和 maxInstances，用于为每个组的大小配置硬性限制。

每个组还有一个名为 weight 的参数，用于在两个组之间配置目标平衡。请注意，此参数只是一个提示，如果某个组的大小达到最小值或最大值，则只能在其他组中添加或移除节点。因此，weight 通常始终保留为默认的 1。

启用基于核心的自动扩缩

默认情况下，YARN 使用内存指标进行资源分配。对于 CPU 密集型应用，最佳做法是将 YARN 配置为使用 主导资源计算器。 为此，请在创建集群时设置以下属性：

capacity-scheduler:yarn.scheduler.capacity.resource-calculator=org.apache.hadoop.yarn.util.resource.DominantResourceCalculator

自动扩缩指标和日志

以下资源和工具可帮助您监控自动扩缩操作及其对集群和它的作业产生的影响。

Cloud Monitoring

使用 Cloud Monitoring 来执行下列操作：

• 查看自动扩缩功能使用的指标
• 查看集群中的节点管理器数量
• 了解为何自动扩缩功能已经扩缩或未扩缩您的集群

Cloud Logging

使用 Cloud Logging 通过 Cloud Dataproc 自动扩缩程序查看日志。

1) 查找集群的日志。

2) 选择 dataproc.googleapis.com/autoscaler。

3) 展开日志消息以查看 status 字段。日志采用机器可读的 JSON 格式。

4) 展开日志消息以查看扩缩建议、用于制订扩缩决策的指标、原始集群大小和新目标集群的大小。

背景：使用 Apache Hadoop 和 Apache Spark 进行自动扩缩

以下部分介绍了自动扩缩如何与 Hadoop YARN 和 Hadoop Mapreduce、与 Apache Spark、Spark Streaming 和 Spark 结构化流进行（或不进行）互操作。

Hadoop YARN 指标

自动扩缩功能以下列 Hadoop YARN 指标为中心：

1. Allocated resource 是指通过运行 YARN 作业占用的 YARN 资源总量 所有容器如果有 6 个最多可使用 1 个单位资源的正在运行的容器，则表示已分配 6 个资源。

2. Available resource 是未被分配的容器使用的集群中的 YARN 资源。如果所有节点管理器中有 10 个资源单元， 有 4 个可用资源。如果有 （未使用）资源，自动扩缩可能会从集群中移除工作器。

3. Pending resource 是待处理容器的 YARN 资源请求总和。 待处理容器正在等待在 YARN 中运行空间。仅当可用资源为零或太小而无法分配给下一个容器时，待处理资源才不为零。如果存在待处理容器，则自动扩缩功能可能会将工作器添加到集群中。

您可以在 Cloud Monitoring 中查看这些指标。 默认情况下，YARN 内存将为 0.8 * 集群的总内存，而剩余的内存保留给其他守护进程和操作系统使用，例如页面缓存。您可以使用“yarn.nodemanager.resource.memory-mb” YARN 配置设置替换默认值（请参阅 Apache Hadoop YARN、HDFS、Spark 和相关属性）。

自动扩缩和 Hadoop MapReduce

MapReduce 作为单独的 YARN 容器运行每个映射和缩减任务。当作业开始时，MapReduce 会为每个映射任务提交容器请求，从而导致待处理的 YARN 内存出现大量峰值。随着映射任务的完成，待处理内存会减少。

当 mapreduce.job.reduce.slowstart.completedmaps 完成时（Dataproc 的默认设置为 95%），MapReduce 会为所有缩减器将容器请求加入队列，从而导致待处理内存再次增加。

除非您的映射任务和缩减任务需要花费几分钟或更长的时间，否则请勿为自动扩缩 scaleUpFactor 设置较高的值。将工作器添加到集群至少需要 1.5 分钟，因此请确保有足够的待处理工作能够使用新工作器几分钟。良好的起点是将 scaleUpFactor 设置为待处理内存的 0.05 (5%) 或 0.1 (10%)。

自动扩缩和 Spark

Spark 在 YARN 上额外添加了一层计划。具体来说，Spark Core 的动态分配会向 YARN 请求容器运行 Spark 执行程序，然后在这些执行程序的线程上安排 Spark 任务。Dataproc 集群默认启用动态分配，因此系统会根据需要添加和移除执行程序。

Spark 始终向 YARN 请求容器，但不进行动态分配，它仅在作业开始时请求容器。如果进行动态分配，则 Spark 会根据需要移除容器或请求新的容器。

Spark 从少量执行程序开始，在自动扩缩集群上执行 2 次，并且在执行积压任务时继续将执行程序的数量加倍。这将使待处理的内存（较少的待处理内存峰值）减少。对于 Spark 作业，建议将自动扩缩 scaleUpFactor 设置为较大的数字，例如 1.0 (100%)。

停用 Spark 动态分配

如果您运行的独立 Spark 作业无法从 Spark 动态分配中受益，则可以通过设置 spark.dynamicAllocation.enabled=false 和 spark.executor.instances 停用 Spark 动态分配。当各个 Spark 作业运行时，您仍然可以使用自动扩缩来扩缩集群。

已缓存数据的 Spark 作业

当不再需要数据集时设置 spark.dynamicAllocation.cachedExecutorIdleTimeout 或释放缓存的数据集。默认情况下，Spark 不会移除已缓存数据的执行程序，这将阻止集群缩减。

自动扩缩和 Spark Streaming

1. 由于 Spark Streaming 有自己的 动态分配 使用特定于流式传输的信号添加和移除执行器， 设置spark.streaming.dynamicAllocation.enabled=true和 通过设置 spark.dynamicAllocation.enabled=false 停用 Spark Core 的动态分配。

2. 请勿对 Spark Streaming 作业使用安全停用（自动扩缩 gracefulDecommissionTimeout）。而是改为通过自动扩缩安全移除工作器，请配置检查点以实现容错。

或者，要在不使用自动扩缩的情况下使用 Spark Streaming：

1. 停用 Spark Core 的动态分配 (spark.dynamicAllocation.enabled=false)，以及
2. 设置作业的执行程序数量 (spark.executor.instances)。请参阅集群属性。

自动扩缩和 Spark 结构化流

自动扩缩与 Spark 结构化流不兼容，因为 Spark 结构化流目前不支持动态分配（请参阅 SPARK-24815：结构化流应支持动态分配）。

通过分区和并行性来控制自动扩缩

虽然并行性通常由集群资源设置或确定（例如，HDFS 块数由任务数量控制），但在使用自动扩缩时反过来同样适用：即自动扩缩根据作业并行性设置工作器数量。以下指南可帮助您设置作业并行性：

• 虽然 Dataproc 根据集群的初始集群大小设置 MapReduce 缩减任务的默认数量，但您可以设置 mapreduce.job.reduces 来提高缩减阶段的并行度。
• Spark SQL 和 Dataframe 并行度由 spark.sql.shuffle.partitions 确定，默认值为 200。
• Spark 的 RDD 函数默认为 spark.default.parallelism，该值设置为作业启动时工作器节点上的核心数。但是，创建 shuffle 操作的所有 RDD 函数都采用分区数量的参数，该参数会替换 spark.default.parallelism。

您应该确保数据均匀分区。如果存在明显的关键偏差，则可能有一个或多个任务花费的时间明显长于其他任务，从而导致利用率低。

自动扩缩默认的 Spark/Hadoop 属性设置

自动扩缩集群具有默认集群属性值，有助于在移除主要工作器或抢占辅助工作器时避免失败。创建具有自动扩缩功能的集群时，您可以替换这些默认值（请参阅集群属性）。

默认增加任务、应用主实例和阶段的最大重试次数：

yarn:yarn.resourcemanager.am.max-attempts=10
mapred:mapreduce.map.maxattempts=10
mapred:mapreduce.reduce.maxattempts=10
spark:spark.task.maxFailures=10
spark:spark.stage.maxConsecutiveAttempts=10

默认重置重试计数器（适用于长时间运行的 Spark Streaming 作业）：

spark:spark.yarn.am.attemptFailuresValidityInterval=1h
spark:spark.yarn.executor.failuresValidityInterval=1h

默认让 Spark 的慢启动动态分配机制从较小的规模开始：

spark:spark.executor.instances=2

常见问题解答 (FAQ)

可以在高可用性集群和单节点集群上启用自动扩缩吗？

您可以在高可用性集群上启用自动扩缩，但不能在单节点集群上启用（单节点集群不支持调整大小）。

可以手动调整自动扩缩集群的大小吗？

可以。在调整自动扩缩政策时，您可以决定手动调整集群的大小作为临时方案。但是，这些更改只会产生临时影响，而自动扩缩最终会缩减集群。

不考虑手动调整自动扩缩集群的大小，而是考虑：

更新自动扩缩政策。对自动扩缩政策所做的任何更改都会影响当前使用该政策的所有集群（请参阅多集群政策使用情况）。

分离政策并手动将集群扩缩为首选大小。

获取 Dataproc 支持。

Dataproc 与 Dataflow 自动扩缩有何区别？

请参阅 Dataflow 横向自动扩缩和 Dataflow Prime 纵向自动扩缩。

Dataproc 的开发团队能否将集群状态从 ERROR 重置回 RUNNING？

一般来说不可以。这样做需要手动操作来验证是否只需重置集群的状态，通常情况下，如果不执行其他手动步骤（例如重启 HDFS Namenode），则可能无法重置集群。

如果 Dataproc 无法确定操作失败后的集群状态，它会将集群的状态设置为 ERROR。ERROR 中的集群不会自动扩缩或运行作业。出现该消息的常见原因包括：

1. 从 Compute Engine API 返回的错误，通常发生在 Compute Engine 服务中断期间。

2. HDFS 因 HDFS 停用出错而进入损坏状态。

3. Dataproc Control API 错误，例如“任务租用过期”

删除状态为 ERROR 的集群，然后重新创建。

自动扩缩何时会取消纵向缩容操作？

下图说明了自动扩缩功能何时会取消缩减操作（另请参阅自动扩缩的工作原理）。

注意：

• 集群已启用仅根据 YARN 内存指标进行自动扩缩的功能（默认）。
• T1-T9 表示自动扩缩器评估时的冷却间隔 工作器数量（事件计时已简化）。
• 堆叠的条形代表活跃、停用和停用的计数 集群 YARN 工作器。
• 自动扩缩器建议的工作器数量（黑线）基于 YARN 内存指标、YARN 活跃工作器数量和自动扩缩政策设置（请参阅自动扩缩的工作原理）。
• 红色背景区域表示缩减操作的运行时间。
• 黄色背景区域表示纵向缩容操作取消的时间段。
• 绿色背景区域表示纵向扩容操作的时间段。

以下操作会在以下时间发生：

• T1：自动扩缩器启动安全停用纵向缩容操作 缩减当前集群工作器数量左右的速度

• T2：自动扩缩器会继续监控集群指标。不会改变 且缩减操作会继续进行。 一些员工已退役，还有一些员工正在退役 （Dataproc 将删除已停用的工作器）。

• T3：自动扩缩器计算出工作器数量可以进一步缩减， 这可能是由于有额外的 YARN 内存可用。不过，由于 活跃工作器数量加上建议的 工作器数量不等于或大于有效加号数量 停用工作器、取消纵向缩容的标准 并且自动扩缩器不会取消缩容操作。

• T4：YARN 报告待处理内存的增加情况。不过，自动扩缩器 不会更改其工作器数量建议。与 T3 中一样，缩减取消条件仍未满足，并且自动扩缩器不会取消缩减操作。

• T5：YARN 待处理内存增加，并且自动扩缩器建议的工作器数量变化幅度增加。不过，由于活跃工作器数量加上建议的工作器数量更改小于活跃工作器数量加上要弃用的工作器数量，因此取消条件仍未满足，缩减操作不会取消。

• T6：YARN 待处理内存量进一步增加。活跃工作器数量加上 现在，自动扩缩器建议的工作器数量的变化幅度更大 超过活跃工作器数量和停用工作器的数量。取消条件 并且自动扩缩器会取消缩容操作。

• T7：自动扩缩器正在等待缩减操作取消完成。自动扩缩器不会在此时间段内评估并建议更改工作器数量。

• T8：完成纵向缩容操作取消操作。停用工作器 添加到集群并变为活跃状态自动扩缩器会检测 缩减操作取消完成，并等待下一次 评估期 (T9) 来计算建议的工作器数量。

• T9：T9 时间没有正在进行的操作。基于自动扩缩器政策 和 YARN 指标，自动扩缩器会建议纵向扩容操作。