Spark on K8s Operator中Yunikorn任务组内存计算问题分析
问题背景
在Spark on K8s Operator项目的最新版本中,当用户为PySpark应用配置spark.executor.pyspark.memory
参数时,发现了一个与Yunikorn调度器任务组内存计算相关的问题。该问题会导致Executor Pod无法被正确调度,始终处于Pending状态。
问题现象
用户在使用SparkApplication CRD提交PySpark作业时,如果设置了spark.executor.pyspark.memory
配置项,会出现以下现象:
-
Executor Pod的资源请求(requests.memory)会正确包含三部分内存之和:
- 基础内存(spec.executor.memory)
- 内存开销(spec.executor.memoryOverhead)
- PySpark专用内存(spark.executor.pyspark.memory)
-
但是Yunikorn任务组注解(yunikorn.apache.org/task-groups)中的minResources.memory仅计算了前两部分,忽略了PySpark专用内存。
-
这导致Yunikorn调度器在分配资源时,发现实际Pod请求的内存大于任务组预留的内存,从而拒绝调度。
技术原理
在Spark on K8s架构中,当使用Yunikorn作为批处理调度器时,Operator会为Spark作业创建任务组(TaskGroup)注解。这个注解用于告诉Yunikorn:
- 作业需要的最小资源量(minResources)
- 各角色(Driver/Executor)的最小实例数(minMember)
对于PySpark应用,Spark会为Python进程分配额外的内存空间,这部分通过spark.executor.pyspark.memory
参数配置。在资源计算时,这部分内存应该被包含在Executor的总内存需求中。
影响范围
该问题影响以下使用场景:
- 使用Spark on K8s Operator v2.0.0-rc.0版本
- 启用了Yunikorn调度器
- 运行PySpark应用
- 配置了
spark.executor.pyspark.memory
参数
解决方案
项目维护者已经确认了这个问题,并正在开发修复方案。修复的核心思路是:
- 在计算Yunikorn任务组内存需求时,需要额外考虑PySpark专用内存配置
- 确保任务组minResources.memory与实际Pod请求的内存一致
临时规避方案
在官方修复发布前,用户可以采取以下临时方案:
- 将PySpark需要的内存合并到基础内存或内存开销中配置
- 暂时不使用Yunikorn的硬性Gang Scheduling特性
总结
这个问题揭示了Spark on K8s Operator在特殊场景下资源计算的不一致性。对于PySpark用户来说,理解各种内存参数的用途和计算方式非常重要。项目团队正在积极修复这个问题,预计将在下一个版本中包含相关修复。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









