大数据计算框架Spark之内存模型

Executor 端的内存模型,包括堆内内存(On-heap Memory)和堆外内存(Off-heap Memory)。

存管理接口(MemoryManager )

Spark 为Execution 内存和Storage 内存的管理提供了统一的接：MemoryManager。

MemoryManager 的具体实现上，Spark 1.6 之后默认为统一管理(Unified Memory Manager)方式，1.6 之前采用的静态管理(Static Memory Manager)方式仍被保留，可通过配置 spark.memory.useLegacyMode 参数启用。

1静态内存管理(Static Memory Manager)

堆内空间管理

存储内存、执行内存和其他内存的大小在 Spark 应用程序运行期间均为固定的，但可以在应用程序启动前进行配置。

可用的Execution 内存和 可用的Storage 内存计算公式：

可用的Execution 内存 = systemMaxMemory * spark.shuffle.memoryFraction * spark.shuffle.safetyFraction

可用的Storage 内存 = systemMaxMemory * spark.storage.memoryFraction * spark.storage.safetyFraction

systemMaxMemory 取决于当前 JVM 堆内内存的大小，公式中的两个 safetyFraction 参数，其意义在于在逻辑上预留出一块保险区域，降低因实际内存超出当前预设范围而导致 OOM 的风险。这块逻辑上预留的区域同样由JVM管理。

图静态内存管理-堆内内存的分配

堆外空间管理

堆外只有Execution 内存和Storage 内存，他们的大小由spark.memory.storageFraction这个参数决定。由于堆外内存占用的空间可以被精确计算，所以无需再设定保险区域

静态内存管理-堆外内存的分配

2统一内存管理

Spark 1.6 之后引入的统一内存管理机制，与静态内存管理的区别在于Storage 内存和Execution 内存共享同一块空间，可以动态占用对方的空闲区域。

堆内内存(On-heap Memory)

堆内内存区域大致可以分为以下四类：

1)Execution 内存：主要用于存放 Shuffle、Join、Sort、Aggregation 等计算过程中的临时数据

2)Storage 内存：主要用于缓存和传播内部数据

3)Other：用户数据结构、Spark内部元数据。

4)预留内存(Reserved Memory)：系统预留内存。默认是300MB。

堆内存(Off-heap Memory)

Spark 1.6 开始引入了Off-heap memory(详见SPARK-11389)。这种模式不在 JVM 内申请内存，而是调用 Java unsafe API (如 C 语言里面的 malloc())直接向操作系统申请内存，JVM不管理这部分内存，所以可以避免频繁的 GC，但要自己编写内存申请和释放的逻辑。

堆外内存分为两类：Execution 内存和 Storage 内存。

默认情况下堆外内存不启用，可以通过配置spark.memory.offHeap.enabled 参数启用，通过配置spark.memory.offHeap.size 参数设定堆外内存空间的大小。

如果堆外内存被启用，那么 Executor 内将同时存在堆内和堆外内存，Executor 中的 Execution 内存是堆内的 Execution 内存和堆外的 Execution 内存之和，同理，Storage 内存也一样。

说明

maxOffHeapMemory=spark.memory.offHeap.size

Execution 内存和 Storage 内存动态调整

1)设定基本的Storage 内存和Execution 内存区域(通过spark.storage.storageFraction配置比例，默认是0.5，即各占一半)

2)Storage 内存和Execution 内存都不足时，则存储到硬盘;若己方空间不足而对方空余时，可借用对方的空间;(存储空间不足是指不足以放下一个完整的 Block)

3)Execution 内存空间被对方占用后，可让对方将占用的部分转存到硬盘，然后"归还"借用的空间

4)Storage 内存空间被对方占用后，无法让对方"归还"，因为实现起来较为复杂。

动态整