环境准备及提交流程

底层通信协议

1. Akka通信协议，收发邮箱是一体的
2. Netty通信协议，收发邮箱是分开的

任务调度

任务的最小单位是线程。失败重试，会记录失败的次数，如果超过最大重试次数，宣告Application失败。失败的同时会记录它上一次所在的ExecutorID和Host, 最多重试4次。

Shuffle

功能：打散重分区

特点：无论MR和Spark，Shuffle都需要落盘。其中的区别是MR每次都落盘，Spark是尽可能少落盘。

落盘的话就需要考虑不同分区之间的数据如何存放的问题。假设每个Executor有两个Task，总共有三个分区。以下是四种shuffle落盘的策略：

1. 每个Task里面的数据打散成3个文件，一个Executor生成6个文件
2. Executor里面的两个Task的数据打散到3个文件中，一个分区一个文件，共3个文件。
3. sortShuffle: Executor里面打散的数据落盘到一个文件中，三个分区的数据通过索引来区分。这个就是SortShuffle，目前MR就是sortShuffle。
4. bypassShuffle:对不同分区的数据进行打散重分区时不对数据进行排序，只适合非聚合类的shuffle算子，比如reduceByKey。

Spark内存管理

堆内和堆外内存

1. 堆内：通过JVM申请的内存，通过了JVM的转化，更加安全，并且有垃圾回收机制。
2. 堆外：也称页缓存，自己向操作系统申请。没有经过JVM转换，不安全，没有垃圾回收机制。堆外的内存空间是通过C语言控制的，有出现内存泄漏的危险。
   • 优点：
     • 减少了垃圾回收的工作
     • 加快了复制的速度，省略了序列化的操作。
   • 缺点:
     • 堆外内存难以控制，如果内存泄漏，很难排查
     • 不适合存储复杂对象。
3. spark中，堆外内存默认是关闭的。
4. 配置方法
   • executor-memory 和 driver-memory
   • 启用堆外内存spark.memory.offHeap.eabled，并由spark.memory.offHeap.size设置堆外空间大小。

内存的分配

1. 静态内存管理，简称写死
   • 分为三个部分：
     • 存储空间60%
     • 执行空间20%
     • 其他空间20%
2. 统一内存管理，简称动态分配
   • 分为三个部分
     • 其他空间40%
     • 存储空间+计算空间=60%
   • 存储和计算空间反向使用，允许空间借用。
     

RDD的持久化机制

存储内存淘汰规则：

• 旧RDD所属RDD不能处于被读状态，避免引发一致性问题
• 新旧Block不能属于同一个RDD，避免循环淘汰
• 按照最近最少LRU进行淘汰