赞
踩
JVM Heap:FrameworkHeap + TaskHeap
Off-Heap Memory: Managed Memory + Direct Memory(framework off-heap + task off-heap + network)
JVM Metaspace
JVM Overhead
framework heap: flink框架本身占用的内存,该内存一般不需要调整;
涉及参数
taskmanager.memory.framework.heap.size : 堆内内存
taskmanager.memory.framework.off-heap.size:堆外内存
task heap: 用于flink应用的算子以及用户代码占用的内存
taskmanager.memory.task.heap.size: 堆内内存(task heap),无默认值,一般不建议设置:flink 总内存 - 框架 - 托管 - 网络 三部分的内存推算得出;
taskmanager.memory.task.off-heap.size: 堆外内存, 默认为0, 一般也不需要设置;如果代码中需要调用native method并分配堆外内存,可以指定
纯堆外内存:memorymanager 管理,用于中间结果缓存、排序、哈希表以及rockdb 的状态后端;python进程udf也是这个内存。
涉及参数
taskmanager.memory.managed.fraction: 托管内存占flink总内存(task.memory.flink.size)的比例,默认为0.4
task.memory.managed.size: 无默认值,使用的fraction计算的~~
Network Memory使用的是directory memory,用于task 与 task之间进行数据交换(shuffle)
涉及参数:
taskmanager.memory.network.min: 最小值, 64M
taskmanager.memory.network.max: 最大值,默认为1GB
taskmanager.memory.network.fraction:网络缓存占flink总内存(taskmanager.memory.flink.size)默认为0.1
元空间内存大小;
涉及参数:taskmanager.memory.jvm-metaspace.size : 默认为256MB
JVM Overhead
保留给JVM的其他内存开销:比如Thread Stack、 code cache、 GC回收空间等。这个是有三个配置决定的:
taskmanager.memory.jvm-overhead.min: JVM额外开销的最小值,默认192M
taskmanager.memory.jvm-overhead.max: JVM额外开销的最大值,默认1G
taskmanager.memory.jvm-overhead.fraction: JVM额外开销占TM进程总内存taskmanager.memory.process.size的比例,默认为0.1
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。