最近新采购的一批机器，由于intel cpu体系架构的改变，新机器的系统需要升级，选择了CentOS 6.2系统。
1 在新机器上将MR业务开启后，导致整个集群都反应很慢，运行的job几乎都被卡住；通过ganglia监控发现，机器的system cpu超过30%，机器几乎是满负载的情况。
原因分析：
RHEL 6.2和6.3系统中包含了一个新特性，被称为“transparent hugepage compaction”，它和Hadoop负载不能很好的交互。相比于其他的
操作系统，这导致了严重的性能损失。Red Hat会在未来的更新中解决此问题。
解决方法：把如下命令增加到开机启动中。
echo always > /sys/kernel/mm/redhat_transparent_hugepage/enabled echo never > /sys/kernel/mm/redhat_transparent_hugepage/defrag |
2 解决上述问题，把MR业务开启一段时间后，经常出现某个task卡死的情况，job会一直hang住，查看TT日志
2013-08-2006:12:31,050INFO org.apache.hadoop.mapred.TaskLogsTruncater: Initializing logs' truncater withmapRetainSize=-1and reduceRetainSize=-1 2013-08-2006:12:31,053FATAL org.apache.hadoop.mapred.Child: Error running child : java.lang.OutOfMemoryError: unable to create newnative thread at java.lang.Thread.start0(Native Method) at java.lang.Thread.start(Thread.java:640) at org.apache.hadoop.mapred.ReduceTask$ReduceCopier.fetchOutputs(ReduceTask.java:1932) at org.apache.hadoop.mapred.ReduceTask.run(ReduceTask.java:382) at org.apache.hadoop.mapred.Child$4.run(Child.java:270) at java.security.AccessController.doPrivileged(Native Method) at javax.security.auth.Subject.doAs(Subject.java:396) at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1157) at org.apache.hadoop.mapred.Child.main(Child.java:264) |
从上面的
日志看，是OOM的错误，不能创建新的进程。但查看该TT机器，内存充足，应该不是内存导致的问题。
后来又check了环境的配置，发现在以前RHEL 5.4系统中生效的ulimit的nproc限制，在新系统中并没有生效（可以通过ulimit -u查看）。google后得知，6.2系统中修改了这一配置，新的配置需要在里/etc/security/limits.d/90-nproc.conf设置生效。
[hdfs@hd0447-sw40 ~]$ cat /etc/security/limits.d/90-nproc.conf # Default limit fornumber of user's processes to prevent # accidental fork bombs. # See rhbz #432903for reasoning. * soft nproc 1024 |
在处理hadoop前期环境的时候，发现有些机器在没有业务的情况下机器负载很高的情况，这里也记录一下。
1. 通过top命令发现plymouthd进程cpu负载达到近100%
解决方法：打开 /boot/grub/menu.lst , 去掉 “rhgb quiet”这两个参数 ，然后重启
2.power_saving死锁引起的高负载
解决方法：
方法1：rmmod acpi_pad，重启机器，机器将不支持电源节能；
方法2：在BIOS中开启ACPI支持，重启，更新内核至2.6.32-358.2.1.el6.x86_64；
方法3：在BIOS里设置禁用；
方法4：要将驱动程序列入黑名单，编辑 /etc/modprobe.d/blacklist.conf，然后添加blacklist acpi_pad。
开始使用方法1，解决了大多数机器power_saving死锁的问题，有些机器的整体负载还是会保持在10%以上，查看后发现还有部分power_saving进程，采用方法4，问题得以解决