内存不过是计算机分级存储系统中的靠近cpu的一个存储介质。

我们一起来解决这些问题

一、内存模型

远古大神曾告诉我们这个神秘公式：程序=算法+数据。

1.1 什么是内存模型

内存模型就是告诉我们怎么划分内存、怎么合理利用我们的内存。

首先我们要存什么，根据大神的公式，我们这样来分析：

• 数据：就是我们代码操作的数据，比如人的数据(年龄、职位等)或者输入的某个值。这些可在运行时将要计算的部分数据加载到内存。
• 算法：就是操作数据的逻辑，表现形式就是代码或者编译后的指令。当然它要运行起来，会依赖一部分内存，来储存程序计数器(代码执行到那一句了)、函数调用栈等运行时需要的数据。总而言之就是执行数据操作逻辑所必要的内存。

这下我们就可以把我们需要储存的东西分为数据区和执行区。

二、spark内存模型

2.1 spark为啥快

我们都知道spark之所以比mapreduce计算的快，是因为他是基于内存的，不用每次计算完都写磁盘，再读取出来进行下一次计算，spark直接把内存作为数据的临时储存介质。所以mapreduce就没有强调内存管理，而spark需要管理内存。

2.2 spark管理的内存

系统区：spark运行自身的代码需要一定的空间。

用户区：我们自己写的一些udf之类的代码也需要一定的空间来运行。

存储区：spark的任务就是操作数据，spark为了快可能把数据存内存，而这些数据也需要占用空间。

执行区：spark操作数据的单元是partition，spark在执行一些shuffle、join、sort、aggregation之类的操作，需要把partition加载到内存进行运算，这也会运用到部分内存。

2.3 spark内存模型

spark内存

上图就是spark内存划分的图了

我们从下到上一层一层的解释：

• 第1层：整个excutor所用到的内存
• 第2层：分为jvm中的内存和jvm外的内存，这里的jvm内存在yarn的时候就是指申请的container的内存
• 第3层：对于spark来内存分为jvm堆内的和memoryoverhead、off-heap
• jvm堆内的下一层再说
• memoryOverhead 对应的参数就是spark.yarn.executor.memoryOverhead 这块内存是用于虚拟机的开销、内部的字符串、还有一些本地开销(比如python需要用到的内存)等。其实就是额外的内存，spark并不会对这块内存进行管理。
• off-heap 这里特指的spark.memory.offHeap.size这个参数指定的内存(广义上是指所有堆外的)。这部分内存的申请和释放是直接进行的不通过jvm管控所以没有GC，被spark分为storage和excution两部分和第5层讲的一同被spark统一进行管理。
• 第4层：jvm堆内的内存分为三个部分
• reservedMemory 预留内存300M，用于保障spark正常运行
• other memory 用于spark内部的一些元数据、用户的数据结构、防止出现对内存估计不足导致oom时的内存缓冲、占用空间比较大的记录做缓冲
• memory faction spark主要控制的内存，由参数spark.memory.fraction控制。
• 第5层：分成storage和execution 由参数spark.memory.storageFraction控制它两的大小，但是
• execution 用于spark的计算：shuffle、sort、aggregation等这些计算时会用到的内存，如果计算是内存不足会向storage部分借，如果还是不够就会spill到磁盘。
• storage 主要用于rdd的缓存，如果execution来借内存，可能会牺牲自己丢弃缓存来借给execution，storage也可以向execution借内存，但execution不会牺牲自己。

三、源码层面

3.1 整体架构

内存管理

• 内存申请和释放(绿色)：
• 看上图绿色那块，就是内存的申请和释放模块。MemoryAllocator接口负责内存申请，有两个子类实现分别负责堆内内存和off-heap内存。
• 内存池(粉色):
• MemoryPool内存池有两个子类分别管理着执行内存和储存内存。可以看到两种内存池的申请方法的参数有很明显的区别，执行内存主要是面向task的，而储存内存主要是面向block的也就是用于rdd缓存呀啥的。
• 统一内存管理：
• MemoryManager负责记录内存的消耗，管理这4个内存池，子类UnifiedMemoryManager负责把这执行内存和储存内存统一起来管理，实现相互借用之类的功能。
• MemoryManager的使用场景
• 一个是BlockManager用于管理储存，还有一部分是运行Task是的内存使用，主要有executor的使用，shuffle时spill呀外部排序呀，这样的场景。

3.2 如何实现内存申请释放。

spark是用scala和java实现的，印象中没有管理内存申请释放的api，spark是如何利用这些jvm语言管理内存的呢。

我们来看看源码片段

HeapMemoryAllocator可以看到上面的源码片段，实际的内存申请是这个代码：new long[numWords]; 就是new了个数组来占着内存，用MemoryBlock 包装了一下。bufferPoolsBySize这个是为了防止内存频繁申请和释放做的buffer。

接下来看看off-heap是怎么申请内存的。

offheap的就和C语言一样的了可以直接使用api来申请。这部分内存就需要自己进行管理了，没有jvm的控制，没有内存回收机制。

当然这也不意味了你能无限制的使用内存，在yarn的情况下，yarn是监测子进程的内存占用来看你是否超了内存，如果超了直接kill掉。

四、总结

我们能回答开头提出的几个问题了吗?还是又有了更多的问题呢。

【责任编辑：武晓燕 TEL：（010）68476606】