1. Spark Adaptive Query Execution
spark 3.0 부터 지원하는 기능인 Spark AQE(Adaptive Query Execution) 은
런타임시 발생하는 다양한 통계치를 수집해 성능 개선을 가능하게 하며
아래와 같은 기능을 제공한다.
참고로 기존의 Spark SQL의 쿼리 옵티마이저는 spark 1.x 에서는 rule-based, spark 2.x 에서는 rule-based 외에 cost-based 을 포함해 최적화를 실행하였다.
- Dynamically coalescing shuffle partitions
- Dynamically switching join strategies
- Dynamically optimizing skew joins
1-1) Dynamically coalescing shuffle partitions
데이터를 처리하는 Spark 환경에서 쿼리를 실행시킬때의 Shuffle은
일반적으로 쿼리 성능에 중요한 영향을 미치게 된다.
여기서 파티션 개수는 쿼리 성능에 매우 직접적인 연관을 가지고 있다.
따라서 AQE는 셔플 통계를 보고, 너무 많은 파티션 갯수를 사용할 경우 I/O를
많이 유발할 수 있기 때문에 파티션들을 적절하게 합쳐주는 기능을 제공한다.
기존 방식으로 셔플을 진행하면, 아래 그림과 같이 5개의 셔플 파티션이 생기고 각 파티션마다 크기가 달라질 수 있다.
아래 그림과 같이 AQE는 작은 크기의 파티션을 적절하게 합쳐서 비슷한 크기의 파티션 3개로 생성해 주어서 처리 속도를 올릴 수 있다.
Spark UI의 SQL 탭에서 AQE가 개입하여 최적화한 결과를 살펴보자.
Exchange에서 실제로 shuffle이 일어나고, AQEShuffleRead가 추가된 것을
확인할 수 있다.
AQE가 개입하여 partition의 크기를 기본 값 64MB에 근접하도록
number of partitions을 10000에서 5000으로 줄여서 최적화 하였다.
1-2) Dynamically switching join strategies
Spark는 여러 조인 전략을 지원하며, 그 중 데이터가 많은 테이블과 적은 테이블을
조인할 경우 Broadcast hash join을 사용할 수 있다.
Broadcast hash join 을 사용할 경우 shuffle이 발생하지 않기 때문에
성능이 좋으며 AQE가 실행 계획을 확인하여 Broadcast hash join 이
사용 가능한 경우 이를 적용시켜 준다.
RDD를 조인할 때는 Map Side Join 또는 Replicated Join이라고도 부르며, 큰 테이블과 작은 테이블을 join할 때 셔플을 피할 수 있는 방법이다.
작은 테이블의 경우는 Broadcast 변수를 driver에서 만들어서 각 executor로 보내주게 되며, 이를 통해 shuffle을 피하여 join을 할 수 있게 된다.
AQE는 런타임에 최적화를 진행하기 때문에 처음 실행 계획과 달라질 수 있다.
예를 들어 조인 대상의 두 테이블이 처음에는 큰 데이터여서 Sort Merge Join 으로 실행 계획이 세워졌다.
하지만 아래와 같이 where 조건으로 한쪽의 테이블의 데이터가 줄어 들게 되었을 때 AQE가
이를 개입하여 Broadcast hash join을 진행한다.
실행계획에서는 데이터가 얼마나 필터 될 것인지 알지 못하고 실행 해봐야 알기 때문에 처음 실행계획은 Sort Merge Join으로 세워진다.
df_2006
.where(df_2006("UniqueCarrier") === "TZ")
.join(df_2007, df_2006("FlightNum") == df_2007("FlightNum"))
.show()
Default로 Spark의 작은 데이터셋이 10MB 이하일 때 Broadcast Join을 사용할 수 있다.
하지만, 아래 옵션 변경을 통해 Broadcast 될 데이터셋의 크기를 변경해줄 수 있다.
// default: 10MB
// -1로 설정하게 되면 broadcast는 비활성화 된다.
spark.sql.autoBroadcastJoinThreshold
1-3) Dynamically optimizing skew joins
데이터 스큐는 클러스터의 파티션 간에 데이터가 고르지 않게 분포될 때 발생한다.
하나의 파티션에 데이터가 몰려있는 상황은 특히 조인의 경우 쿼리 성능을
크게 저하시킬 수 있다.
테이블 A와 테이블 B를 서로 조인하는 상황이고, 테이블 A의 A0 파티션에 데이터가
몰려있는 상황이다.
A와 B를 조인하는 과정에서 A0과 B0이 조인하는 시간이 A1,2,3 과 B1,2,3 이 조인하는
시간보다 오래 걸리므로 전체 처리 속도가 떨어지게 된다.
AQE 에서는 이러한 skew 데이터를 감지하고 skew 데이터를 더 작은 하위 파티션으로 나누게 된다.
예제에서는 A0 를 A0-0 와 A0-1 로 나누고 A0의 나눈 수 만큼 B0도 복제한다.
그 뒤 서로 조인을 진행하게 되면 A0과 B0의 조인 시간이 줄어들고 전체적인 처리 속도가 향상된다.
2. AQE 활성화
Spark 3.x 이후 버전에서는 아래와 같이 AQE를 활성화 할 수 있다.
Spark 3.2 부터는 default로 활성화 되어 있다.
2-1) coalescing shuffle partitions 활성화
아래와 같이 활성화 가능하다.
spark.conf.set("spark.sql.adaptive.enabled",true)
// spark.sql.adaptive.enabled 옵션과 모두 true라면 shuffle 이후의 partition의 크기를
// spark.sql.adative.advisoryPartitionSizeInBytes에 맞추도록 하여 너무 작고 많은 partiton의 생성을 방지한다.
spark.conf.set("spark.sql.adaptive.coalescePartitions.enabled",true)
shuffle partition 개수는 아래 설정으로 가능하며, 설정되어 있지 않으면 spark.sql.shuffle.partitions 값을
따라가게 된다.
spark.sql.shuffle.partitions 의 default 값은 200이다.
spark.sql.adaptive.coalescePartitions.initialPartitionNum // default: none
하나의 파티션 설정은 아래 옵션으로 크기가 결정되며, 기본값 64 MB 크기에 가깝게 파티션 수가 정해진다.
spark.sql.adaptive.advisoryPartitionSizeInBytes // default: 64 MB
그 외에 옵션은 아래와 같다.
// true일 경우 병렬성을 최대화하기 위해(코어를 더 많이 사용하기 위해) 파티션의 크기를
// spark.sql.adaptive.advisoryPartitionSizeInBytes를 무시하고,
// spark.sql.adaptive.coalescePartitions.minPartitionSize를 우선적으로 고려한다.
// 스파크 공식 문서에서는 이 값을 false로 설정할 것을 권장한다.
spark.sql.adaptive.coalescePartitions.parallelismFirst
// 파티션의 최소 크기를 지정한다.
// 이 값은 spark.sql.adative.advisoryPartitionSizeInBytes의 최대 20%까지 지정할 수 있다.
// 이 값은 spark.sql.adaptive.advisoryPartitionSizeInBytes가 무시될 때 사용된다.
spark.sql.adaptive.coalescePartitions.minPartitionSize
2-2) skew join 활성화
spark.conf.set("spark.sql.adaptive.enabled",true)
spark.conf.set("spark.sql.adaptive.skewJoin.enabled",true)
Reference
https://sunrise-min.tistory.com/entry/Apache-Spark-Join-strategy
https://bomwo.cc/posts/sparkaqe/
https://tech.kakao.com/2022/01/18/aqe-coalescing-post-shuffle-partitions/
https://www.databricks.com/blog/2020/05/29/adaptive-query-execution-speeding-up-spark-sql-at-runtime.html