本文属于【Azure 架构师学习笔记】系列。
本文属于【Azure Databricks】系列。
接上文 【Azure 架构师学习笔记】- Azure Databricks (1) - 环境搭建
前言
在上文中提到了ADB 的其中一个核心就是集群，所以这里专门研究一下ADB 的集群。
ADB 集群
首先了解一下ADB 的集群， ADB的集群本质上就是一堆Azure VM，在创建之时已经按照特定模板，配置有Spark和可以并行操作Spark的能力的机器。用于并行执行ADB的代码。
ADB 的集群有两种：
- Interactive：通过GUI手动创建的集群，通常共享给多用户多notebook使用。
- Job：一个临时的集群，绑定到Databricks的作业，根据作业运行情况自动启停。
集群访问模式
ADB 有三种可选类型，如下图：
Access modes
- Single User：单用户使用
- Shared：多用户使用
- No isolation shared：管理员可以隐藏这个集群。
Databricks Runtime Version
Databricks runtime是预配环境，其软件，优化配置已经初始化到你的集群中，一般来说，如果不清楚这些版本的区别，那就选择最新版本。
- Standard：用于大多数常规场景。
- ML：用于专门的机器学习场景。
- Uncategorized：不属于上面两种场景的时候使用。
自动控制
ADB 的自动控制部分有两个功能：
-
Enable autoscaling：会根据上面选择的最小，最大节点进行按需升级，注意它是按需的，而不是直接一次性到大设置的最大节点数。降级也同理，并不是一次性降下来。 除非负载在短时间内降到很低。
-
Terminate after ? minutes of inactivity：没有活动多少分钟后，停止集群，从而节省不必要的费用。不过也要根据job的运行规律而定，不能一刀切。
Worker 和 Driver types
目前主流集群都以主节点（Worker）和子节点（Driver）为结构，worker node是用来控制的，而Driver 则是实际执行的。这些节点物理上就是一系列的windows VM。 可以看到下面两个图中VM 类型的选择，不同类型性能和价格都不一样。
- General Purpose：适合开发，标准的job 运行。
- Memory Optimized： 适合内存密集型运算。
- Storage Optimized：ADB中有一个功能叫Delta Lake，这个后续介绍，这种类型适合Delta Lake使用。
- GPU Accelerated： 对于大规模GPU 负载， 机器学习等都更加合适。
通常来说两个类型可以相同，不过如果要频繁集中数据到driver node，那么就需要考虑增加VM 的性能。
Advanced Options
这里更多是对常规集群的增强或者定制化配置：
- Azure Data Lake Storage credential passthrough： 这个功能适用于增强Data Lake对于内部用户的安全性。
- Spark Config：这是对Spark进行深度配置的区域。可以作为性能优化，或者其他特别需求之用。
- Environment Variables：类似于Spark Config， 通过特定的内容，调整Spark的安装。
- Logging：指定集群日志的输出位置。
- Init Scripts：可以通过bash来安装额外的库和包。
虽然大部分情况下默认的配置已经足够，但是对于那些需要迁移现有Spark 负载到新的ADB 情境下，那么自定义就有必要了。
