大数据计算框架Spark之内存模型

Executor 端的内存模型,包括堆内内存(On-heap Memory)和堆外内存(Off-heap Memory)

存管理接口（MemoryManager ）

Spark 为Execution 内存和Storage 内存的管理提供了统一的接：MemoryManager。

MemoryManager 的具体实现上，Spark 1.6 之后默认为统一管理（Unified Memory Manager）方式，1.6 之前采用的静态管理（Static Memory Manager）方式仍被保留，可通过配置 spark.memory.useLegacyMode 参数启用。

1静态内存管理（Static Memory Manager）

堆内空间管理

存储内存、执行内存和其他内存的大小在 Spark 应用程序运行期间均为固定的，但可以在应用程序启动前进行配置。

可用的Execution 内存和 可用的Storage 内存计算公式：

可用的Execution 内存 = systemMaxMemory * spark.shuffle.memoryFraction * spark.shuffle.safetyFraction

可用的Storage 内存 = systemMaxMemory * spark.storage.memoryFraction * spark.storage.safetyFraction

systemMaxMemory 取决于当前 JVM 堆内内存的大小，公式中的两个 safetyFraction 参数，其意义在于在逻辑上预留出一块保险区域，降低因实际内存超出当前预设范围而导致