Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Best practice per l'osservabilità dell'EMR
<a name="emr-metrics-observability"></a>

L'osservabilità dell'EMR comprende un approccio completo di monitoraggio e gestione per i cluster EMR. AWS La base si basa su Amazon CloudWatch come servizio di monitoraggio principale, integrato da EMR Studio e da strumenti di terze parti come Prometheus e Grafana per una maggiore visibilità. In questo documento, esploriamo aspetti specifici dell'osservabilità dei cluster:

1. *[Spark observability](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Applications/Spark/observability.md)* (GitHub): per quanto riguarda l'interfaccia utente Spark, in Amazon EMR sono disponibili tre opzioni.

1. *[Spark troubleshooting](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Applications/Spark/troubleshooting.md)* (GitHub) — Risoluzioni per errori.

1. *[Monitoraggio del cluster EMR (GitHub): monitoraggio](https://aws.github.io/aws-emr-best-practices/docs/bestpractices/Observability/best_practices/)* delle prestazioni del cluster.

1. *[Risoluzione dei problemi EMR](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Troubleshooting/Troubleshooting%20EMR.md)* (GitHub): identifica, diagnostica e risolvi i problemi più comuni del cluster EMR.

1. *[Ottimizzazione dei costi](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Cost%20Optimizations/best_practices.md)* (GitHub): questa sezione descrive le migliori pratiche per l'esecuzione di carichi di lavoro convenienti.

## Strumento di ottimizzazione delle prestazioni per le applicazioni Apache Spark
<a name="performance-optimization"></a>

1. AWS Lo strumento [EMR Advisor](https://github.com/aws-samples/aws-emr-advisor) analizza i registri degli eventi di Spark per fornire consigli personalizzati per ottimizzare le configurazioni dei cluster EMR, migliorare le prestazioni e ridurre i costi. Sfruttando i dati storici, suggerisce le dimensioni e le impostazioni dell'infrastruttura ideali degli esecutori, consentendo un utilizzo più efficiente delle risorse e migliorando le prestazioni complessive del cluster.

1. Lo strumento [Amazon CodeGuru Profiler](https://github.com/amzn/amazon-codeguru-profiler-for-spark) aiuta gli sviluppatori a identificare i colli di bottiglia e le inefficienze nelle loro applicazioni Spark raccogliendo e analizzando i dati di runtime. Lo strumento si integra perfettamente con le applicazioni Spark esistenti, richiede una configurazione minima e fornisce informazioni dettagliate tramite la AWS console sull'utilizzo della CPU, sui modelli di memoria e sugli hotspot prestazionali.