As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Uso do acelerador RAPIDS para Apache Spark com o Amazon EMR no EKS
Com o Amazon EMR no EKS, você pode executar trabalhos para o acelerador RAPIDS da Nvidia para Apache Spark. Este tutorial aborda como executar trabalhos do Spark usando o RAPIDS em tipos de instância de unidade de processamento gráfico (GPU) do EC2. O tutorial usa as seguintes versões:
+ Amazon EMR no EKS na versão de liberação 6.9.0 e posteriores
+ Apache Spark 3.x
Você pode acelerar o Spark com os tipos de instância de GPU do Amazon EC2 usando o plug-in do [acelerador RAPIDS da Nvidia para Apache Spark](https://docs.nvidia.com/spark-rapids/user-guide/latest/overview.html). Ao usar essas tecnologias em conjunto, você acelera os pipelines de ciência de dados sem a necessidade de realizar alterações no código. Isso reduz o tempo de execução necessário para o processamento de dados e para o treinamento de modelos. Ao fazer mais em menos tempo, você gasta menos com o custo da infraestrutura.
Antes de começar, certifique-se de ter os recursos apresentados a seguir.
+ Cluster virtual do Amazon EMR no EKS
+ Cluster do Amazon EKS com um grupo de nós habilitado para GPU
Um cluster virtual do Amazon EKS corresponde a um manipulador registrado para o namespace do Kubernetes em um cluster do Amazon EKS e é gerenciado pelo Amazon EMR no EKS. O manipulador permite que o Amazon EMR use o namespace do Kubernetes como destino para a execução de trabalhos. Para obter mais informações sobre como configurar um cluster virtual, consulte [Configuração do Amazon EMR no EKS](setting-up.md) neste guia.
Você deve configurar o cluster virtual do Amazon EKS com um grupo de nós que tenha instâncias de GPU. Você deve configurar os nós com um plug-in para dispositivos da Nvidia. Consulte [Grupos de nós gerenciados](https://docs.aws.amazon.com/eks/latest/userguide/managed-node-groups.html) para saber mais.
Para configurar o cluster do Amazon EKS para adicionar grupos de nós habilitados para GPU, execute o seguinte procedimento:
**Adicionar grupos de nós habilitados para GPU**
1. Crie um grupo de nós habilitado para GPU com o comando [create-nodegroup](https://docs.aws.amazon.com/cli/latest/reference/eks/create-nodegroup.html) apresentado a seguir. Certifique-se de realizar a substituição com os parâmetros corretos para o cluster do Amazon EKS. Use um tipo de instância compatível com RAPIDS para Spark, como P4, P3, G5 ou G4dn.
```
aws eks create-nodegroup \
--cluster-name {{EKS_CLUSTER_NAME}} \
--nodegroup-name {{NODEGROUP_NAME}} \
--scaling-config minSize=0,maxSize=5,desiredSize=2 {{CHOOSE_APPROPRIATELY}} \
--ami-type AL2_x86_64_GPU \
--node-role {{NODE_ROLE}} \
--subnets {{SUBNETS_SPACE_DELIMITED}} \
--remote-access ec2SshKey= {{SSH_KEY}} \
--instance-types {{GPU_INSTANCE_TYPE}} \
--disk-size {{DISK_SIZE}} \
--region {{AWS_REGION}}
```
1. Instale o plug-in do dispositivo Nvidia em seu cluster para emitir o número de GPUs em cada nó do seu cluster e para executar contêineres habilitados para GPU em seu cluster. Execute o seguinte código para instalar o plug-in:
```
kubectl apply -f https://raw.githubusercontent.com/NVIDIA/k8s-device-plugin/v0.9.0/nvidia-device-plugin.yml
```
1. Para validar quantos GPUs estão disponíveis em cada nó do seu cluster, execute o seguinte comando:
```
kubectl get nodes "-o=custom-columns=NAME:.metadata.name,GPU:.status.allocatable.nvidia\.com/gpu"
```
**Executar um trabalho do RAPIDS para Spark**
1. Envie um trabalho do RAPIDS para Spark ao cluster do Amazon EMR no EKS. O código a seguir apresenta um exemplo de comando para iniciar o trabalho. Na primeira vez em que você executar o trabalho, poderá demorar alguns minutos para fazer download da imagem e armazená-la em cache no nó.
```
aws emr-containers start-job-run \
--virtual-cluster-id {{VIRTUAL_CLUSTER_ID}} \
--execution-role-arn {{JOB_EXECUTION_ROLE}} \
--release-label emr-6.9.0-spark-rapids-latest \
--job-driver '{"sparkSubmitJobDriver": {"entryPoint": "local:///usr/lib/spark/examples/jars/spark-examples.jar","entryPointArguments": ["10000"], "sparkSubmitParameters":"--class org.apache.spark.examples.SparkPi "}}' \
---configuration-overrides '{"applicationConfiguration": [{"classification": "spark-defaults","properties": {"spark.executor.instances": "2","spark.executor.memory": "2G"}}],"monitoringConfiguration": {"cloudWatchMonitoringConfiguration": {"logGroupName": "{{LOG_GROUP _NAME}}"},"s3MonitoringConfiguration": {"logUri": "{{LOG_GROUP_STREAM}}"}}}'
```
1. Para validar se o acelerador RAPIDS para Spark está habilitado, verifique os logs do driver do Spark. Esses registros são armazenados no CloudWatch local do S3 que você especifica ao executar o `start-job-run` comando. O seguinte exemplo apresenta como geralmente é a aparência das linhas de log:
```
22/11/15 00:12:44 INFO RapidsPluginUtils: RAPIDS Accelerator build: {version=22.08.0-amzn-0, user=release, url=, date=2022-11-03T03:32:45Z, revision=, cudf_version=22.08.0, branch=}
22/11/15 00:12:44 INFO RapidsPluginUtils: RAPIDS Accelerator JNI build: {version=22.08.0, user=, url=https://github.com/NVIDIA/spark-rapids-jni.git, date=2022-08-18T04:14:34Z, revision=a1b23cd_sample, branch=HEAD}
22/11/15 00:12:44 INFO RapidsPluginUtils: cudf build: {version=22.08.0, user=, url=https://github.com/rapidsai/cudf.git, date=2022-08-18T04:14:34Z, revision=a1b23ce_sample, branch=HEAD}
22/11/15 00:12:44 WARN RapidsPluginUtils: RAPIDS Accelerator 22.08.0-amzn-0 using cudf 22.08.0.
22/11/15 00:12:44 WARN RapidsPluginUtils: spark.rapids.sql.multiThreadedRead.numThreads is set to 20.
22/11/15 00:12:44 WARN RapidsPluginUtils: RAPIDS Accelerator is enabled, to disable GPU support set `spark.rapids.sql.enabled` to false.
22/11/15 00:12:44 WARN RapidsPluginUtils: spark.rapids.sql.explain is set to `NOT_ON_GPU`. Set it to 'NONE' to suppress the diagnostics logging about the query placement on the GPU.
```
1. Para visualizar as operações que serão executadas em uma GPU, execute as etapas apresentadas a seguir para ativar o registro em log adicional. Observe a configuração “`spark.rapids.sql.explain : ALL`”.
```
aws emr-containers start-job-run \
--virtual-cluster-id {{VIRTUAL_CLUSTER_ID}} \
--execution-role-arn {{JOB_EXECUTION_ROLE}} \
--release-label emr-6.9.0-spark-rapids-latest \
--job-driver '{"sparkSubmitJobDriver": {"entryPoint": "local:///usr/lib/spark/examples/jars/spark-examples.jar","entryPointArguments": ["10000"], "sparkSubmitParameters":"--class org.apache.spark.examples.SparkPi "}}' \
---configuration-overrides '{"applicationConfiguration": [{"classification": "spark-defaults","properties": {"spark.rapids.sql.explain":"ALL","spark.executor.instances": "2","spark.executor.memory": "2G"}}],"monitoringConfiguration": {"cloudWatchMonitoringConfiguration": {"logGroupName": "{{LOG_GROUP_NAME}}"},"s3MonitoringConfiguration": {"logUri": "{{LOG_GROUP_STREAM}}"}}}'
```
O comando anterior é um exemplo de trabalho que usa a GPU. Sua saída seria semelhante ao exemplo abaixo. Consulte esta legenda para obter ajuda para compreender a saída:
+ `*`: marca uma operação que funciona em uma GPU.
+ `!`: marca uma operação que não pode ser executada em uma GPU.
+ `@`: marca uma operação que funciona em uma GPU, mas não será executada porque está em um plano que não pode ser executado em uma GPU.
```
22/11/15 01:22:58 INFO GpuOverrides: Plan conversion to the GPU took 118.64 ms
22/11/15 01:22:58 INFO GpuOverrides: Plan conversion to the GPU took 4.20 ms
22/11/15 01:22:58 INFO GpuOverrides: GPU plan transition optimization took 8.37 ms
22/11/15 01:22:59 WARN GpuOverrides:
*Exec will run on GPU
*Expression substring(cast(date#149 as string), 0, 7) AS month#310 will run on GPU
*Expression substring(cast(date#149 as string), 0, 7) will run on GPU
*Expression cast(date#149 as string) will run on GPU
*Exec will run on GPU
*Expression date#149 ASC NULLS FIRST will run on GPU
*Exec will run on GPU
*Partitioning will run on GPU
*Expression date#149 ASC NULLS FIRST will run on GPU
*Exec will run on GPU
!Exec cannot run on GPU because not all expressions can be replaced
@Expression customerID#0 could run on GPU
@Expression Charge AS kind#126 could run on GPU
@Expression Charge could run on GPU
@Expression value#129 could run on GPU
@Expression add_months(2022-11-15, cast(-(cast(_we0#142 as bigint) + last_month#128L) as int)) AS date#149 could run on GPU
! add_months(2022-11-15, cast(-(cast(_we0#142 as bigint) + last_month#128L) as int)) cannot run on GPU because GPU does not currently support the operator class org.apache.spark.sql.catalyst.expressions.AddMonths
@Expression 2022-11-15 could run on GPU
@Expression cast(-(cast(_we0#142 as bigint) + last_month#128L) as int) could run on GPU
@Expression -(cast(_we0#142 as bigint) + last_month#128L) could run on GPU
@Expression (cast(_we0#142 as bigint) + last_month#128L) could run on GPU
@Expression cast(_we0#142 as bigint) could run on GPU
@Expression _we0#142 could run on GPU
@Expression last_month#128L could run on GPU
```