Spark 统一内存管理是怎么工作的？
面试怎么回答
Spark 把 Execution 和 Storage 放在统一区域 M 中弹性共享。Execution 用于 Join、Sort、Shuffle 和聚合，Storage 用于 Cache 与广播。Execution 内存不足时可以驱逐部分 Storage，但会保留受保护区域 R；Storage 不能驱逐正在使用的 Execution。统一管理能提高利用率，但仍可能出现 Spill、缓存重算、GC 或 memoryOverhead 超限，所以我会先用指标区分具体内存压力，再决定是否调参数。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
缓存已经占了很多 Executor 内存，新的 Shuffle 是不是一定会直接 OOM？
不一定。Spark 的 Execution 和 Storage 内存并不是完全固定切开的，它们可以在统一区域里弹性共享。
统一内存管理让执行和缓存共享内存区域，但执行可以驱逐部分缓存，缓存不能反向驱逐正在使用的执行内存。
先认识统一区域 M
当前 Spark 文档中，spark.memory.fraction 默认是 0.6，表示 Executor JVM heap 扣除约300MiB后，有一部分作为 Execution 与 Storage 的统一区域 M。
剩余堆空间用于用户数据结构、Spark 内部元数据和估算误差保护。不能把 Executor heap 全部都理解成可用于 Shuffle 或 Cache。
Execution 和 Storage 负责不同工作
Execution 用于 Shuffle、Join、Sort 和 Aggregate 等计算过程。Storage 用于缓存分区以及广播数据等存储需求。
当一侧空闲时，另一侧可以使用更多统一区域，因此没有大量缓存的任务可以把更多内存用于执行，减少不必要的 Spill。
共享不代表驱逐完全对称
Execution 需要内存时，可以驱逐 Storage 中可被驱逐的缓存块，但会保留一个受保护的 Storage 子区域 R。Storage 不会驱逐正在使用的 Execution 内存，因为执行过程的内存回收更复杂。
因此缓存可能突然被淘汰并重算，而 Shuffle 仍可能因为内存不足 Spill 到磁盘。
还有很多内存不在这张图里
Executor memoryOverhead、Python Worker、直接内存、序列化缓冲区、JVM 元空间和 RocksDB 等堆外组件，都不等于统一堆内存。
看到容器被系统杀掉时，不能只盯 spark.memory.fraction；看到 Full GC 时，也要检查对象结构、缓存方式和分区数据量。
一个典型场景
某任务把中间表全部 cache，后续大 Join 开始后缓存命中率迅速下降，部分分区被反复重算。第一反应是缓存失效，实际是 Execution 内存抢占了可驱逐的 Storage 区域。
删除无用缓存、减少单分区数据量后，重算和 Spill 同时下降。直接把 storageFraction 调大，反而可能压缩执行空间。
调内存参数之前，先判断压力来自执行、缓存、用户对象还是堆外。