flink

官方： https://flink.apache.org

逻辑架构

部署架构

基于yarn的部署

HA:job manager单点

Standalone ： Zookeeper

对于 Yarn Cluaster 模式来说，Flink 就要依靠 Yarn 本身来对 JobManager 做 HA 了。其实这里完全是 Yarn 的机制。对于 Yarn Cluster 模式来说，JobManager 和 TaskManager 都是被 Yarn 启动在 Yarn 的 Container 中。此时的 JobManager，其实应该称之为 Flink Application Master。也就说它的故障恢复，就完全依靠着 Yarn 中的 ResourceManager（和 MapReduce 的 AppMaster 一样）。

运行架构

client: 当用户提交一个Flink程序时，会首先创建一个Client，该Client首先会对用户提交的Flink程序进行预处理，并提交到Flink集群中处理，所以Client需要从用户提交的Flink程序配置中获取JobManager的地址，并建立到JobManager的连接，将Flink Job提交给JobManager。Flink程序=》JobGraph(Flink Dataflow:多个JobVertex组成的DAG，一个JobGraph包含了一个Flink程序的如下信息：JobID、Job名称、配置信息、一组JobVertex等)。

jobmanager:它负责接收Flink Job，调度组成Job的多个Task的执行。同时，JobManager还负责收集Job的状态信息，并管理Flink集群中从节点TaskManager。JobManager所负责的各项管理功能，它接收到并处理的事件主要包括:

RegisterTaskManager,SubmitJob,CancelJob,UpdateTaskExecutionState,RequestNextInputSplit,JobStatusChanged

worker JVM进程多线程，task slot内存隔离资源单位，一个job的的多讴歌subtask可以共享slot,

计算模式

在 Hadoop 中 Map 和 Reduce 是两个独立调度的 Task，并且都会去占用计算资源。对 Flink 来说 MapReduce 是一个 Pipeline 的 Task，只占用一个计算资源

https://ci.apache.org/project...

以上有4个源4个map3个reduce。在2个TM(每个3个slots)的并行执行方式如下

其中每个可并行的有一个JV和并行和EV.比如source会在一个JV中保含4个EV，ExecutionGraph还包含IntermediateResult和IntermediateResultPartition。前者跟踪IntermediateDataSet的状态，后者是每个分区的状态。

窗口与时间

倾斜窗口（Tumbling Windows，记录没有重叠）、滑动窗口（Slide Windows，记录有重叠）、会话窗口（Session Windows）

基于时间、数据

基于事件时间（事件创建时间）的水位线watermark算法：

当1、watermark时间 >= window_end_time（对于out-of-order以及正常的数据而言）

&& 2、在[window_start_time,window_end_time)中有数据存在 时窗口关闭开始计算

如下图：设定的maxOutOfOrderness=10000L（10s），窗口3s

• 定期水位线

  用户定义maxOutOfOrderness，两次水位线之间的数据可以用来调用方法生成下一次的时间，再往后推迟maxOutOfOrderness的时间即可。比如

  class BoundedOutOfOrdernessGenerator extends AssignerWithPeriodicWatermarks[MyEvent] {
      val maxOutOfOrderness = 3500L; // 3.5 seconds
      var currentMaxTimestamp: Long;
      override def extractTimestamp(element: MyEvent, previousElementTimestamp: Long): Long = {
          val timestamp = element.getCreationTime()
          currentMaxTimestamp = max(timestamp, currentMaxTimestamp)
          timestamp;
      }
      override def getCurrentWatermark(): Watermark = {
          // return the watermark as current highest timestamp minus the out-of-orderness bound
          new Watermark(currentMaxTimestamp - maxOutOfOrderness);
      }
  }

• 标点水位线
  数据流中有标记事件才调用extractTimestamp生成新的wartermark
• 对于map等，是输入流事件时间的最小时间
• 迟到事件：
  重新激活已经关闭的窗口并重新计算以修正结果。要保存上次结果重新计算，可能每个迟到事件都要触发。
  将迟到事件收集起来另外处理。直接返回收集结果
  将迟到事件视为错误消息并丢弃。

容错

快照： https://arxiv.org/pdf/1506.08...

源于Chandy-Lamport算法 https://lamport.azurewebsites...

https://ci.apache.org/project...

流障碍被注入流源的并行数据流中，它会将快照n的屏障发送到其所有输出流中。一旦接收器操作员（流式DAG的末端）从其所有输入流接收到障碍n，它就向快照n确认检查点协调器。在所有接收器确认快照后，它被视为已完成。一旦完成了快照n，作业将永远不再向源请求来自Sn之前的记录，因为此时这些记录（及其后代记录）将通过整个数据流拓扑。

完全一次调的保证： 对其 (google的millwheel用的每个数据生成唯一编号，dedup去重实现exactly-once(milwheel)) 接收到一个流的n后，这个流的数据暂存，直到其他流也到n，对其发出快照

状态也要存储（转换函数，系统窗口数据缓冲区等等），信息很大，单独state backend存储，可存储在HDFS中(选项有内存，rocksdb等)

内部优化

避免特定情况下Shuffle、 排序 等昂贵操作，中间结果有必要进行缓存

迭代计算

机器学习和图计算使用

https://ci.apache.org/project...

普通迭代+增量迭代