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