Apache Flink狀態管理和容錯機制介紹

1、有狀態的流數據處理

一、什麼是有狀態的計算

計算任務的結果不只僅依賴於輸入,還依賴於它的當前狀態,其實大多數的計算都是有狀態的計算。html

好比wordcount,給一些word,其計算它的count,這是一個很常見的業務場景。count作爲輸出,在計算的過程當中要不斷的把輸入累加到count上去,那麼count就是一個state。mysql

二、傳統的流計算系統缺乏對於程序狀態的有效支持

  • 狀態數據的存儲和訪問;
  • 狀態數據的備份和恢復;
  • 狀態數據的劃分和動態擴容。

在傳統的批處理中,數據是劃分爲塊分片去完成的,而後每個Task去處理一個分片。當分片執行完成後,把輸出聚合起來就是最終的結果。在這個過程中,對於state的需求仍是比較小的。算法

對於流計算而言,對State有很是高的要求,由於在流系統中輸入是一個無限制的流,會運行很長一段時間,甚至運行幾天或者幾個月都不會停機。在這個過程中,就須要將狀態數據很好的管理起來。很不幸的是,在傳統的流計算系統中,對狀態管理支持並非很完善。好比storm,沒有任何程序狀態的支持,一種可選的方案是storm+hbase這樣的方式去實現,把這狀態數據存放在Hbase中,計算的時候再次從Hbase讀取狀態數據,作更新在寫入進去。這樣就會有以下幾個問題sql

  • 流計算系統的任務和Hbase的數據存儲有可能不在同一臺機器上,致使性能會不好。這樣常常會作遠端的訪問,走網絡和存儲;
  • 備份和恢復是比較困難,由於Hbase是沒有回滾的,要作到Exactly onces 很困難。在分佈式環境下,若是程序出現故障,只能重啓Storm,那麼Hbase的數據也就沒法回滾到以前的狀態。
    好比廣告計費的這種場景,Storm+Hbase是是行不通的,出現的問題是錢可能就會多算,解決以上的辦法是Storm+mysql,經過mysql的回滾解決一致性的問題。可是架構會變得很是複雜。性能也會不好,要commit確保數據的一致性。
  • 對於storm而言狀態數據的劃分和動態擴容也是很是難作。
    一個很嚴重的問題是全部用戶都會在strom上重複的作這些工做,好比搜索,廣告都要在作一遍,由此限制了部門的業務發展。

三、Flink豐富的狀態訪問和高效的容錯機制

Flink在最先設計的時候就意識到了這個問題,並提供了豐富的狀態訪問和容錯機制。以下圖所示:微信


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop網絡

Flink而且提供了豐富的狀態訪問和高效的容錯機制數據結構


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop架構

2、Flink中的狀態管理

按照數據的劃分和擴張方式,Flink中大體分爲2類:併發

  • Keyed States
  • Operator States


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop框架

一、Keyed States

Keyed States的使用


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

Flink也提供了Keyed States多種數據結構類型


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

Keyed States的動態擴容


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

二、Operator State

Operator States的使用


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

Operator States的數據結構不像Keyed States豐富,如今只支持List

Operator States多種擴展方式


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

Operator States的動態擴展是很是靈活的,現提供了3種擴展,下面分別介紹:

  • ListState:併發度在改變的時候,會將併發上的每一個List都取出,而後把這些List合併到一個新的List,而後根據元素的個數在均勻分配給新的Task;
  • UnionListState:相比於ListState更加靈活,把劃分的方式交給用戶去作,當改變併發的時候,會將原來的List拼接起來。而後不作劃分,直接交給用戶;
  • BroadcastState:如大表和小表作Join時,小表能夠直接廣播給大表的分區,在每一個併發上的數據都是徹底一致的。作的更新也相同,當改變併發的時候,把這些數據COPY到新的Task便可

以上是Flink Operator States提供的3種擴展方式,用戶能夠根據本身的需求作選擇。

使用Checkpoint提升程序的可靠性

用戶能夠根據的程序裏面的配置將checkpoint打開,給定一個時間間隔後,框架會按照時間間隔給程序的狀態進行備份。當發生故障時,Flink會將全部Task的狀態一塊兒恢復到Checkpoint的狀態。從哪一個位置開始從新執行。
Flink也提供了多種正確性的保障,包括:

  • AT LEAST ONCE;
  • Exactly once;


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

備份爲保存在State中的程序狀態數據
Flink也提供了一套機制,容許把這些狀態放到內存當中。作Checkpoint的時候,由Flink去完成恢復。

從已中止做業的運行狀態中恢復
當組件升級的時候,須要中止當前做業。這個時候須要從以前中止的做業當中恢復,Flink提供了2種機制恢復做業:

  • Savepoint:是一種特殊的checkpoint,只不過不像checkpoint按期的從系統中去觸發的,它是用戶經過命令觸發,存儲格式和checkpoint
    也是不相同的,會將數據按照一個標準的格式存儲,無論配置什麼樣,Flink都會從這個checkpoint恢復,是用來作版本升級一個很是好的工具;
  • External Checkpoint:對已有checkpoint的一種擴展,就是說作完一次內部的一次Checkpoint後,還會在用戶給定的一個目錄中,多存儲一份checkpoint的數據;


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

3、狀態管理和容錯機制實現

下面介紹一下狀態管理和容錯機制實現方式,Flink提供了3種不一樣的StateBackend,

  • MemoryStateBackend
  • FsStateBackend
  • RockDBStateBackend


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

用戶能夠根據本身的需求選擇,若是數據量較小,能夠存放到MemoryStateBackend和FsStateBackend中,若是數據量較大,能夠放到RockDB中。

下面介紹HeapKeyedStateBackend和RockDBKeyedStateBackend

第一,HeapKeyedStateBackend


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

第二,RockDBKeyedStateBackend


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

Checkpoint的執行流程
Checkpoint的執行流程是按照Chandy-Lamport算法實現的。


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

Checkpoint Barrier的對齊


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

全量Checkpoint
全量Checkpoint會在每一個節點作備份數據時,只須要將數據都便利一遍,而後寫到外部存儲中,這種狀況會影響備份性能。在此基礎上作了優化。


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

RockDB的增量Checkpoint

RockDB的數據會更新到內存,當內存滿時,會寫入到磁盤中。增量的機制會將新產生的文件COPY持久化中,而以前產生的文件就不須要COPY到持久化中去了。經過這種方式減小COPY的數據量,並提升性能。


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

4、阿里相關工做介紹

Flink在阿里的成長路線
阿里是從2015年開始調研Flink,2015年10月啓動Blink項目,並完善Flink在大規模生產下的一些優化和改進。2016年雙11採用了Blink系統,爲搜索,推薦,廣告業務提供服務。2017年5月Blink已成爲阿里的實時計算引擎。


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

阿里在狀態管理和容錯相關的工做


若是想及時瞭解Spark、Hadoop或者Hbase相關的文章,歡迎關注微信公共賬號:iteblog_hadoop

正在作的工做,基於State重構Window方面的一些優化,阿里也正在將功能作完善。後續將包括asynchronous Checkpoint的功能完善,並和社區進一步溝通和合做。幫助Flink社區完善相關方面的工做。

5、本文 PPT 下載

本文的 PPT 能夠到 《Flink China社區線下 Meetup·北京站 PPT 資料分享》 裏面進行下載。

相關文章
相關標籤/搜索