360深度實踐：Flink與Storm協議級對比

奇技指南

本文由360系統部大數據計算平臺負責人張馨予，在Flink China 線下社區Meetup的演講整理而成，首發於高可用架構公衆號。

做者：張馨予，360 大數據計算平臺負責人。北京郵電大學碩士，2015年加入360系統部，一直致力於公司大數據計算平臺的易用性、穩定性和性能優化的研發工做。目前主要負責Flink的研發，完成公司計算引擎的大一統。

本文從數據傳輸和數據可靠性的角度出發，對比測試了Storm與Flink在流處理上的性能，並對測試結果進行分析，給出在使用Flink時提升性能的建議。

一、前言

Apache Storm、Apache Spark和Apache Flink都是開源社區中很是活躍的分佈式計算平臺，在不少公司可能同時使用着其中兩種甚至三種。對於實時計算來講，Storm與Flink的底層計算引擎是基於流的，本質上是一條一條的數據進行處理，且處理的模式是流水線模式，即全部的處理進程同時存在，數據在這些進程之間流動處理。而Spark是基於批量數據的處理，即一小批一小批的數據進行處理，且處理的邏輯在一批數據準備好以後纔會進行計算。在本文中，咱們把一樣基於流處理的Storm和Flink拿來作對比測試分析。

二、性能測試case設計

常見的性能測試benchmark

在咱們作測試以前，調研了一些已有的大數據平臺性能測試報告，好比，雅虎的Streaming-benchmarks，或者Intel的HiBench等等。除此以外，還有不少的論文也從不一樣的角度對分佈式計算平臺進行了測試。雖然這些測試case各有不一樣的側重點，但他們都用到了一樣的兩個指標，即吞吐和延遲。吞吐表示單位時間內所能處理的數據量，是能夠經過增大併發來提升的。延遲表明處理一條數據所須要的時間，與吞吐量成反比關係。

計算邏輯

在咱們設計計算邏輯時，首先考慮一下流處理的計算模型。上圖是一個簡單的流計算模型，在Source中將數據取出，發往下游Task，並在Task中進行處理，最後輸出。對於這樣的一個計算模型，延遲時間由三部分組成：數據傳輸時間、Task計算時間和數據排隊時間。咱們假設資源足夠，數據不用排隊。則延遲時間就只由數據傳輸時間和Task計算時間組成。而在Task中處理所須要的時間與用戶的邏輯息息相關，因此對於一個計算平臺來講，數據傳輸的時間才更能反映這個計算平臺的能力。所以，咱們在設計測試Case時，爲了更好的體現出數據傳輸的能力，Task中沒有設計任何計算邏輯。

數據源

在肯定數據源時，咱們主要考慮是在進程中直接生成數據，這種方法在不少以前的測試標準中也一樣有使用。這樣作是由於數據的產生不會受到外界數據源系統的性能限制。但因爲在咱們公司內部大部分的實時計算數據都來源於kafka，因此咱們增長了從kafka中讀取數據的測試。

傳輸方式

對於數據傳輸方式，能夠分爲兩種：進程間的數據傳輸和進程內的數據傳輸。

進程間的數據傳輸是指這條數據會通過序列化、網絡傳輸和反序列化三個步驟。在Flink中，2個處理邏輯分佈在不一樣的TaskManager上，這兩個處理邏輯之間的數據傳輸就能夠叫作進程間的數據傳輸。Flink網絡傳輸是採用的Netty技術。在Storm中，進程間的數據傳輸是worker之間的數據傳輸。早版本的storm網絡傳輸使用的ZeroMQ，如今也改爲了Netty。

進程內的數據傳輸是指兩個處理邏輯在同一個進程中。在Flink中，這兩個處理邏輯被Chain在了一塊兒，在一個線程中經過方法調用傳參的形式進程數據傳輸。在Storm中，兩個處理邏輯變成了兩個線程，經過一個共享的隊列進行數據傳輸。

可靠性

Storm和Flink都有各自的可靠性機制。在Storm中，使用ACK機制來保證數據的可靠性。而在Flink中是經過checkpoint機制來保證的，這是來源於chandy-lamport算法。

事實上exactly-once可靠性的保證跟處理的邏輯和結果輸出的設計有關。好比結果要輸出到kafka中，而輸出到kafka的數據沒法回滾，這就沒法保證exactly-once。咱們在測試的時候選用的at-least-once語義的可靠性和不保證可靠性兩種策略進行測試。

環境

上圖是咱們測試的環境和各個平臺的版本。

三、性能測試結果分析

測試結果-自產數據

上圖展現的是Flink在自產數據的狀況下，不一樣的傳輸方式和可靠性的吞吐量：在進程內+不可靠、進程內+可靠、進程間+不可靠、進程間+可靠。能夠看到進程內的數據傳輸是進程間的數據傳輸的3.8倍。是否開啓checkpoint機制對Flink的吞吐影響並不大。所以咱們在使用Flink時，進來使用進程內的傳輸，也就是儘量的讓算子能夠Chain起來。

Flink數據傳輸模型

那麼咱們來看一下爲何Chain起來的性能好這麼多，要如何在寫Flink代碼的過程當中讓Flink的算子Chain起來使用進程間的數據傳輸。

你們知道咱們在Flink代碼時必定會建立一個env，調用env的disableOperatorChainning()方法會使得全部的算子都沒法chain起來。咱們通常是在debug的時候回調用這個方法，方便調試問題。

若是容許Chain的狀況下，上圖中Source和mapFunction就會Chain起來，放在一個Task中計算。反之，若是不容許Chain，則會放到兩個Task中。

對於沒有Chain起來的兩個算子，他們被放到了不一樣的兩個Task中，那麼他們之間的數據傳輸是這樣的：SourceFunction取到數據序列化後放入內存，而後經過網絡傳輸給MapFunction所在的進程，該進程將數據方序列化後使用。

對於Chain起來的兩個算子，他們被放到同一個Task中，那麼這兩個算子之間的數據傳輸則是：SourceFunction取到數據後，進行一次深拷貝，而後MapFunction把深拷貝出來的這個對象做爲輸入數據。

雖然Flink在序列化上作了不少優化，跟不用序列化和不用網絡傳輸的進程內數據傳輸對比，性能仍是差不少。因此咱們儘量的把算子Chain起來。

算子Chain的條件

不是任何兩個算子均可以Chain起來的，要把算子Chain起來有不少條件：第一，下游算子只能接受一種上游數據流，好比Map接受的流不能是一條union後的流；其次上下游的併發數必定要同樣；第三，算子要使用同一個資源Group，默認是一致的，都是default；第四，就是以前說的env中不能調用disableOperatorChainning()方法，最後，上游發送數據的方法是Forward的，好比，開發時沒有調用rebalance()方法，沒有keyby()，沒有boardcast等。

對比一下自產數據時，使用進程內通訊，且不保證數據可靠性的狀況下，Flink與Storm的吞吐。在這種狀況下，Flink的性能是Storm的15倍。Flink吞吐能達到2060萬條/s。不只如此，若是在開發時調用了env.getConfig().enableObjectReuse()方法，Flink的但併發吞吐能達到4090萬條/s。

如何使用reuseObject

當調用了enableObjectReuse方法後，Flink會把中間深拷貝的步驟都省略掉，SourceFunction產生的數據直接做爲MapFunction的輸入。但須要特別注意的是，這個方法不能隨便調用，必需要確保下游Function只有一種，或者下游的Function均不會改變對象內部的值。不然可能會有線程安全的問題。

當對比在不一樣可靠性策略的狀況下，Flink與Storm的表現時，咱們發現，保證可靠性對Flink的影響很是小，但對Storm的影響很是大。總的來講，在保證可靠的狀況下，Flink單併發的吞吐是Storm的15倍，而不保證可靠的狀況下，Flink的性能是Storm的66倍。會產生這樣的結果，主要是由於Flink與Storm保證數據可靠性的機制不一樣。

Checkpoint與ACK機制開銷

而Storm的ACK機制爲了保證數據的可靠性，開銷更大。

左邊的圖展現的是Storm的Ack機制。Spout每發送一條數據到Bolt，就會產生一條ack的信息給acker，當Bolt處理完這條數據後也會發送ack信息給acker。當acker收到這條數據的全部ack信息時，會回覆Spout一條ack信息。也就是說，對於一個只有兩級（spout+bolt）的拓撲來講，每發送一條數據，就會傳輸3條ack信息。這3條ack信息則是爲了保證可靠性所須要的開銷。

右邊的圖展現的是Flink的Checkpoint機制。Flink中Checkpoint信息的發起者是JobManager。它不像Storm中那樣，每條信息都會有ack信息的開銷，並且按時間來計算花銷。用戶能夠設置作checkpoint的頻率，好比10秒鐘作一次checkpoint。每作一次checkpoint，花銷只有從Source發往map的1條checkpoint信息（JobManager發出來的checkpoint信息走的是控制流，與數據流無關）。與storm相比，Flink的可靠性機制開銷要低得多。這也就是爲何保證可靠性對Flink的性能影響較小，而storm的影響確很大的緣由。

最後一組自產數據的測試結果對比是Flink與Storm在進程間的數據傳輸的對比，能夠看到進程間數據傳輸的狀況下，Flink但併發吞吐是Storm的4.7倍。保證可靠性的狀況下，是Storm的14倍。

測試結果-Kafka

上圖展現的是消費kafka中數據時，Storm與Flink的但併發吞吐狀況。由於消費的是kafka中的數據，因此吞吐量確定會收到kafka的影響。咱們發現性能的瓶頸是在SourceFunction上，因而增長了topic的partition數和SourceFunction取數據線程的併發數，可是MapFunction的併發數仍然是1.在這種狀況下，咱們發現flink的瓶頸轉移到上游往下游發數據的地方。而Storm的瓶頸確是在下游收數據反序列化的地方。

四、小結

以前的性能分析是咱們基於數據傳輸和數據可靠性的角度出發，單純的對Flink與Storm計算平臺自己進行了性能分析。但實際使用時，task是確定有計算邏輯的，這就勢必更多的涉及到CPU，內存等資源問題。咱們未來打算作一個智能分析平臺，對用戶的做業進行性能分析。經過收集到的指標信息，分析出做業的瓶頸在哪，並給出優化建議。

（360技術原創內容，轉載請務必保留文末二維碼，謝謝~）

關於360技術

360技術是360技術團隊打造的技術分享公衆號，天天推送技術乾貨內容

更多技術信息歡迎關注「360技術」微信公衆號