「Flink」Flink的狀態管理與容錯

在Flink中的每一個函數和運算符都是有狀態的。在處理過程當中能夠用狀態來存儲數據，這樣能夠利用狀態來構建複雜操做。爲了讓狀態容錯，Flink須要設置checkpoint狀態。Flink程序是經過checkpoint來保證容錯，經過checkpoint機制，Flink可恢復做業的狀態和計算位置。

checkpoint檢查點

前提條件

Flink的checkpoin機制須要與流和狀態的持久化存儲交互，通常它要求：

• 一個持久化的數據源
• 當Flink程序出現問題時，能夠經過checkpoint持久化存儲中恢復，而後從出錯的地方開始從新消費數據
• 該數據源能夠在必定時間內重跑數據，例如：Kafka、RabbitMQ或者文件系統HDFS、S三、…
• 狀態的持久存儲
• 狀態須要永久的保存下來，一般是分佈式文件系統（例如：HDFS、S三、GFS、…）

啓用和配置檢查點

默認狀況，Flink是禁用檢查點。要啓用檢查點，調用

// 啓用檢查點

// 單位：毫秒
env.enableCheckpointing(1000);

在啓用檢查點時，還能夠配置檢查點的其餘參數。

• exactly-one or at-least-once（僅一次或者至少一次）
• 大多數程序都是設置爲exactly-once，只有在某些超低延遲的應用（例如：始終要求是毫秒級的應用）
• 經過查看源碼，咱們看到，Flink默認是 exactly-once

public static final CheckpointingMode DEFAULT_MODE = CheckpointingMode.EXACTLY_ONCE;

• checkpoint timeout（檢查點超時時間）
• 檢查點超過規定的時間就會自動終止
• minimum time between checkpoints
• 檢查點之間的最小時間
• 下一個檢查點將在上一個檢查點完成後5秒鐘啓動
• 檢查點最小間隔時間不會受檢查點間隔更容易配置
• number of concureent checkpoint
• 檢查點的併發數目。默認狀況一個檢查點在運行時不會觸發另外一個檢查點，這樣能夠確保Flink不會花太多時間在checkpoint上，並確保流能夠有效進行。
• 能夠設置多個重疊的checkpoint，這對允許有必定延遲，並但願較頻繁的檢查（100ms）來從新處理故障是有用的
• externalized checkpoint
• 外部檢查點
• 能夠將檢查點設置爲外部持久化，這樣檢查點的元數據將寫入持久存儲，而且但做業運行失敗是不會自動清理
• 這樣能夠作雙重保險
• fail/continue task on checkpoint errors
• 檢查點執行發生錯誤，是否執行任務。
• 默認狀況，若是checkpoint失敗，任務也將失敗
• perfer checkpoint for recovery
• 即時最近有更多的savepoint可用於恢復，flink依然會選擇使用最近一次的checkpoint來進行錯誤恢復

參考配置：

        // --------
        // 配置checkpoint
        // 啓用檢查點
        env.enableCheckpointing(1000);
        env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
        env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
        env.getCheckpointConfig().setCheckpointTimeout(60000);
        env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
        env.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
        env.getCheckpointConfig().setPreferCheckpointForRecovery(true);

選擇狀態後端存儲

Flink的checkpoint機制能夠存儲計時器和有狀態operation的全部快照，包括：鏈接器、窗口或者用戶自定義狀態。具體checkpoint存儲在哪兒（例如：是JobManager內存、文件系統或者數據庫），依賴於狀態後端的配置。

默認狀況，狀態保存在TaskManager的內存中，檢查點存儲在TM的內存中。爲了適當地保存大狀態，Flink支持其餘的存儲。咱們能夠經過：

StreamExecutionEnvironment.setStateBackend(…)

來指定存儲方式

Flink狀態管理

狀態的應用場景：

• 當應用程序想要按照某種模式搜索某些事件時，狀態能夠保存迄今全部的事件序列
• 當每分鐘/小時/天須要對流數據進行聚合，狀態能夠保存掛起的聚合
• 當在數據流上訓練機器學習模型時，狀態能夠用來保存某一類參數的版本
• 當須要管理歷史數據時，狀態容許訪問過去歷史數據

Flink狀態能夠保存在堆內、或者是堆外。Flink也能夠管理應用程序的狀態，必要時也能夠溢出到磁盤，若是應用要保持很是大的狀態，能夠不修改程序邏輯狀況下配置狀態後端存儲。

Flink狀態分類

Flink中有兩種基本的狀態：

• Keyed State
• Operator State

Keyed State

Keyed State一般和key相關，僅僅在KeyedStream的方法和算子中使用。能夠把 Keyed State看做是分區，並且每個key僅出如今一個分區內。邏輯上每一個 keyed-state和惟一元組<算子併發實例, key>綁定，因爲每一個key僅屬於算子的一個併發，所以能夠簡化爲<算子, key>

Operator State

對於 Operator State來講，每一個Operator State和一個併發實例綁定。Kafka connector是Flink中使用operator state的一個很好的示例。每一個Kafka消費者的併發在Operator State中維護一個 topic partition到offset的映射關係。

Operator state在Flink做業的併發改變後，會從新分發狀態，分發的策略和keyed stated不同。

Raw State與Managed State

Keyed Stated和Operator State分別有兩種形式：managed 和 raw

Managed State是由Flink運行時管理的數據結構來表示的，例如：內部的Hash Table或者RocksDB。例如：ValueState、ListState等。Flink運行時會對這些狀態進行編碼並寫入Checkpoint。

Raw State則保存在本身的數據結構中。checkpoint的時候，Flink並不知道狀態裏面具體的內容，僅僅寫入一串字節序列到checkpoint中。

全部的DataStream的function均可以使用managed state，但raw state只能在實現算子時使用。因爲Flink能夠在修改併發時更好的分發狀態數據，而且可以更好的管理內存，由於講義使用 managed state.

使用Managed Keyed State

Managed keyed state接口提供不一樣類型的狀態訪問接口，這些狀態都做用在當前輸入數據的key下。這些狀態僅可在KeyedStream上使用，能夠經過 stream.keyBy(…)獲得KeyedStream。

全部支持的狀態類型以下：

• ValueState<T>
• 保存一個能夠更新和獲取的值，算子接收到的每一個key均可能對應一個值
• 能夠經過update(T)進行更新，經過value()獲取
• ListState<T>
• 保存一個元素的列表，能夠往這個列表中追加數據，並在當前列表上檢索
• 能夠經過 add(T)或者addAll(List<T>)進行追加元素
• 經過get()獲取整個列表
• 經過 update(List<T>)覆蓋當前列表
• ReducingState<T>
• 保存一個單值，表示添加到狀態的全部值的聚合。接口與ListState相似
• AggregatingState<IN, OUT>
• 保存一個單值，表示添加到狀態的全部值的聚合
• 與ReducingState相反的是，聚合類型可能與添加到狀態的元素類型不一樣。接口與ListState相似
• FoldingState<T, ACC>（後續將過時）
• 保存一個單值，白搜狐添加到狀態的全部值的集合
• 與ReducingState相反的是，聚合類型可能與添加到狀態的元素類型不一樣。接口與ListState相似
• MapState<UK, UV>
• 維護一個映射列表，能夠添加鍵值到狀態中，能夠獲取當前映射的迭代器
• 使用put、putAll添加映射，使用 get檢索特定key

注意：

• 這些狀態對象僅用於狀態交互。狀態自己不必定存儲在內存中，還有可能保存在磁盤或者其餘位置
• 從狀態中獲取的值取決於輸入元素說表明的key，所以，在不一樣key上調用同一個接口，可能獲得不一樣的值

使用Managed Operator State

能夠經過實現 CheckpointedFunction 或者 ListCheckpointed<T extends Serialized>接口來使用Managed Operator State。

CheckpointedFunction接口：

void snapshotState(FunctionSnapshotContext context) throws Exception;

void initializeState(FunctionInitializationContext context) throws Exception;

在Flink進行checkpoint時，會調用snapshotstate()，用戶自定義函數初始化時會調用 initializeState。初始化包括第一次自定義函數初始化和從以前的 checkpoint 回覆。所以，initializeState 中應該也包括狀態恢復的邏輯。

Managed Operator State以list的形式存在，這些狀態是一個可序列化對象的集合List，彼此獨立，方便在改變併發後進行狀態的從新分派。換句話說，這些對象是從新分配 non-keyed state的最細粒度。根據狀態的不一樣訪問方式，有如下兩種分配模式：

• Even-split redistribution
• 每一個算子都存儲一個列表形式的狀態集合，整個狀態由全部的列表拼接而成
• 但做業恢復或者從新分配時，整個狀態按照算子的並行度均勻分配
• Union redistribution
• 每一個算子保存一個列表形式的狀態集合，整個狀態由全部的列表拼接而成
• 但做業恢復或者從新分配時，每一個算子都將得到全部的狀態數據

ListCheckpointed接口：

ListCheckpointed接口是CheckpointedFunction接口的精簡版，僅支持 even-split redistribution的list state

List<T> snapshotState(long checkpointId, long timestamp) throws Exception;

void restoreState(List<T> state) throws Exception;

snapshotState()須要返回一個將寫入到checkpoint的對象列表， restoreState則須要處理恢復回來的對象列表。

參考文獻：

Flink官方文檔：

https://ci.apache.org/projects/flink/flink-docs-release-1.9/zh/dev/stream/state/checkpointing.html

https://ci.apache.org/projects/flink/flink-docs-release-1.9/zh/ops/state/checkpoints.html

https://ci.apache.org/projects/flink/flink-docs-release-1.9/zh/dev/stream/state/state.html