實(shí)際問題

在流計(jì)算場(chǎng)景中，數(shù)據(jù)會(huì)源源不斷的流入Apache Flink系統(tǒng)，每條數(shù)據(jù)進(jìn)入Apache Flink系統(tǒng)都會(huì)觸發(fā)計(jì)算。如果我們想進(jìn)行一個(gè)Count聚合計(jì)算，那么每次觸發(fā)計(jì)算是將歷史上所有流入的數(shù)據(jù)重新計(jì)算一次，還是每次計(jì)算都是在上一次計(jì)算結(jié)果之上進(jìn)行增量計(jì)算呢?答案是肯定的，Apache Flink是基于上一次的計(jì)算結(jié)果進(jìn)行增量計(jì)算的。那么問題來了: "上一次的計(jì)算結(jié)果保存在哪里，保存在內(nèi)存可以嗎?"，答案是否定的，如果保存在內(nèi)存，在由于網(wǎng)絡(luò)，硬件等原因造成某個(gè)計(jì)算節(jié)點(diǎn)失敗的情況下，上一次計(jì)算結(jié)果會(huì)丟失，在節(jié)點(diǎn)恢復(fù)的時(shí)候，就需要將歷史上所有數(shù)據(jù)(可能十幾天，上百天的數(shù)據(jù))重新計(jì)算一次，所以為了避免這種災(zāi)難性的問題發(fā)生，Apache Flink 會(huì)利用State存儲(chǔ)計(jì)算結(jié)果。本篇將會(huì)為大家介紹Apache Flink State的相關(guān)內(nèi)容。

什么是State

這個(gè)問題似乎有些"弱智"？不管問題的答案是否顯而易見，但我還是想簡(jiǎn)單說一下在Flink里面什么是State？State是指流計(jì)算過程中計(jì)算節(jié)點(diǎn)的中間計(jì)算結(jié)果或元數(shù)據(jù)屬性，比如 在aggregation過程中要在state中記錄中間聚合結(jié)果，比如 Apache Kafka 作為數(shù)據(jù)源時(shí)候，我們也要記錄已經(jīng)讀取記錄的offset，這些State數(shù)據(jù)在計(jì)算過程中會(huì)進(jìn)行持久化(插入或更新)。所以Flink中的State就是與時(shí)間相關(guān)的，Flink任務(wù)的內(nèi)部數(shù)據(jù)(計(jì)算數(shù)據(jù)和元數(shù)據(jù)屬性)的快照。

為什么需要State

與批計(jì)算相比，State是流計(jì)算特有的，批計(jì)算沒有failover機(jī)制，要么成功，要么重新計(jì)算。流計(jì)算在 大多數(shù)場(chǎng)景 下是增量計(jì)算，數(shù)據(jù)逐條處理(大多數(shù)場(chǎng)景)，每次計(jì)算是在上一次計(jì)算結(jié)果之上進(jìn)行處理的，這樣的機(jī)制勢(shì)必要將上一次的計(jì)算結(jié)果進(jìn)行存儲(chǔ)(生產(chǎn)模式要持久化)，另外由于 機(jī)器，網(wǎng)絡(luò)，臟數(shù)據(jù)等原因?qū)е碌某绦蝈e(cuò)誤，在重啟job時(shí)候需要從成功的檢查點(diǎn)(checkpoint，后面篇章會(huì)專門介紹)進(jìn)行state的恢復(fù)。增量計(jì)算，Failover這些機(jī)制都需要state的支撐。

State 存儲(chǔ)實(shí)現(xiàn)

Flink內(nèi)部有三種state的存儲(chǔ)實(shí)現(xiàn)，具體如下：

• 基于內(nèi)存的HeapStateBackend - 在debug模式使用，不 建議在生產(chǎn)模式下應(yīng)用；

• 基于HDFS的FsStateBackend - 分布式文件持久化，每次讀寫都操作內(nèi)存，同需考慮OOM問題；

• 基于RocksDB的RocksDBStateBackend - 本地文件+異步HDFS持久化;

State存儲(chǔ)的架構(gòu)

Apache Flink 默認(rèn)是RocksDB+HDFS的方式進(jìn)行State的存儲(chǔ)，State存儲(chǔ)分兩個(gè)階段，首先本地存儲(chǔ)到RocksDB，然后異步的同步到遠(yuǎn)程的HDFS。這樣的而設(shè)計(jì)既消除了HeapStateBackend的局限(內(nèi)存大小，機(jī)器壞掉丟失等)，也減少了純分布式存儲(chǔ)的網(wǎng)絡(luò)IO開銷。

State 分類

• KeyedState - 這里面的key是我們?cè)赟QL語句中對(duì)應(yīng)的GroupBy/PartitioneBy里面的字段，key的值就是groupby/PartitionBy字段組成的Row的字節(jié)數(shù)組，每一個(gè)key都有一個(gè)屬于自己的State，key與key之間的State是不可見的；

• OperatorState - Flink內(nèi)部的Source Connector的實(shí)現(xiàn)中就會(huì)用OperatorState來記錄source數(shù)據(jù)讀取的offset。

State在擴(kuò)容時(shí)候的重新分配

Flink是一個(gè)大規(guī)模并行分布式系統(tǒng)，允許大規(guī)模的有狀態(tài)流處理。為了可伸縮性，Flink作業(yè)在邏輯上被分解成operator graph，并且每個(gè)operator的執(zhí)行被物理地分解成多個(gè)并行運(yùn)算符實(shí)例。從概念上講，Flink中的每個(gè)并行運(yùn)算符實(shí)例都是一個(gè)獨(dú)立的任務(wù)，可以在自己的機(jī)器上調(diào)度到網(wǎng)絡(luò)連接的其他機(jī)器運(yùn)行。

Flink的DAG圖中只有邊相連的節(jié)點(diǎn)有網(wǎng)絡(luò)通信，也就整個(gè)DAG在垂直方向有網(wǎng)絡(luò)IO，在水平方向如下圖的stateful節(jié)點(diǎn)之間沒有網(wǎng)絡(luò)通信，這種模型也保證了每個(gè)operator實(shí)例維護(hù)一份自己的state，并且保存在本地磁盤(遠(yuǎn)程異步同步)。通過這種設(shè)計(jì)，任務(wù)的所有狀態(tài)數(shù)據(jù)都是本地的，并且狀態(tài)訪問不需要任務(wù)之間的網(wǎng)絡(luò)通信。避免這種流量對(duì)于像Flink這樣的大規(guī)模并行分布式系統(tǒng)的可擴(kuò)展性至關(guān)重要。

如上我們知道Flink中State有OperatorState和KeyedState，那么在進(jìn)行擴(kuò)容時(shí)候(增加并發(fā))State如何分配呢？比如：外部Source有5個(gè)partition，在Flink上面由Source的1個(gè)并發(fā)擴(kuò)容到2個(gè)并發(fā)，中間Stateful Operation 節(jié)點(diǎn)由2個(gè)并發(fā)并擴(kuò)容的3個(gè)并發(fā)，如下圖所示:

在Flink中對(duì)不同類型的State有不同的擴(kuò)容方法，接下來我們分別介紹。

OperatorState對(duì)擴(kuò)容的處理

我們選取Flink中某個(gè)具體Connector實(shí)現(xiàn)實(shí)例進(jìn)行介紹，以MetaQ為例，MetaQ以topic方式訂閱數(shù)據(jù)，每個(gè)topic會(huì)有N>0個(gè)分區(qū)，以上圖為例，假設(shè)我們訂閱的MetaQ的topic有5個(gè)分區(qū)，那么當(dāng)我們source由1個(gè)并發(fā)調(diào)整為2個(gè)并發(fā)時(shí)候，State是怎么恢復(fù)的呢？

State 恢復(fù)的方式與Source中OperatorState的存儲(chǔ)結(jié)構(gòu)有必然關(guān)系，我們先看MetaQSource的實(shí)現(xiàn)是如何存儲(chǔ)State的。首先MetaQSource 實(shí)現(xiàn)了ListCheckpointed，其中的T是Tuple2，我們?cè)诳碙istCheckpointed接口的內(nèi)部定義如下：

public interface ListCheckpointed<T extends Serializable> { ListsnapshotState(long var1, long var3) throws Exception; void restoreState(List var1) throws Exception;}

我們發(fā)現(xiàn) snapshotState方法的返回值是一個(gè)List,T是Tuple2，也就是snapshotState方法返回List>,這個(gè)類型說明state的存儲(chǔ)是一個(gè)包含partiton和offset信息的列表，InputSplit代表一個(gè)分區(qū)，Long代表當(dāng)前partition讀取的offset。InputSplit有一個(gè)方法如下：

public interface InputSplit extends Serializable { int getSplitNumber();}

也就是說，InputSplit我們可以理解為是一個(gè)Partition索引，有了這個(gè)數(shù)據(jù)結(jié)構(gòu)我們?cè)诳纯瓷厦鎴D所示的case是如何工作的？當(dāng)Source的并行度是1的時(shí)候，所有打partition數(shù)據(jù)都在同一個(gè)線程中讀取，所有partition的state也在同一個(gè)state中維護(hù)，State存儲(chǔ)信息格式如下：

如果我們現(xiàn)在將并發(fā)調(diào)整為2，那么我們5個(gè)分區(qū)的State將會(huì)在2個(gè)獨(dú)立的任務(wù)(線程)中進(jìn)行維護(hù)，在內(nèi)部實(shí)現(xiàn)中我們有如下算法進(jìn)行分配每個(gè)Task所處理和維護(hù)partition的State信息，如下：

List assignedPartitions = new LinkedList<>();for (int i = 0; i < partitions; i++) { if (i % consumerCount == consumerIndex) { assignedPartitions.add(i); }}

這個(gè)求mod的算法，決定了每個(gè)并發(fā)所處理和維護(hù)partition的State信息，針對(duì)我們當(dāng)前的case具體的存儲(chǔ)情況如下：

那么到現(xiàn)在我們發(fā)現(xiàn)上面擴(kuò)容后State得以很好的分配得益于OperatorState采用了List的數(shù)據(jù)結(jié)構(gòu)的設(shè)計(jì)。另外大家注意一個(gè)問題，相信大家已經(jīng)發(fā)現(xiàn)上面分配partition的算法有一個(gè)限制，那就是Source的擴(kuò)容(并發(fā)數(shù))是否可以超過Source物理存儲(chǔ)的partition數(shù)量呢？答案是否定的，不能。目前Flink的做法是提前報(bào)錯(cuò)，即使不報(bào)錯(cuò)也是資源的浪費(fèi)，因?yàn)槌^partition數(shù)量的并發(fā)永遠(yuǎn)分配不到待管理的partition。

KeyedState對(duì)擴(kuò)容的處理

對(duì)于KeyedState最容易想到的是hash(key) mod parallelism(operator) 方式分配state，就和OperatorState一樣，這種分配方式大多是情況是恢復(fù)的state不是本地已有的state，需要一次網(wǎng)絡(luò)拷貝，這種效率比較低，OperatorState采用這種簡(jiǎn)單的方式進(jìn)行處理是因?yàn)镺peratorState的state一般都比較小，網(wǎng)絡(luò)拉取的成本很小，對(duì)于KeyedState往往很大，我們會(huì)有更好的選擇，在Flink中采用的是Key-Groups方式進(jìn)行分配。

什么是Key-Groups

Key-Groups 是Flink中對(duì)keyed state按照key進(jìn)行分組分組的方式，每個(gè)key-group中會(huì)包含N>0個(gè)key，一個(gè)key-group是State分配的原子單位。在Flink中關(guān)于Key-Group的對(duì)象是 KeyGroupRange, 如下：

public class KeyGroupRange implements KeyGroupsList, Serializable { ... ... private final int startKeyGroup; private final int endKeyGroup; ... ...}

KeyGroupRange兩個(gè)重要的屬性就是 startKeyGroup和endKeyGroup，定義了startKeyGroup和endKeyGroup屬性后Operator上面的Key-Group的個(gè)數(shù)也就確定了；

什么決定Key-Groups的個(gè)數(shù)

key-group的數(shù)量在job啟動(dòng)前必須是確定的且運(yùn)行中不能改變。由于key-group是state分配的原子單位，而每個(gè)operator并行實(shí)例至少包含一個(gè)key-group，因此operator的最大并行度不能超過設(shè)定的key-group的個(gè)數(shù)，那么在Flink的內(nèi)部實(shí)現(xiàn)上key-group的數(shù)量就是最大并行度的值。?

GroupRange.of(0, maxParallelism)

如何決定key屬于哪個(gè)Key-Group

確定好GroupRange之后，如何決定每個(gè)Key屬于哪個(gè)Key-Group呢？我們采取的是取mod的方式，在KeyGroupRangeAssignment中的assignToKeyGroup方法會(huì)將key劃分到指定的key-group中，如下：

public static int assignToKeyGroup(Object key, int maxParallelism) { return computeKeyGroupForKeyHash(key.hashCode(), maxParallelism);}public static int computeKeyGroupForKeyHash(int keyHash, int maxParallelism) { return HashPartitioner.INSTANCE.partition(keyHash, maxParallelism);}@Overridepublic int partition(T key, int numPartitions) { return MathUtils.murmurHash(Objects.hashCode(key)) % numPartitions;}

如上實(shí)現(xiàn)我們了解到分配Key到指定的key-group的邏輯是利用key的hashCode和maxParallelism取余操作的來分配的。如下圖當(dāng)parallelism=2,maxParallelism=10的情況下，流上key與key-group的對(duì)應(yīng)關(guān)系如下圖所示：

如上圖key(a)的hashCode是97，與最大并發(fā)10取余后是7，被分配到了KG-7中，流上每個(gè)event都會(huì)分配到KG-0至KG-9其中一個(gè)Key-Group中。

每個(gè)Operator實(shí)例如何獲取Key-Groups，了解了Key-Groups概念和如何分配每個(gè)Key到指定的Key-Groups之后，我們看看如何計(jì)算每個(gè)Operator實(shí)例所處理的Key-Groups。在KeyGroupRangeAssignment的computeKeyGroupRangeForOperatorIndex方法描述了分配算法：

public static KeyGroupRange computeKeyGroupRangeForOperatorIndex( int maxParallelism, int parallelism, int operatorIndex) { GroupRange splitRange = GroupRange.of(0, maxParallelism).getSplitRange(parallelism, operatorIndex); int startGroup = splitRange.getStartGroup(); int endGroup = splitRange.getEndGroup(); return new KeyGroupRange(startGroup, endGroup - 1);}public GroupRange getSplitRange(int numSplits, int splitIndex) { ... final int numGroupsPerSplit = getNumGroups() / numSplits; final int numFatSplits = getNumGroups() % numSplits; int startGroupForThisSplit; int endGroupForThisSplit; if (splitIndex < numFatSplits) { startGroupForThisSplit = getStartGroup() + splitIndex * (numGroupsPerSplit + 1); endGroupForThisSplit = startGroupForThisSplit + numGroupsPerSplit + 1; } else { startGroupForThisSplit = getStartGroup() + splitIndex * numGroupsPerSplit + numFatSplits; endGroupForThisSplit = startGroupForThisSplit + numGroupsPerSplit; } if (startGroupForThisSplit >= endGroupForThisSplit) { return GroupRange.emptyGroupRange(); } else { return new GroupRange(startGroupForThisSplit, endGroupForThisSplit); }}

上面代碼的核心邏輯是先計(jì)算每個(gè)Operator實(shí)例至少分配的Key-Group個(gè)數(shù)，將不能整除的部分N個(gè)，平均分給前N個(gè)實(shí)例。最終每個(gè)Operator實(shí)例管理的Key-Groups會(huì)在GroupRange中表示，本質(zhì)是一個(gè)區(qū)間值；下面我們就上圖的case，說明一下如何進(jìn)行分配以及擴(kuò)容后如何重新分配。

假設(shè)上面的Stateful Operation節(jié)點(diǎn)的最大并行度maxParallelism的值是10，也就是我們一共有10個(gè)Key-Group，當(dāng)我們并發(fā)是2的時(shí)候和并發(fā)是3的時(shí)候分配的情況如下圖：

如上算法我們發(fā)現(xiàn)在進(jìn)行擴(kuò)容時(shí)候，大部分state還是落到本地的，如Task0只有KG-4被分出去，其他的還是保持在本地。同時(shí)我們也發(fā)現(xiàn)，一個(gè)job如果修改了maxParallelism的值那么會(huì)直接影響到Key-Groups的數(shù)量和key的分配，也會(huì)打亂所有的Key-Group的分配，目前在Flink系統(tǒng)中統(tǒng)一將maxParallelism的默認(rèn)值調(diào)整到4096，最大程度的避免無法擴(kuò)容的情況發(fā)生。

小結(jié)

本篇簡(jiǎn)單介紹了Flink中State的概念，并重點(diǎn)介紹了OperatorState和KeyedState在擴(kuò)容時(shí)候的處理方式。Flink State是支撐Flink中failover，增量計(jì)算，Window等重要機(jī)制和功能的核心設(shè)施。后續(xù)介紹failover，增量計(jì)算，Window等相關(guān)篇章中也會(huì)涉及State的利用，當(dāng)涉及到本篇沒有覆蓋的內(nèi)容時(shí)候再補(bǔ)充介紹。

訂閱號(hào)&知識(shí)星球【免費(fèi)】

分享是最好的享受，予人成功是最大的成功，一個(gè)人最大的開心不源于自己會(huì)什么，而源于能讓別人擅長(zhǎng)什么，無欲無求，但予人所求！?

More about Me...

我堅(jiān)信：

"致虛極，守靜篤。萬物并作，吾以觀其復(fù)”。“虛”和“靜”是心靈的本初的狀態(tài)，也應(yīng)該是一種常態(tài)，看到新芽不驚，看到落葉不哀，靜觀萬物的循環(huán)往復(fù)，通曉自然之理，體悟自然之道。"

總結(jié)

以上是生活随笔為你收集整理的flink 本地_Flink原理Apache Flink漫谈系列 State的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。