Flink中的三种状态管理器

Flink中的状态管理器

flink提供了三种状态管理器分别是：

• 基于内存的MemoryStateBackend
• 基于文件系统的FsStateBackend
• 基于RockDB的RocksDBStateBackend

1. MemoryStateBackend

MemoryStateBackend将状态数据全部存储于JVM堆内存中。MemoryStateBackend是Flink的默认状态管理器。状态数据包括用户使用的DataStream API创建的Key/Value State、窗口中缓存的状态数据和触发器等数据。基于内存的状态管理器速度快且高效，但具有内存容量有限等限制。一旦存储的状态数据过多就会导致系统内存溢出等问题。内存数据的易失性，如果机器出问题，整个主机内存中的状态数据就会丢失，进而无法恢复任务中的状态数据。因此MemoryStateBackend存在数据安全性问题，不建议用户在生产环境中使用。

  MemoryStateBackend可以通过配置来使用异步快照（Asynchronous Snapshots）。通过异步快照可以避免阻塞管道（Blocking Pipelines），目前是默认开启，当然也可以通过MemoryStateBackend的构造函数配置进行关闭：

new MemoryStateBackend(MAX_MEM_STATE_SIZE, false);

其中MAX_MEM_STATE_SIZE指定每个状态值最大的内存使用大小。

MemoryStateBackend特点

1.   聚合状态（Aggregate State ）必须放入JobManager的内存。聚合类算子的状态存储在JobManager内存中，因此对聚合类算子比较多的应用汇对JobManager的内存造成一定压力，继而对整个集群性能会有影响。
2. 状态的大小不能超过akka的framesize大小。尽管创建MemoryStateBackend时可指定状态初始化内存大小，但是由于数据在JobManager和TaskManage之间传输受限于Akka框架通信的akka.framesize大小，所以状态数据大小不能超过akka.framesize(默认10485760bit)。
3. 不合适状态数据非常大的情况。由于JVM内存容量受限于主机内存，不管JobManager还是TaskManager，器维护状态数据都受到内存限制。

4. MemoryStateBackend的适用场景：测试环境、本地调试和验证，flink任务状态数据量较小的场景或者只涉及非状态算子计算的场景。不建议生产环境中使用。

2 FsStateBackend

FsStateBackend是基于文件系统的状态管理器，文件系统可以说HDFS等分布式文件系统，也可以是本地文件系统。FsStateBackend将动态数据保存在taskmanger的内存中，通过checkpoint机制，将状态快照写入配置好的文件系统或目录中。最小元数据保存jobManager的内存中，另外FsStateBackend通过配置一个fileStateThreshold阈值，小于该值时state存储到metadata中而非文件中。

FsStateBackend默认通过配置来使用异步快照（asynchronous snapshots）避免阻塞管道（blocking pipelines），当然也可以通过FsStateBackend的构造函数配置进行关闭：

new FsStateBackend(path, false);

其中，path是文件路径，若为本地路径，格式为：file:///data/flink/checkpoints，若是HDFS路径，格式为：hdfs://namenode:40010/flink/checkpoints。FsStateBackend第二个参数Boolean类型，指定是否以同步的方式进行状态数据记录。默认false，采用异步的方式将状态数据同步到文件系统中，异步方式能够尽可能避免在Checkpoint的过程中影响流式计算任务。如果用同步方式进行状态数据额检查点数据，设为true。

FsStateBackend特点

1. FsStateBackend比较稳定。
2. 借助HDFS 等分布式文件系统中具有三个副本备份的策略，能最大程度保证状态数据的安全性，不会因外部故障导致任务无法恢复等问题。
3. FsStateBackend适用场景1）大状态，2）长窗口如时间范围非常长的窗口计算，3）key/value状态数据非常大 的任务，4）全高可用配置

3.RocksDBStateBackend

RocksDBStateBackend是Flink内置的第三方状态管理器，如使用单任务配置用需先加入依赖：

        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-statebackend-rocksdb_${scala.binary.version}</artifactId>
            <version>1.8.0</version>
        </dependency>

 RocksDBStateBackend采用异步的方式进行状态数据的snapShot，先将工作状态数据保存在RocksDB数据库（位置在taskManagerd的数据目录）。然后，通过checkpoint, 整个RocksDB数据库被复制到配置的文件系统或目录中。这样RockDB仅会存储正在进行计算的热塑局，对于长时间才更新的数据则写入到文件系统。而体量比较小的元数据状态则直接保存jobManager的内存中。RocksDBStateBackend可以通过enableIncrementalCheckpointing参数配置是否进行增量Checkpoint（而MemoryStateBackend 和 FsStateBackend不能）。

RocksDBStateBackend特点

1. RocksDBStateBackend仅支持异步快照。与FsStateBackend 不同的是，RocksDBStateBackend仅支持异步快照（asynchronous snapshots）。
2. RocksDBStateBackend每次合并的状态数据不能超过字节。RocksDB通过JNI的方式进行数据交互，JNI构建在byte[]数据结构回去，因此每次传输的最大数据量为字节，所以RocksDBStateBackend每次合并的状态数据不能超过字节，否则会导致状态数据无法同步。
3. RocksDBStateBackend适用场景：大状态、长窗口、大key/value状态的的任务、全高可用配置
4. Flink已经提供了基于RocksDBStateBackend实现的增量Checkpoint功能，极大提高了状态数据同步到介质的效率和性能。
5. 由于RocksDBStateBackend将工作状态存储在taskManger的本地文件系统，状态数量仅仅受限于本地磁盘容量限制，对比于FsStateBackend保存工作状态在内存中，RocksDBStateBackend能避免flink任务持续运行可能导致的状态数量暴增而内存不足的情况，因此适合在生产环境使用。

参考

[1]  flink状态后端配置-设置State Backend(https://www.jianshu.com/p/ac0fff780d40)

[2] 聊聊flink的MemoryStateBackend(https://www.jianshu.com/p/91fb5169af71) 

[3] Flink 三种状态存储方式 MemoryStateBackend、FsStateBackend、RocksDBStateBackend(https://blog.csdn.net/u010002184/article/details/106974208/)