Flink优化01---资源配置调优

1、Flink内存模型(TaskManager)

从上面的内存模型图可以看出内存结构：

1） Flink使用了JVM Heap(堆内内存)和Off-Heap Memory(堆外内存)；

2）JVM Heap(堆内内存)包含Framework Heap(框架内存)和Task Heap(Task堆内内存)；

3）Off-Heap Memory(堆外内存)包含Managed Memory(管理内存)、Direct Memory(直接内存)和JVM特有内存(JVM Metaspace + JVM Overhead)；

4）Direct Memory(直接内存)包含Framework Memory(框架堆外内存)、Task Off-Heap(Task堆外内存)、Network(网络缓冲内存)；

5）JVM Metaspace(元空间)和JVM Overhead(JVM执行开销)在堆外内存中，不计入Flink内存(Total Flink Memory)中，但是包含在启动指令分配的内存中；JVM Metaspace(元空间)和JVM Overhead(JVM执行开销)属于JVM特有内存，由JVM本身占用；

2、内存大小

2.1 JVM特定内存

JVM本身使用的内存，包含JVM的Metaspace和Overhead

① JVM matespace：JVM元空间

        taskmanager.memory.jvm-metaspace.size ，默认 256m

② JVM overhead：执行开销，JVM执行时自身所需要的内容，包括线程堆栈、IO、编译缓存等所使用的内存。

        taskmanager.memory.jvm-overhead.fraction，默认 0.1

        taskmanager.memory.jvm-overhead.min，默认 192m

        taskmanager.memory.jvm-overhead.max，默认 1g

总进程内存*fraction，如果小于配置的min（或大于配置的max）大小，则使用min/max大小

2.2 框架内存

Flink框架，即TaskManager本身所占用的内存，不计入Slot的资源中

堆内：taskmanager.memory.framework.heap.size，默认 128m

堆外：taskmanager.memory.framework.off-heap.size，默认 128m

2.3 Task内存

Task执行用户代码时所使用的内存

堆内：taskmanager.memory.task.heap.size，默认 none，由Flink内存扣除其他部分的内存得到

堆外：taskmanager.memory.task.off-heap.size，默认 0，表示不使用堆外内存

2.4 网络内存

网络数据交换所使用的堆外内存大小，如网络数据交换缓冲区

堆外：taskmanager.memory.network.fraction，默认 0.1

           taskmanager.memory.network.min，默认 64m

           taskmanager.memory.network.max，默认 1g

Flink内存*fraction，如果小于配置的min（或大于配置的max）大小，则使用min/max大小

Flink内存 = 总进程内存 - JVM元空间 - JVM执行开销

2.5 托管内存

用于RocksDB State Backend 的本地内存和批的排序、哈希表、缓冲中间结果。

堆外：taskmanager.memory.managed.fraction，默认 0.4

           taskmanager.memory.managed.size，默认 none

如果size没指定，则等于Flink内存*fraction

3、案例分析

基于yarn模型，一般参数指定的是总进程内存，taskmanager.memory.process.size

比如指定为4G，每一块内存得到大小如下

1）计算Flink内存

        JVM元空间256mb，默认固定

        JVM执行开销：4g*0.1=409.6m，在[192m，1g]之间，最终结果为409.6m

        Flink内存 = 4g - 256m - 409.6m = 3430.4m

2）框架内存，堆内堆外都是128m

3）网络内存 = 3430.4m * 0.1 = 343.04m，在[64m，1g]之间，最终结果为343.04m

4）托管内存 = 3430.4m * 0.4 = 1372.16m

5）Task堆内内存 = Flink内存 - 框架堆内内存 - 框架堆外内存 - 网络内存 - 托管内存

所以，本例中Task堆内内存 = 3430.4m - 128m - 128m - 343.04m - 1372.14m = 1459.2m

 进程内存给多大，需不需要调整，需要具体情况具体分析，在实际项目中，观察Metric中各部分内存使用率，小的调大，大的调小，找到一个平衡点。同时，内存分配需要留足余量。

4、CPU个数分配

4.1 槽数 ：CPU个数  = 1:1

-Djobmanager.memory.process.size=1024m \
-Dtaskmanager.memory.process.size=1024m \
-Dtaskmanager.numberOfTaskSlots=1 \
-Dparallelism.default=5 \

在上面的指令中，每个taskmanager的槽数为1，多少个并行度就会有多少个槽，因此也就会有多少个taskmanager；每个taskmanager分配1G内存 + 1cpu。最终分配的资源为6G内存+6个CPU(5个taskmanager+1个jobmanager)。

4.2 槽位：CPU个数 != 1:1

-Djobmanager.memory.process.size=1024m \
-Dtaskmanager.memory.process.size=1024m \
-Dtaskmanager.numberOfTaskSlots=2 \
-Dparallelism.default=5 \

上面的指令，如果分配的资源和3.1相同，则符合预期；如果内存分配了6G，CPU分配了4个，和预期不符，则说明yarn的配置需要调整；

在hadoop的配置文件中，有一个配置文件 capacity-schedule.xml，其中有一个配置如下

 其中，默认的资源计算器是 DefaultResourceCalculator 。这个计算器有一个问题，计算资源时，参照依据是以内存为主，CPU方面，为每个容器(taskmanager 或 jobmanager)分配一个最少数，即1个；如果出现上述不符合预期的情况，应该使用另一张资源计算器 DominantResourceCalculator ，这个计算器同时考虑内存和CPU的需求为程序申请资源。

调整后，将配置分发到集群每个节点，重启yarn，重新启动程序，再观察资源分配情况，是否符合预期。

4.3 强制指定每个taskmanager的CPU数

-Djobmanager.memory.process.size=1024m \
-Dtaskmanager.memory.process.size=1024m \
-Dtaskmanager.numberOfTaskSlots=2 \
-Dparallelism.default=5 \
-Dyarn.containers.vcores=3 \

上面这个指令，会为程序申请到 4G内存 + 10个CPU，其中3个taskmanager，每个taskmanager 1G内存+3个CPU，1个jobmanager 1G内存 + 1个CPU；

注意，这里指定的每个 taskmanager 的CPU个数，不能超过 yarn-site.xml 中配置的核心数的最大值，默认是8。

5、并行度设置

设置并行度的四种方式：配置文件：默认并行度(1)、提交参数、代码：env、代码：算子。

优先级为：配置文件：默认并行度(1)  < 提交参数 < 代码：env < 代码：算子。