Flink学习02 - Flink运行架构

学习资料

尚硅谷2021最新Java版Flink（武老师清华硕士，原IBM-CDL负责人）
我的flink练习代码地址(github)

Flink运行架构

一、Flink运行时的组件

作业管理器（JobManager）

• 控制一个应用程序执行的主进程，也就是说，每个应用程序都会被一个不同的JobManager所控制执行。
• JobManager会先接收到要执行的应用程序，这个应用程序会包括：作业图（JobGraph）、逻辑数据流图（logical dataflow graph）和打包了所有的类、库和其他资源的JAR包。
• JobManager会把JobGraph转换成一个物理层面的数据流图，这个图被叫做“执行图”（ExecutionGraph），包含了所有可以并发执行的任务。
• JobManager会向资源管理器（ResourceManager）请求执行任务必要的资源，也就是任务管理器（TaskManager）上的插槽（slot）。一旦它获取到了足够的资源，就会将执行图分发到真正运行它们的TaskManager上。而在运行过程中，JobManger会负责所有需要中央协调的操作，比如说检查点（checkpoints）的协调。

任务管理器（TaskManager）

• Flink中的工作进程。通常在Flink中会有多个TaskManager运行，每一个TaskManager都包含了一定数量的插槽（slots）。插槽的数量限制了TaskManager能够执行的任务数量。
• 启动之后，TaskManager会向资源管理器注册它的插槽；收到资源管理器的指令后，TaskManager就会将一个或者多个插槽提供给 JobManager调用。JobManager就可以向插槽分配任务（tasks）来执行了。
• 在执行过程中，一个TaskManager可以跟其它运行同一应用程序的TaskManager交换数据。

资源管理器（ResourceManager）

• 主要负责管理任务管理器（TaskManager）的插槽（slot）， TaskManger 插槽是Flink中定义的处理资源单元。

• Flink为不同的环境和资源管理工具提供了不同资源管理器，比如YARN、 Mesos、K8s，以及standalone部署。

• 当JobManager申请插槽资源时，ResourceManager会将有空闲插槽的 TaskManager分配给JobManager。如果ResourceManager没有足够的 插槽来满足JobManager的请求，它还可以向资源提供平台发起会话， 以提供启动TaskManager进程的容器。

分发器（Dispatcher）

• 可以跨作业运行，它为应用提交提供了REST接口。

• 当一个应用被提交执行时，分发器就会启动并将应用移交给一个 JobManager。

• Dispatcher也会启动一个Web UI，用来方便地展示和监控作业执行的信息。

• Dispatcher在架构中可能并不是必需的，这取决于应用提交运行的方式。

二、任务提交流程

• 任务提交流程（YARN）

三、任务调度原理

思考：

• 怎样实现并行计算？
  • 不同的slot，相当于不同的线程，同时计算 ——> 并行计算
• 并行的任务，需要占用多少slot？
  • 占用slot个数 与 当前任务最大并行度有关
• 一个流处理程序，到底包含多少个任务？
  • 任务合并

并行度（Parallelism）

一个特定算子的 子任务（subtask）的个数被称之为其并行度（parallelism）。 一般情况下，一个 stream 的并行度，可以认为就是其所有算子中最大的并行度。

TaskManger 与 Slots

• Flink 中每一个 worker(TaskManager)都是一个 JVM进程，它可能会在独立的线程上执行一个或多个 subtask。
• 为了控制一个 worker 能接收多少个 task，worker 通过 task slot 来进行控制（一个 worker 至少有一个 task slot）。
• 每个 task slot 表示 TaskManager 拥有资源的一个固定大小的子集 。

• 默认情况下，Flink 允许子任务共享 slot，即使它们是不同任务的子任务。这样的结果是，一个 slot 可以保存作业的整个管道。
• Task Slot 是静态的概念，是指 TaskManager 具有的并发执行能力。

并行子任务的分配

程序与数据流（DataFlow）

• 所有的Flink程序都是由三部分组成的： Source 、Transformation 和 Sink。

• Source 负责读取数据源，Transformation 利用各种算子进行处理加工，Sink 负责输出

• 在运行时，Flink上运行的程序会被映射成“逻辑数据流”（dataflows），它包含了这三部分

• 每一个dataflow以一个或多个sources开始以一个或多个sinks结束。dataflow类似于任意的有向无环图（DAG）

• 在大部分情况下，程序中的转换运算（transformations）跟dataflow中的算子（operator）是一一对应的关系

执行图（ExecutionGraph）

• Flink 中的执行图可以分成四层：StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图
  • StreamGraph：是根据用户通过 Stream API 编写的代码生成的最初的图。用来表示程序的拓扑结构。
  • JobGraph：StreamGraph经过优化后生成了 JobGraph，提交给 JobManager 的数据结构。主要的优化为，将多个符合条件的节点 chain 在一起作为一个节点
  • ExecutionGraph：JobManager 根据 JobGraph 生成ExecutionGraph。 ExecutionGraph是JobGraph的并行化版本，是调度层最核心的数据结构。
  • 物理执行图：JobManager 根据 ExecutionGraph 对 Job 进行调度后，在各个TaskManager 上部署 Task 后形成的“图”，并不是一个具体的数据结构。

数据传输形式

• 一个程序中，不同的算子可能具有不同的并行度

• 算子之间传输数据的形式可以是 one-to-one (forwarding) 的模式也可以是 redistributing 的模式，具体是哪一种形式，取决于算子的种类

  • One-to-one：stream维护着分区以及元素的顺序（比如source和map之间）。 这意味着map 算子的子任务看到的元素的个数以及顺序跟 source 算子的子任务生产的元素的个数、顺序相同。map、fliter、flatMap等算子都是one-to-one的对应关系。
  • Redistributing：stream的分区会发生改变。每一个算子的子任务依据所选择的transformation发送数据到不同的目标任务。例如，keyBy 基于 hashCode 重分区、而 broadcast 和 rebalance 会随机重新分区，这些算子都会引起redistribute过程，而 redistribute 过程就类似于 Spark 中的 shuffle （完全随机）过程。

任务链（Operator Chains）

• Flink 采用了一种称为任务链的优化技术，可以在特定条件下减少本地通信的开销。为了满足任务链的要求，必须将两个或多个算子设为相同的并行度，并通过本地转发（local forward）的方式进行连接

• 相同并行度的 one-to-one 操作，Flink 这样相连的算子链接在一起形成一个 task，原来的算子成为里面的 subtask

• 并行度相同、并且是 one-to-one 操作，两个条件缺一不可

// 全局禁止任务合并
env.disableOperatorChaining();