flink-状态一致性（十三）

flink-状态一致性（十三）

状态一致性

1.有状态的流处理，内部每个算子任务都可以有自己的状态
2.对于流处理内部来说，所谓的状态一致性就是我们所说的计算结果要保证准确
3.一条数据不丢失，也不重复计算
4.在遇到故障时可以恢复状态，恢复以后的重新计算，结果应该也是完成正确的

状态一致性分类：

1.exactly-once
恰好处理一次是最严格的保证，也是最难实现的。恰好处理一次语义不仅仅意味着没有事件的丢失，还意味着针对每一个数据，内部状态仅仅更新一次
2.at-most-once
最多处理一次事件。当任务故障时，最简单的做法是什么都不做，既不恢复丢失的状态，也不重复丢失的数据。
3.at-least-once
至少一次语义
在大多数的真实应用场景中，我们希望不丢失事件，但是会处理多次

一致性检查点

1.flink使用了一种轻量级快照机制--检查点机制（checkpoint）来保证exactly-once语义
2.有状态流应用的一致检查点，其实就是：所有任务的状态，在某个时间点的一份拷贝，而这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候
3.应用状态的一致检查点，是fink故障恢复机制的核心

端到端的状态一致性

1.目前一致性都是在flink流处理器中实现的，也就是说在flink流处理内部能够保证一致性。但是流处理应用还包括数据源和输出到持久化系统中
2.端到端的一致性保证，意味着结果的正确性贯穿了整个流处理应用的始终，每一个组件都保证了他自己的一致性
3.end-to-end的一致性级别处决于所有组件中最弱的组件（木桶效应）

端到端的精确一次保证

end-to-end的exactly-once保证
1、内部保证：checkpoint
2.source端：可重设数据的读取位置
3.sink端：从故障恢复时，数据不会重复写入到外部系统
	利用下面操作保证不会重复：
	--幂等性写入
	--事务写入

--幂等性
就是一个操作，可以重复执行很多次，但是只导致一次结果的更改，就是只持久化一次，后面的重复执行不起作用

--事务写入
事务：1.应用程序中一系列严密的操作，所有操作必须完成，否自所有的操作撤销
	 2.具有原子性，一个操作要么全部完成要么全部失败
实现：构建的事务对应着checkpoint，等到checkpoint真正完成的时候，才把所有对应的结果写入sink系统中。

方式：1.预写日志（WAL）
	 2.两个阶段提交
	 
---	WAL：
		1.吧结果数据先当成状态保存，然后在收到checkpoint完成的通知时，一次性写入				sink系统
		2.简单易于实现，由于数据提前在状态后端中做了缓存，所以无论什么sink系统，都能			用这种方式完成
		3.DataStreamAPI提供一个模板类：GenericWriteAHeadSink，来实现这种事务性			sink
---	两阶段提交（Two-Phase-Commit）2PC：
		1.对于每个checkpoint，sink事务会启动一个事务，并将接下来所有的接受的数据添			加到事务里
		2.然后将这些数据写入外部sink系统，但不提交他们，预提交
		3.当她收到checkpoint完成的通知时，才正式提交事务，实现结果的真正写入
		4.这种方式真正实现了exactly--once，他需要一个提供事务支持的外部sink 系				统。flink提供了TwoPhaseCommitSinFunction接口
	2PC对外部系统的要求：
	1.外部sink系统必须提供事务支持，或者sink任务必须能够模拟外部系统上的事务
	2.在checkpoint的间隔期间里，必须能够开启一个事务并结构数据写入
	3.在收到checkpoint完成的通知之前，事务必须是等待提交的状态，在故障恢复的情况写，这可能需要一些是时间。如果这个时候sink系统关闭事务（例如超时了），那么未提交的数据就会丢失
	4.sink任务必须能够在进程失败后恢复事务
	5.提交事务必须是幂等性

flink-kafka端到端状态一致性保证

1.内部--利用checkpoint机制，吧状态存盘，发生故障时可以恢复，保证内部状态的一致性
2.source--kafka consumer作为source，可以将偏移量保存下来，如果后续任务出现了故障，恢复的时候可以由连接器重置偏移量，重新消费数据，保证了一致性
3.sink--kafka producer作为sink，采用两阶段提交sink，需要实现一个TwoPhaseCommitSinkFunction接口

kafka作为外部系统的2PC情况：
---exactly-once的两阶段提交
1.JobManager协调各个TaskManager进行checkpoint存储
2.checkpoint保存在StateBackend中，默认StateBackend是内存级的，也可以改为文件级的进行持久化保存
3.当checkpoint启东时，JobManager会将检查点分界线（barrier）注入数据流中，
4.barrier会在算子间传递下去
5.每个算子会对当前的状态做个快照，保存到状态后端
6.checkpoint机制可以保证内部的状态一致性
7.每个内部的transform任务遇到barrier时，都会把状态存到checkpoint里
8.sink任务首先把数据写入到外部kafka，这些数据都属于预提交的事务，遇到barrier时，把状态保存到状态后端，并开启新的预提交事务
9.当所有算子任务的快照完成，也就是这次的checkpoint完成时，JobManager会向所有任务发送通知，确认这次checkpoint完成
10.sink任务收到确认通知，正式提交之前的事务，kafka中未确认数据改为“已确认”

步骤：
1.第一条数据来了之后，开启一个kafka事务，正常写入kafka分区日志单标记为未提交，这就是预提交。。
2.JobManager出发checkpoint操作，barrier从source开始向下传递，遇到barrier的算子将状态存入状态后端，并通知JobManager
3.sink连接器收到barrier，保存当前状态，存入checkpoint，通知jobManager,并开启下一阶段的事务，用于提交下个检查点的数据
4.jobmanager收到所有任务的通知，发出确认信息，表示checkpoint完成
5.sink任务收到jobmanager的确认信息，正式提交这段时间的叔叔
6.外部kafka关闭事务，提交的数据可以正常消费了