flink-运行时架构（二）

2.flink-运行时架构（二）

1. 运行时组件

   • 作业管理器（JobManager)
     • 控制一个应用程序执行的主进程，每个应用程序都会被一个不同的JobManager所控制
     • JobManager会先接收到要执行的应用程序，这个应用程序包括：作业图（JobGraph)、逻辑数据流图（logical dataflow graph）和打包了所有的类、库和其它资源的 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，JobManager 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
   • 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。另外，ResourceManager 还负责终止空闲的 TaskManager，释放计算资源
   • 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。由于是 REST 接口，所以 Dispatcher 可以作为集群的一个 HTTP 接入点，这样就能够不受防火墙阻挡。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。

2. 任务提交流程

   • client端提交作业到分发器，分发器提交应用给JobManager,JM就想资源管理器请求slot，RM根据TaskManager注册的slots的情况分配slot，JM向TasKManager提交任务，任务图等。

   • yarn模式提交作业：

     Flink 任务提交后，Client 向 HDFS 上传 Flink 的 Jar 包和配置，之后向 Yarn
     ResourceManager 提交任务，ResourceManager 分配 Container 资源并通知对应的NodeManager 启动 ApplicationMaster，ApplicationMaster 启动后加载 Flink 的 Jar 包和配置构建环境，然后启动 JobManager，之后 ApplicationMaster 向 ResourceManager申请资源启动 TaskManager ， ResourceManager 分配 Container 资 源 后 ， 由ApplicationMaster 通 知 资 源 所 在 节 点 的 NodeManager 启动 TaskManager ，NodeManager 加载 Flink 的 Jar 包和配置构建环境并启动 TaskManager，TaskManager
     启动后向 JobManager 发送心跳包，并等待 JobManager 向其分配任务

3. 任务调度原理

   • 客户端不是运行时和程序执行的一部分，但它用于准备并发送
     dataflow(JobGraph)给 Master(JobManager)，然后，客户端断开连接或者维持连接以等待接收计算结果

   • 当 Flink 集 群 启 动 后 ， 首 先 会 启 动 一 个 JobManger 和一个或多个的

     TaskManager。由 Client 提交任务给 JobManager，JobManager 再调度任务到各个 TaskManager 去执行，然后 TaskManager 将心跳和统计信息汇报给 JobManager。TaskManager 之间以流的形式进行数据的传输。上述三者均为独立的 JVM 进程。

   • Client 为提交 Job 的客户端，可以是运行在任何机器上（与 JobManager 环境连通即可）。提交 Job 后，Client 可以结束进程（Streaming 的任务），也可以不结束并等待结果返回

   • JobManager 主要负责调度 Job 并协调 Task 做 checkpoint，职责上很像
     Storm 的 Nimbus。从 Client 处接收到 Job 和 JAR 包等资源后，会生成优化后的执行计划，并以 Task 的单元调度到各个 TaskManager 去执行。

   • TaskManager 在启动的时候就设置好了槽位数（Slot），每个 slot 能启动一个 Task，Task 为线程。从 JobManager 处接收需要部署的 Task，部署启动后，与自己的上游建立 Netty 连接，接收数据并处理。

4. TaskManger 与 Slots

   • Flink 中每一个 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，TaskManager通过 task slot 来进行控制（一个 TaskManager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。假如一个TaskManager 有三个 slot，那么它会将其管理的内存分成三份给各个 slot。资源 slot化意味着一个 subtask 将不需要跟来自其他 job 的 subtask 竞争被管理的内存，取而代之的是它将拥有一定数量的内存储备。需要注意的是，这里不会涉及到 CPU 的隔离，slot 目前仅仅用来隔离 task 的受管理的内存

     总结：每个taskManager有若干个slot，一个slot执行一个task,一个task可以有多个subtask（子任务），子任务（可以是不同任务的子任务单前提是同一个job）可以共享slot。共享的是内存而不是CPU，CPU不受控制

   • 通过调整 task slot 的数量，允许用户定义 subtask 之间如何互相隔离。如果一个TaskManager 一个 slot，那将意味着每个 task group 运行在独立的 JVM 中（该 JVM可能是通过一个特定的容器启动的），而一个 TaskManager 多个 slot 意味着更多的subtask 可以共享同一个 JVM。而在同一个 JVM 进程中的 task 将共享 TCP 连接（基于多路复用）和心跳消息。它们也可能共享数据集和数据结构，因此这减少了每个task 的负载

     总结：即task之间可以交换数据，是基于TCP连接和心跳消息

   • Task Slot 是静态的概念，是指 TaskManager 具有的并发执行能力，可以通过
     参数 taskmanager.numberOfTaskSlots 进行配置；而并行度 parallelism 是动态概念，即 TaskManager 运行程序时实际使用的并发能力，可以通过参数 parallelism.default进行配置。

5. 程序与逻辑数据流（DataFlow）

   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：source，transform，sink

   • 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

   dataflow：

   • 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，但有时候，一个 transformation 可能对应多个 operator

6. 执行图（ExecutionGraph）

   由 Flink 程序直接映射成的数据流图是 StreamGraph，也被称为逻辑流图，因为
   它们表示的是计算逻辑的高级视图。为了执行一个流处理程序，Flink 需要将逻辑流图转换为物理数据流图（也叫执行图）

   • Flink 中的执行图可以分成四层：StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图
   1. 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
   2. 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，这样可以减少数据在节点之间流动所需要的序列化/反序列化/传输消耗。
   3. 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
   4. 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。

7. 并行度（Parallelism）

   在执行过程中，一个流（stream）包含一个或多个分区（stream partition），而每一个算子（operator）可以包含一个或多个子任务（operator subtask），这些子任务在不同的线程、不同的物理机或不同的容器中彼此互不依赖地执行。

   1. 并行度概念：

      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，一个流程序的并行度，可以认为就是其所有算子中最大的并行度。一个程序中，不同的算子可能具有不同的并行度

   2. Stream 在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（类似于窄依赖）
     • stream(比如在 source 和 map operator 之间)维护着分区以及元素的
       顺序。那意味着 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（类似于 spark 中的宽依赖 ）
     • stream(map()跟 keyBy/window 之间或者 keyBy/window 跟 sink
       之间)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、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 过程。

8. 任务链（Operator Chains）

   • flink采用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。通过本地转发的方式进行连接

   • 相同并行度的 one to one 操作，Flink 将这样相同并行度的算子链接在一起形成一个 task， 原来的算子成为里面的一部分。将算子链接成 task 是非常有效的优化：它能减少线 程之间的切换和基于缓存区的数据交换，在减少时延的同时提升吞吐量。链接的行 为可以在编程 API 中进行指定。

   • 并行度相同，并且是one-to-one操作，两个条件却不不可