Flink运行架构

1、Flink运行时的组件


Flink运行时架构主要包括四个不同的组件,他们会在运行流处理应用程序时协同工作:

  • 作业管理器(JobManager)
  • 资源管理器(ResourceManager)
  • 任务管理器(TaskManager)
  • 分发器(Dispatcher)

1.1 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

1.2 资源管理器(ResourceManager)

主要负责管理任务管理器(TaskManager)的插槽(slot)

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。

ResourceManager还负责终止空闲的TaskManager,释放计算资源

1.3 任务管理器(TaskManager)

TaskManger插槽是Flink中定义的处理资源单元

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

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。

1.4 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

Yarn模式任务提交流程

官网提交流程:

了解的提交流程:

  1. Flink任务提交后,client向HDFS上传Flink的jar包和配置
  2. Client向Yarn ResourceManager 提交任务
  3. ResourceManager 分配Container 资源并通知对应的NodeManager 启动 ApplicationMaster
  4. ApplicationMaster 启动后加载Flink的jar包和配置构建环境
  5. ApplicationMaster启动JobManager
  6. ApplicationMaster向ResourceManager申请资源启动 TaskManager
  7. ResourceManager 分配Container 资源后
  8. 由ApplicationMaster 通知资源所在节点的NodeManager 启动 TaskManager
  9. NodeManager 加载Flink的jar包和配置构建环境并启动TaskManager
  10. TaskManager启动后向JobManager发送心跳包
  11. 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

Flink集群启动后,首先会启动一个JobManager和一个或多个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

Client 、 JobManager 、 TaskManager 均为独立的 JVM进程

  • Client 为提交Job的客户端,可以使运行在任何机器上(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出接收到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。

3.1 TaskManager 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taskslot)

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(CPU是靠抢的),slot目前仅仅用来隔离task的受管理的内存。

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。

默认情况下,Flink允许子任务共享slot即使他们是不同任务的子任务(前提是他们来自同一个job)。 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,可以通过参数taskmanager.numberOfTaskSlots进行配置

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。

设一共有3个TaskManager,每一个TaskManager中的分配3个TaskSlot,也就是每个TaskManager可以接收3个task,一共9个TaskSlot,如果我们设置parallelism.default=1,即运行程序默认的并行度为1,9个TaskSlot只用了1个,有8个空闲,因此,设置合适的并行度才能提高效率。

3.2 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。

执行时,Flink程序将映射到由流(Stream)和转换运算( transformation operators )符组成的流数据流( streaming dataflows

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(DAGs: directed acyclic graphs

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。

3.3 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(执行图)

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。

JobGraphStreamGraph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。

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。

3.4 并行度(Parallelism)

Flink程序的执行具有并行、分布式的特性

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。

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。

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。

(1)One-to-one: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。

类似于spark中的窄依赖

(2)Redistributing: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。

类似于spark中的宽依赖

3.5 任务链(Operator Chains)

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。

任务链必须满足两个条件:one-to-one的数据传输并且并行度相同

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值