【Flink】浅谈Flink背压问题（1）

概述

在多线程的情况下有一个典型的模，型生产者消费者模型，该模型主要由生产者、消费者和一个大小固定的队列组成。生产者向队列发送数据，消费者从队列中取出数据并处理。

针对上述模型，如果队列属于有限长度，当消费者能力<生产者能力的时候就会出现数据堆积，这样生产者的生产就会停止。现在将这个模型引入Flink算子链中，生产者和消费者的身份是相对的，一个生产者是上游的消费者，一个消费者同样也是下游的生产者。所以一个节点模型中消费者的堵塞将会向上移动，直到源头，这就是反压。

Flink数据通信模型

假如一个Flink任务（Job）中有 TaskA，TaskB，并发度都是 4，即 A1-A4，B1-B4。TaskA 与 TaskB 使用 keyby 连接。将这个 Flink Job 部署到 2 个 TM 中，每个 TM 分配 2 个 slots。那么Flink会将 $A1,A2,B1,B2$ 放到一个 TM 中，$A3,A4,B3,B4$ 放到一个 TM 中，具体示例如下图所示：

同一个 TM 中的SubTask采用 【local 】方式进行数据传输。位于不同 TM 的 SubTask采用【remote】方式传输。传输示意图如下图所示：

我们从上图可以看出，以SubTaskA1为例，其数据传输步骤如下：

1. TaskA1 先通过 【RecordWriter】对象将数据序列化写到一个 【Output Queue Buffer】 中（下游的并行子任务个数就是队列的个数）。
2. 由【 Netty Service 】进行拉取，满足以下任意一个条件都会进行拉取；
   1. 【Output Queue Buffer】 写满了（默认 32KB）；
   2. 【Output Queue Buffer】 超时了（默认 100ms）；
   3. 遇到特殊结构，例如 Barrier，WaterMark；
3. 经过网络传输之后，数据会写到 TaskB3 中的 【Input Queue】 中，然后由 【RecordReader】对象将数据反序列化后进行处理。

也就是说一个 下游TM 中的并行子任务出现消费延迟，就会阻塞 TCP-channel 进而影响整个 TM 的消费，最终向上传递，导致反压。

反压的监控

Web UI

可以直接在 Flink Web 中进行观察，Flink检测会针对任何一个 Task 做反压检测。该机制需要在 Flink Web 上手动触发，触发后TM 使用 Thread.GetStackTrace 来抽样检测 Task Thread 是否在 NetworkBuffer 中，即是否处于等待状态。根据抽样比例，来判断反压状态。Ratio 是代表抽样 n 次（默认100次）中，遇到等待次数的比例。

• OK：ratio≤0.1；
• LOW：0.01≤Ratio≤0.5;
• High：0.5≤Ratio≤1;

从 Sink→Source 进行检查，第一个反压状态处于 High 的 task 大概率是反压的根源。

该方法有一定的缺陷：

1. 由于他是抽样，无法观察到历史数据；
2. 影响作业流程；
3. 高并发场景下，需要等待很久才能检测成功；

Flink Network Metric

在上文提到过，TM之间的通信都会使用到 InputQueue 和 OutputQueue，我们可以通过使用【InputQueueUsage】 和 【OutputQueueUsage】这两个指标来判断出现反压的位置。

Task Status	OutputQueueUsage < 1.0	OutputQueueUsage == 1.0
InputQueueUsage < 1.0	正常	处于反压，其根本原因可能是该 Task 下游处理能力不足导致，持续下去，该 Task 将会向上游传递反压
InputQueueUsage == 1.0	处于反压，持续下去，该 Task 会向上游传递反压，而且该 Task 可能是反压的源头	处于反压，原因可能是被下游阻塞

现在看一个实际的例子

从指标监控界面可以看出 FlatMap→Reduce 出现了阻塞，再看 reduce 任务的 inpoolusage 和 outpoolusage 指标，得出结论reduce任务就是反压的源头。

往期回顾

1. 【分布式】浅谈CAP、BASE理论（1）

---

我将在下一期详细介绍反压形成的原因以及处理办法，敬请期待！！