【Flink】Zookeeper connection loss leads to Flink job restart

1.概述

转载：添Zookeeper connection loss leads to Flink job restart

看这个之前可以先看看：【Flink】Flink 报错 ResourceManager leader changed to new address null

Flink可以使用zookeeper来进行ha，而一般我们都会使用zookeeper的高级api架构curator来对zk进行通讯。在curator中引入了状态的概念，包括connected,reconnected,suspeneded,lost与read_only，其中suspended是个有意思的状态，当因为网络抖动、机器繁忙、zk集群短暂无响应，都会导致curator将状态置为suspended.

而Flink对suspended采取了非常谨慎的处理，就是发现是suspended，则取消所有作业，进行restart，显得未免有些太敏感了，其实这个时候往往zk也是ok的，相应的jm也是leader都没有问题。

好，我们再顺一下：

在发生zk connection loss的情况下，curator会设置suspended状态，在此状态下，curator会释放leader，flink在发现notleader之后则会revokeLeadership，进而导致dispatcher会cancel掉所有的job，cancel的过程中flink会主动抛出异常。

虽然这样做没什么大的影响，因为其实如果connection很快恢复，作业也会很快被拉起，没有大碍，但看起来总是不好，zk连接随便的一个扰动，都可能导致job重启，所以就想把它改动。

2.解决方案

2.1 方案一：

在flink的ZooKeeperUtils.java通过CuratorFrameworkFactory来构造CuratorFramework时，通过connectionStateErrorPolicy将ConnectionStateErrorPolicy从StandardConnectionStateErrorPolicy更新为SessionConnectionStateErrorPolicy，前者将suspended和lost都作为error，后者只是将lost作为error，而只有发生error的时候才会取消leadership，所以如此设置之后，在进入suspended状态时，不在发生leadership的取消和重新选举。

代码如下

        /**
         * todo:
         *  1. zkQuorum对应配置中的high-availability.zookeeper.quorum，即Zookeeper的地址
         *  2. sessionTimeout对应配置中的high-availability.zookeeper.client.session-timeout，
         *    单位为毫秒，默认60000即一分钟，ZK会话的超时时间
         *  3. connectionTimeout对应配置中的high-availability.zookeeper.client.connection-timeout，
         *     单位为毫秒，默认15000即15秒，ZK的连接超时时间
         *  4. 重试策略为ExponentialBackoffRetry，从概率上来讲随着重试次数越来越多，重试间隔呈指数级
         *    增长
         *    4.1 retryWait对应配置中的high-availability.zookeeper.client.retry-wait，
         *        即基础的间隔时间
         *    4.2  maxRetryAttempts对应配置中的high-availability.zookeeper.client.max-retry-attempts，
         *        即最大重试次数
         *   5. rootWithNamespace由root和namespace(clusterId)拼成，root对应配置中的
         *      high-availability.zookeeper.path.root，默认为/flink, namespace对应配置中的
         *      high-availability.cluster-id, 在Yarn模式下也就是applicationId
         *   6. aclProvider默认使用DefaultACLProvider，相关的配置有zookeeper.sasl.disable
         *      (默人false)和high-availability.zookeeper.client.acl(默认open)
         *
         *      CheckpointreCoveryFactory
         *
         */
        CuratorFramework cf =
                CuratorFrameworkFactory.builder()
                        .connectString(zkQuorum)
                        .sessionTimeoutMs(sessionTimeout)
                        .connectionTimeoutMs(connectionTimeout)
                        .retryPolicy(new ExponentialBackoffRetry(retryWait, maxRetryAttempts))
                        // Curator prepends a '/' manually and throws an Exception if the
                        // namespace starts with a '/'.
                        .namespace(
                                rootWithNamespace.startsWith("/")
                                        ? rootWithNamespace.substring(1)
                                        : rootWithNamespace)
                        .aclProvider(aclProvider)
                        // todo: 解决方法参考：https://www.cnblogs.com/029zz010buct/p/10946244.html
                        // 这行代码是自己加入的
                        .connectionStateErrorPolicy(new SessionConnectionStateErrorPolicy())
                        .build();

        cf.start();

优点：从整体的状态转换上进行了控制，优雅。

缺点：目前flink所引用的curator的版本为2.12.0，不支持设置policy，需要更新curator版本号，是否会带来其他问题，不可知。

测试：成功。

更改curator的版本为4.2.0，提交作业，restart zk，job没有重启，checkpoint正常进行。

2.2 方案二：

在flink内部，在代码ZooKeeperLeaderElectionService.java中的notLeader方法中，在收到notleader的通知的时候，根据当前的状态是否是suspended进行相应的处理。

优点：不对flink的整体造成影响，更改在局部范围内可控。

缺点：由于curator对suspended的处理依旧，所以从curator的层面还是会发生取消leadership然后重新进行选举的情况，虽然这一切都不必要。

测试：失败

1. 原先预计的是在notleader方法中，如果发现当前状态是suspended，就不去执行revokeLeadership方法，但notleader方法和suspended状态的获取分别是在两个回调方法中触发的，经过测试，无法保证两个回调的执行顺序，即有可能notleader方法已经触发，但是suspended状态还没有触发。

2. 如果只是修改notleader方法，即使修改成功，还是会触发isleader方法，在isleader方法中，如果不修改，还是会触发原有作业的取消和重新提交，所以这里也要改，改成重新链接之后这里即使被通知isleader也不会去给dispatcher进行grantLeadership，但又不能直接这么操作，还需要判断是否自己已经是leader，但可惜的是，在发生suspended的时候，curator里面已经将leadership取消掉了，所以如果在这里加上判断是connected状态并且不是leader然后不去grantleadership，会看起来很奇怪。

总而言之，如果不动curator的逻辑，只是在flink里改，这里的逻辑就会被改的难以理解，并且还无法成功。

目前的方案应对的场景是zk connection的短时间抖动，如果发生zk connection的长时间不可用，则tm和jm都会失败，这个也是应有之义。

另，

在flink中对curator的suspended状态起作用的还有一个地方，在ZooKeeperCheckpointIDCounter.java中有对suspended的判断，如果之前是suspended或者Lost，则flink就不会去zk上存取checkpoint的信息了。这里感觉是个坑，也需要改对suspended的策略。

外一篇，

zookeeper可以设置session timeout时间，但是不是你随便设置就会起作用，会有一个判断的过程。

SessionTimeOut的协商如下：

• 情况1: 配置文件配置了maxSessionTimeOut和minSessionTimeOut

最终SessionTimeOut,必须在minSessionTimeOut和maxSessionTimeOut区间里，如果跨越上下界，则以跨越的上届或下界为准。

• 情况2:配置文件没有配置maxSessionTimeOut和minSessionTimeOut

maxSessionTimeout没配置则
maxSessionTimeOut设置为 20 * tickTime
minSessionTimeOut没配置则 minSessionTimeOut设置为 2 * tickTime

也就是默认情况下, SessionTimeOut的合法范围为 4秒~40秒，默认配置中tickTime为2秒。