Flink - 状态一致性

Flink - 状态一致性

什么是状态一致性

• 有状态的流处理，内部每个算子任务都可以有自己的状态
• 对于流处理器内部来说，所谓的状态一致性，其实就是我们所说的计算结果要保证准备。
• 一条数据不应该丢失，也不应该重复计算
• 在遇到故障时可以恢复状态，恢复以后的重新计算，结果应该也是完全正确的。

状态一致性分类

• AT-MOST-ONCE(最多一次)

  当任务故障时，最简单的做法是什么都不干，即不恢复丢失的状态，也不重播丢失的数据。At-most-once语义的含义是最多处理一次事件。

• AT-LEAST-ONCE(至少一次)

  在大多数的真实应用场景中，我们希望不丢失事件。这种类型的保障称为at-least-once，意思是所有的事件都得到了处理，而一些事件还可能被处理多次。

• EXACTLY-ONCE(精确一次)

  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丢失，还意味着针对每一个数据，内部状态仅仅更新一次。

一致性检查点(Checkpoints)

• Flink使用了一种轻量级快照机制 — 检查点(checkpoint)来

保证exactly-once语义

• 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(一份快照)。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。
• 应用状态的一致检查点，是FLink故障恢复机制的核心。

端到端(end-to-end)状态一致性

• 目前我们看到的一致性保证都是由流处理器实现的，也就是说都是在FLink内部保证的；而在真实应用中，流处理应用除了流处理器以外还包含了数据源(例如Kafka)和输出到持久化系统
• 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中的始终；每一个组件都保证了它自己的一致性。
• 整个端到端的一致性级别取决于所有组件中一致性最弱的组件。

端到端 exactly-once

• 内部保证 – checkpoint
• source端 – 可重设数据的读取位置
• sink端 – 从故障恢复时，数据不会重复写入外部系统
  • 幂等写入
  • 事物写入

幂等写入 Idempotent Writes

• 所谓幂等操作，是说一个操作，可以重复执行很多次，但只导致一次结果更改，也就是说，后面再重复执行就不起作用了。

事物写入 Transactional Writes

• 事物 Transaction
  • 应用程序中一系列严密的操作，所有操作必须成功完成，否则在每个操作中所作的所有更改都会被撤销
  • 具有原子性：一个事物中的一系列的操作要么全部成功，要么一个都不做。
• 实现思想：构建的事物对应着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
• 实现方式：
  • 预写日志
  • 两阶段提交

预写日志(Write-Ahead-Log,WAL)

• 把结果数据先当成状态报存，然后在收到checkpoint完成的通知时，一次性写入sink系统
• 简单易于实现，由于数据提前在状态后端中坐了缓存，所以无论什么sink系统，都能用这种方式一批搞定
• DataStream API提供了一个模板类：GenericWriteAheadSink，来实现这种事务性sink

两阶段提交(Two - Phase - Commit, 2PC)

• 对于每个checkpoint，sink任务会启动一个事物，并将接下来所有接收的数据添加到事物里
• 然后将这些数据写入外部sink系统，但不提交他们–这时只是"预提交"。
• 当它收到checkpoint完成的通知时，它才正式提交事物，实现结果的真正写入。
• 这种方式真正实现了exactly-once,他需要一个提供事物支持的外部sink系统。Flink提供了TwoPhaseCommitSinkFunction接口。

2PC对外部sink系统的要求

• 外部sink系统必须提供事物支持，或者sink任务必须能够模拟外部系统上的事物。
• 在checkpoint的间隔期间里，必须能够开启一个事物并接受数据写入
• 在收到checkpoint完成的通知之前，事物必须是"等待提交"的状态。在故障恢复的情况下，这可能需要一些时间。如果这个时候sink系统关闭事物(例如超时了)，那么未提交的数据就会丢失。

不同Source和Sink的一致性保证

Flink + Kafka 端到端状态一致性的保证

• 内部 – 利用checkpoint机制，把状态存盘，发生故障的时候可以恢复，保证内部的状态一致性。
• source – kafka consumer作为source, 可以将偏移量保持下来，如果后续任务出现了故障，恢复是时候可以由连接器重置偏移量，重新消费数据，保证一致性。
• sink – kafka producer 作为sink,采用两阶段提交sink，需要实现一个TwoPhaseCommitSinkFunction

Exactly - once 两阶段提交

• 每个内部的transform任务遇到barrier时，都会把状态存到checkpoint里
• sink任务首先把数据写入外部kafka,这些数据都属于预提交的事物；遇到barrier时，把状态保存到状态后端，并开启新的预提交事物。

• 当所有算子任务的快照完成，也就是这次的checkpoint完成时，JobManager会向所有任务发通知，确认这次checkpoint完成。
• sink任务收到确认通知，正式提交之前的事物，kafka中未确认数据改为“已确认”。

提交步骤：

• 第一条数据来了之后，开启一个kafka的事物(transaction)，正常写入kafka分区日志但标记为未提交，这就是"预提交"。
• jobmanager触发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
• 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物，用于提交下个检查点的数据。
• jobmanager收到所有任务的通知，发出确认信息，表示checkpoint完成。
• sink任务收到jobmanager的确认信息，正式提交这段时间的数据。
• 外部kafka关闭事物，提交的数据可以正常消费了。