Flink原理——任务调度原理

原文链接：https://mp.toutiao.com/profile_v4/graphic/preview?pgc_id=6857894528381092364

本文主要从以下几个方面介绍Flink的任务调度原理

一、Flink运行时的组件

二、TaskManger与Slots

三、程序与数据流

四、Flink的执行图

五、Flink程序执行的并行度

六、Flink程序任务链

一、Flink运行时的组件

Flink的运行组件

Flink 运行时架构主要包括四个不同的组件，它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），以及分发器（Dispatcher）。每个组件的职责如下：

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 会先接收到要执行的应用程序，然后向资源管理器（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）。获取到了足够的资源后，就会将执行图分发到真正运行它们的TaskManager 上。

2、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。 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。

3、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插槽的数量限制了 TaskManager 能够执行的任务数量。（卡槽数量决定最大并发执行任务数量）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。

4、分发器（Dispatcher）
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。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。

任务提交与各个组件之间的交互过程

二、TaskManger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 task slot，几个slot决定同时可以运行多少个task）。
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。
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。

两个TaskManger，每个TaskManger中包含3个Slot

总共6个Slot，表示最多支持6个算子并行（相同算子针对不同的数据的并行 ）

相同算子针对不同的数据在几个Slot中运行，可以理解为后面讲的并行度，可以通过参数进行设置。

三、程序与数据流

 

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。
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。 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。

四、Flink的执行图

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。

 

五、Flink程序执行的并行度

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。

并行度不应超过Slot的个数。

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

 

5个算子（算子的下标表示并行度）。运行在4个Slot中情景

六、Flink程序任务链

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。

进行优化必须同时满足两个条件，两个算子的并行度相同并且是One-To-One的（窄依赖）

 

七、Demo

package xxx

import org.apache.flink.api.java.utils.ParameterTool
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}

/**
 * slave3 中提前启动 nc -lk 8888
 * 在win的模拟环境下需要在Run/ Edit Configurations 中勾选 Include dependencies with “Provided” scope
 *
 */
object StreamWordCount {
  def main(args: Array[String]): Unit = {

    val parems = ParameterTool.fromArgs(args)
    val host = parems.get("host")
    val port = parems.getInt("port")


    // 创建流处理执行环境
    val env = StreamExecutionEnvironment.getExecutionEnvironment

    // 接收scoket数据流
    val streamDataSet: DataStream[String] = env.socketTextStream(host, port)

    import org.apache.flink.api.scala._
    val wordCountDataStream = streamDataSet.flatMap(_.split("\\s"))
      .filter(_.nonEmpty)
      .map( (_, 1) )
      .keyBy(0)
      .sum(1)


    // 打印输出
    wordCountDataStream.print().setParallelism(1)

    // 启动任务
    env.execute()

  }

}

程序的输入（Source）和输出（Sink）是1个并行度。

当设置各个算子的并行度均为1时：

 

划分长两个任务链

当算子的并行度设置为2：

 

划分成四个任务链

可以在程序中调用disableOperatorChaining方法设置不进行任务链的优化：

package xxx

import org.apache.flink.api.java.utils.ParameterTool
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}

/**
 * slave3 中提前启动 nc -lk 8888
 * 在win的模拟环境下需要在Run/ Edit Configurations 中勾选 Include dependencies with “Provided” scope
 *
 */
object StreamWordCount {
  def main(args: Array[String]): Unit = {

    val parems = ParameterTool.fromArgs(args)
    val host = parems.get("host")
    val port = parems.getInt("port")


    // 创建流处理执行环境
    val env = StreamExecutionEnvironment.getExecutionEnvironment

    // 设置不进行任务链的优化
    env.disableOperatorChaining()
    
    // 接收scoket数据流
    val streamDataSet: DataStream[String] = env.socketTextStream(host, port)

    import org.apache.flink.api.scala._
    val wordCountDataStream = streamDataSet.flatMap(_.split("\\s"))
      .filter(_.nonEmpty)
      .map( (_, 1) )
      .keyBy(0)
      .sum(1)


    // 打印输出
    wordCountDataStream.print().setParallelism(1)

    // 启动任务
    env.execute()

  }

}

不进行任务链的优化合并

可以在算子后调用disableChaining设置将某个算子单独取出不做合并：

package xxx

import org.apache.flink.api.java.utils.ParameterTool
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}

/**
 * slave3 中提前启动 nc -lk 8888
 * 在win的模拟环境下需要在Run/ Edit Configurations 中勾选 Include dependencies with “Provided” scope
 *
 */
object StreamWordCount {
  def main(args: Array[String]): Unit = {

    val parems = ParameterTool.fromArgs(args)
    val host = parems.get("host")
    val port = parems.getInt("port")


    // 创建流处理执行环境
    val env = StreamExecutionEnvironment.getExecutionEnvironment

    // 设置不进行任务链的优化
    // env.disableOperatorChaining()

    // 接收scoket数据流
    val streamDataSet: DataStream[String] = env.socketTextStream(host, port)

    import org.apache.flink.api.scala._
    val wordCountDataStream = streamDataSet.flatMap(_.split("\\s"))
      .filter(_.nonEmpty).disableChaining() // 将该算子设置不进行合并优化
      .map( (_, 1) )
      .keyBy(0)
      .sum(1)


    // 打印输出
    wordCountDataStream.print().setParallelism(1)

    // 启动任务
    env.execute()

  }

}

 

另外，还可以通过算子的startNewChain设置从该算子之后开始新的任务优化

package xxx

import org.apache.flink.api.java.utils.ParameterToolimport org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}

/** * slave3 中提前启动 nc -lk 8888 * 在win的模拟环境下需要在Run/ Edit Configurations 中勾选 Include dependencies with “Provided” scope * */object StreamWordCount {
  def main(args: Array[String]): Unit = {

    val parems = ParameterTool.fromArgs(args)
    val host = parems.get("host")
    val port = parems.getInt("port")


    // 创建流处理执行环境    val env = StreamExecutionEnvironment.getExecutionEnvironment    // 设置不进行任务链的优化    // env.disableOperatorChaining()    // 接收scoket数据流    val streamDataSet: DataStream[String] = env.socketTextStream(host, port)

    import org.apache.flink.api.scala._
    val wordCountDataStream = streamDataSet.flatMap(_.split("\\s"))
      .filter(_.nonEmpty).startNewChain() // 从该算子起是新的任务链      
      .map( (_, 1) )
      .keyBy(0)
      .sum(1)


    // 打印输出    wordCountDataStream.print().setParallelism(1)

    // 启动任务    env.execute()

  }

}