【Flink从入门到精通 03】运行时架构

知其然，知其所以然，通过之前的文章，我们已然了解了如何编写一个Flink程序并提交运行，那么这个程序是如何在集群中运行的呢？今天，就给大家分享下Flink的运行时架构。

01 运行时组件

观察上图，可以看到，Flink作业在执行过程中会涉及到作业管理、资源管理、任务管理、分发器等部分。我们来逐个分析：

（1）作业管理器（JobManager）

作业管理器是控制应用程序的主进程。

• 通常涉及以下结构：

  • 作业图（JobGraph）
  • 逻辑数据流图（logical dataflow graph）
  • 类、库及其他资源JAR包

• 对Client提交作业的处理流程：

  1. JobGraph转换成一个物理层面的的数据流图，即执行图（ExecutionGraph），包含了所有可并发执行的任务

  2. JobManager向资源管理器（ResourceManager）请求执行任务必要的资源，即TaskManager上的slot

  3. 获取足够资源后，将执行图分发到真正运行它们的TaskManager

  4. 运行过程中，JobManager负责所有需要中央协调的操作，如检查点（checkpoint）的协调

（2）资源管理器（ResourceManager）

资源管理器主要负责管理任务管理器（TaskManager）的插槽（slot），TaskManager slot是Flink中定义的处理资源单元。

• 不同环境和资源管理工具提供了不同的资源管理器，在国内通常以Yarn作为Flink集群的资源管理器。

• 流程：

  1. JobManager向ResourceManager申请插槽资源，ResourceManager将有空闲插槽的TaskManager分配给JobManager

  2. 如果ResourceManager没有足够的插槽来满足JobManager请求，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. ResourceManager还负责终止空闲的TaskManager，释放计算资源

（3）任务管理器（TaskManager）

任务管理器是Flink中的真正进行工作的进程。

• Flink中会有多个TaskManager运行，每一个TaskManager都包含一定数量的插槽

• 插槽的数量限制了TaskManager能够执行的任务数量

• 流程：

  1. 集群启动之后，TaskManager向资源管理器注册它的插槽

  2. 收到资源管理器指令后，TaskManager会将一个或多个插槽提供给JobManager使用

  3. JobManager就可以向插槽分配任务进行执行

  4. 执行过程中，一个TaskManager可以同其它运行同一程序的TaskManager交换数据

（4）分发器（Dispatcher）

分发器主要作用在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，可以跨作业运行，为应用提交提供了REST接口。

• 由于是REST接口，分发器可以作为集群的一个HTTP接入点，可以不受防火墙阻挡
• 分发器也会启动一个WebUI，用来方便的展示和监控作业执行信息
• 分发器在架构中并不是必须的，取决于提交运行的方式

02 任务提交流程

在01中，我们介绍了各个组件所承担的职责，那么在一个完整的作业提交过程中，它们是怎么协同配合完成作业提交的呢？

（1）高层级的视角

可以看到，作业提交大致分为五个步骤：

• 提交作业
• JobManager启动并向ResourceManager申请资源
• ResourceManager分配Slot资源
• TaskManager向JobManager提供slot
• JobManager向slot提交执行任务

接着，我们以常用的yarn为例，看看在yarn中Flink任务是如何提交运行的。

（2） yarn集群中

• 任务提交后，Client向HDFS上传Flink任务的jar包和配置
• Client向Yarn ResourceManager提交任务
• ResourceManager分配Container资源并通知对应的NodeManager启动ApplicationMaster
• ApplicationMaster启动后加载Flink的jar包和配置构建环境，然后启动JobManager
• ApplicationMaster向ResourceManager申请资源启动TaskManager
• ResourceManager分配Container资源后，ApplicationMaster通知资源所在节点的NodeManager启动TaskManager
• NodeManager加载Flink的jar包和配置构建环境启动TaskManager
• TaskManager启动后向JobManager发送心跳包，并等待JobManager向其分配任务

03 任务调度原理

到此为止，相信你对Flink运行时的架构和作业运行流程有了清晰的认识，下面让我们再来看看其内部涉及到的一些原理。

首先，对运行时架构图做一下概念上的补充：

• 客户端不是运行时和程序执行的一部分，用于准备并发送dataflow（JobGraph）给Master（JobManager），然后客户端断开连接或维持连接（根据作业提交方式）以等待接收结果
• Flink集群启动后，首先会启动一个JobManager和一个或多个的TaskManager
• Client提交任务给JobManager
• JobManager再调度任务到各个TaskManager去执行
• TaskManager将心跳和统计信息汇报给JobManager（Flink Standalone模式下）
• TaskManager之间以流的形式进行数据传输
• Client、JobManager、TaskManager均为独立的JVM进程

Client

• 提交Job的客户端
• 可以运行在任何机器上，与JobManager环境联通即可
• 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

• 负责调度Job并协调Task做checkpoint
• 从client处接收到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

• 在启动时设置好槽位数（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

下面，让我来给你介绍下Flink作业在生产中的一些问题。

（1） TaskManager与Slot

Flink中每一个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。

• 通过task slot来控制每一个TaskManager能接收多少个task。
• 每个task slot表示TaskManager拥有资源的一个固定大小的子集
• 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
• 通过调整task slot的数量，允许用户自定义subtask之间的隔离策略
  • 一个TaskManager一个task slot，则每个task group运行在独立的JVM中
  • 一个TaskManager多个task slot，多个subtask共享一个JVM，同一个JVM进程中，task将共享TCP连接（基于多路复用）和心跳信息，也可能共享数据集和数据结构，从而减少每个task的负载

下图中，每个TaskManager拥有3个slot。

子任务的算子可以共享slot，下图中，Source[1]、map[1]、keyBy().window().apply()[1]、sink[1]等子任务共享了第一个slot。

• Flink允许子任务共享slot，即使它们是不同任务的子任务（前提来自同一个Job），这样一个slot可以保存作业的整个管道（即整个流式处理的过程）
• Task Slot是静态的概念，指TaskManager具有的并发执行的能力，通过参数taskmanager.numberOfTaskSlots进行配置
• 并行度parallelism是动态概念，即TaskMananger运行程序时实际使用的并发能力，通过参数parallelism.default进行配置

（2） 程序与数据流（dataflow）

Flink程序由三部分组成：Source、Transformation、Sink

• Source负责读取数据源
• Transformation利用各种算子进行处理加个
• Sink负责输出

运行时，Flink上运行的程序会被映射成“逻辑数据流”（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（DAG），程序中的转换运算（Transformations）跟dataflow中的算子（operator）可能是一对一或一对多的关系

（3） 执行图（ExecutionGraph）

Flink程序直接映射成的数据流图是StreamGraph，即逻辑视图，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（也叫执行图），执行图详细说明了程序的执行方式。

Flink的执行图可以分为四层：StreamGraph——》JobGraph——》ExecutionGraph——》物理执行图

• StreamGraph：根据用户通过StreamAPI编写的代码生成的最初的图，用来表示程序的拓扑结构
• 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：
    • 将多个符合条件的节点chain在一起作为一个节点，从而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，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：JobMananger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

下图详细展示了Flink执行图的衍生过程。

（4） 并行度（Parallelism）

Flink程序具有并行、分布式的特性。

执行过程中，一个流包含一个或多个分区，每一个算子可以包含一个或多个子任务，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的执行。

一个特定算子的子任务的个数被称之为并行度，一般把所有算子中最大的并行度称之为一个流程序的并行度；一个程序中，不同的算子可能具有不同的并行度。

如下图中，sink算子的并行度为1，map算子的并行度为2，整个程序的并行度为2。

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。

• One-to-One：Stream维护着分区以及元素的顺序。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中窄依赖
• Redistributing：stream的分区发生改变，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，类似spark中宽依赖

（5） 任务链（Operator Chains）

在上文Flink执行图转换过程中，我们提到，从StreamGraph到JobGraph的过程中，会将符合条件的节点chain到一起，从而优化处理流程，这就是Operator Chains。

相同并行度的one-to-one操作，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：

• 减少线程之间切换和基于缓存区的数据交换
• 减少时延和提升吞吐量

下图中，key Agg算子和Sink算子被链接到了一起：

04 作业失败重启

Flink的作业失败大体可以分为两种原因：集群Master失败和Task执行失败。

（1） 集群Master失败

Flink 支持启动多个 Master 作为备份，这些 Master 可以通过 ZK 来进行选主，从而保证某一时刻只有一个Master 在运行。当前active的 Master 发生异常时 , 某个备份的 Master 可以接管协调的工作。

为了保证Master 可以准确维护作业的状态，Flink 目前采用了一种最简单的实现方式，即直接重启整个作业。

（2） Task执行失败

对于Task执行失败的情况，我们需要逐个分析：

Restart-all

粗暴的直接重启所有Task，即从上一次的Checkpoint开始继续执行Task。

Restart-individual

对于各个Task之间不存在数据传输的情况，我们可以直接重启出错的Task。

Restart-Based

Flink 引入了一种新的 Region-Based 的 Failover 策略，用于处理批处理作业中没有Checkpoint导致的失败重启问题。

Flink 的批处理作业中，Task 之间有两种数据传输方式

• Pipeline：上下游 Task 之间直接通过网络传输数据，需要上下游同时运行
• Blocking：上游的 Task 会首先将数据进行缓存，上下游的 Task 可以单独执行

Flink 将 ExecutionGraph 中使用 Pipeline 方式传输数据的 Task 的子图叫做 Region，从而将整个ExecutionGraph 划分为多个子图。Region 内的 Task 必须同时重启，而不同 Region 的 Task 由于在 Region 边界存在 Blocking 的边，可以单独重启下游 Region 中的 Task

• 如果是由于 Task 本身的问题发生错误，可以只重启该 Task 所属的 Region 中的 Task，这些 Task 重启之后，可以直接拉取上游 Region 缓存的输出结果继续进行计算
• 如果错误是由于读取上游结果出现问题，如网络连接中断、缓存上游输出数据的 TaskExecutor 异常退出等，那么还需要重启上游 Region 来重新产生相应的数据。在这种情况下，如果上游 Region 输出的数据分发方式不是确定性 的（如 KeyBy、Broadcast 是确定性的分发方式，而 Rebalance、Random 则不 是，因为每次执行会产生不同的分发结果），为保证结果正确性，还需要同时重启上游 Region 所有的下游 Region

今天的分享就到这里了，如果感觉有所帮助，动动您的小手给我点个关注吧，感谢~