Flink基础02-Flink运行架构

目录：
Flink运行时的组件
任务提交流程
任务调度原理

作业管理器（JobManager）
控制一个应用程序执行的主进程，即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，这个应用程序会包括：作业图（JobGraph）、逻辑数据流图（logical dataflow graph）和打包了所有的类、库和其他资源的JAR包
JobManager会把JobGraph转换成一个物理层面的数据流图，这个图被叫做“执行图”（ExecutionGraph），包含了所有可以并发执行的任务
JobManager会向资源管理器（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）。一旦它获取到了足够的资源，就会将执行图分发到真正运行它们的TaskManager上。而在运行过程中，JobManager会负责所有需要中央协调的操作，比如说检查点（checkpoints）的协调

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都包含了一定数量的插槽（slots）。插槽的数量限制了TaskManager能够执行的任务数量
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可以跟其他运行同一应用程序的TaskManager交换数据

资源管理器（ResourceManager）
主要负责管理任务管理器（TaskManager）的插槽（slot），TaskManager插槽是Flink中定义的处理资源单元。
Flink为不同的环境和资源管理工具提供了不同资源管理器，比如YARN、Mesos、K8s，以及standalone部署
当JobManager申请插槽资源时，ResourceManager会将空闲插槽的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。

分发器（Dispatcher）
可以跨作业运行，它为应用提交提供了REST接口
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。

任务提交流程

任务提交流程（YARN）

任务调度原理

TaskManager和Slots

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（子任务）
为了控制一个TaskManager能接受多少个task，taskManager通过task slot来进行控制（一个TaskManager至少有一个Slot）

默认情况下，Flink允许子任务共享slot，即使他们是不同任务的子任务。这样的结果是，一个slot可以保存作业的整个管道
Task Slot是静态的概念，是指TaskManager具有并发执行能力

程序与数据流（DataFlow）

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

执行图（ExecutionGraph）
Flink中的执行图可以分成四层：StreamGraph -> JobGraph ->ExecutionGraph ->物理执行图
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
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
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。
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。

并行度（Parallelism）

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stream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
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，取决于算子的种类
One-to-one：stream维护着分区以及元素的顺序（比如source和map之间）。着意味着map算子的子任务看到的元素的个数以及顺序跟source算子的只任务生产的元素的个数、顺序相同。map、filter、flatMap等算子都是one-to-one的对应关系。
Redistributing：stream的分区会发生改变。每一个算子的子任务一句所选择的transformation发送数据到不同的目标任务。例如，keyBy基于hashCode重分区、而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。

任务链（Operator Chains）
Flink采用了一种称为任务链的优化技术，可以在 特定条件下减少本地通信的开销。为了满足任务链的要求，必须将两个或多个算子设为相同的并行度，并通过本地转发（local forward）的方式进行连接
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subtask
并行度相同、并且是one-to-one操作，两个条件缺一不可
附思维导图：