Flink运行架构

四大组件

• 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，这个应用程序会包括：作业图、逻辑数据流图和打包了所有的类、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”，包含了所有可以并发执行的任务。
  • JobManager会向资源管理器请求执行任务必要的资源，也就是任务管理器上的插槽slot、一旦它获取到了足够的资源，就会执行图分发到真正运行他们的TaskManager上。而在运行过程汇总，JobManger会负责所有需要中央协调的操作，比如说检查点的协调。
• 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slot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slot资源时，RM会将有空闲插槽slot的TaskManager分配给JobManager。如果RM没有足够的插槽slot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TM进程的容器。
• 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。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来执行。
  • 在执行过程中，一个TaskManager可以跟其他同一应用程序的TM交换数据。
• 分发器（Dispatcher）
  • 可以跨作业运行，他为应用提供了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功能移交给一个JobManager。
  • Dispatcher也会启动一个Web UI，用来方便的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

standalone 模式任务提交流程

Flink on Yarn 模式任务提交流程

和Spark on Yarn差不多。

任务调度原理

并行度

在代码中可以直接指定算子的子任务（stbtask）个数，算子的子任务个数被称之为其并行度（parallelism）。

Flink中一个TM就是一个JVM进程，他可能会在独立的线程上执行一个或多个子任务。

为了控制一个TM能够接收多个task，TM通过task slot来进行控制。

一个TM至少有一个Slot。

默认情况下，Flink 允许子任务共享 slot，即使它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 具有的并发执行能力

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。

数据传输形式

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，具体是哪一种形式，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）。 这意味着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。

Redistributing：stream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、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