- Flink概述
1.1 Apache Flink 的诞生背景
1.1.1 什么是大数据
大数据(Big Data):指无法在一定时间内用常规软件工具对其进行获取、存储、管理和处理的数据集合。
大数据的特点:
海量化(Volumes)
多样化(Variety)
快速化(Velocity)
价值化(Value)
1.1.2 大数据计算框架发展历史
(1)史前阶段~2006年
传统数据仓库,Oracle,单机,黑箱使用
(2)Hadoop
分布式,Map-Reduce,离线计算
(3)Spark
批处理,流处理,SQL 高阶 API,内存迭代计算
(4)Flink
流计算,实时、更快,流批一体,Streaming/Batch SQL
1.1.3 为什么需要流式计算
(1)大数据的实时性带来更大价值,比如:
1、监控场景:实时发现业务系统的健康状态,提前避免业务障碍
2、金融风控:实时监测出异常交易行为,及时阻断风险产生
3、实时推荐:应用根据用户的行为数据发掘用户的兴趣、偏好,向用户推荐更感兴趣的内容
(2)大数据实时性的需求,带来了大数据计算架构模式的变化
①批式计算特点:
离线计算,非实时;
静态数据集;
小时/天等周期计算
②流式计算特点:
实时计算,快速、低延迟;
无限流、动态、无边界;
7*24小时持续运行;
流批一体
1.2 为什么 Apache Flink 会脱颖而出
1.2.1 流式计算引擎发展历史
如果从Google对外发布MapReduce论文算起,已经前后跨越将近二十年,业内常用的计算框架演化历史 (红框是流式计算框架)
1.2.2 流式计算引擎对比
1.2.3 Why Flink
Apache Flink是一个可以基于无界和有界数据集之上有状态计算的框架和分布式处理引擎
关于Flink:Exactly-Once(精确一次的计算语义)、状态容错(Checkpoint)、Dataflow(Window等高阶需求支持友好)、流批一体
1.3 Apache Flink 开源生态
- Flink 整体架构
2.1 Flink 分层架构
1、SDK 层
Flink 的 SDK 目前主要有三类,SQL/Table,DataStream,PyFlink
2、执行引擎层(Runtime 层)
执行引擎层提供了统一的 DAG,用来描述数据处理的 Pipeline,不管是流还是批,都会转化为 DAG 图,调度层再把 DAG 转化成分布式环境下的 Task,Task 之间通过 Shuffle 传输数据
3、状态存储层
状态存储层负责存储算子的状态信息
4、资源调度层
目前 Flink 支持部署在多种环境。
2.2 Flink 总体架构
一个 Flink 集群,主要包含以下两个核心部件:
1、JobManager(JM)
负责整个任务的协调工作,包括:调度 Task 、触发协调 Task 做Checkpoint、协调容错恢复等。
JobManager(JM) 主要职责:
(1)Dispatcher:
接收作业,拉起 JobManager 来执行作业,并在 JobMaster 挂掉之后恢复作业;
(2)JobMaster:
管理一个 Job 的整个生命周期,会向 ResourceManager 申请 Slot ,并将 Task 调度到对应 TM 上;
(3)ResourceManager:
负责 Slot 资源的管理与调度, TaskManager 拉起之后会向 RM 注册。
2、TaskManager™
负责执行一个 DataFlow Group 的各个 task 以及 Data Streams 的 buffer 和数据交换。
2.3 Flink 作业示例
流式 WordCount 示例,从 Kafka 中读取一个实时数据流,每 10s 统计一次单词出现次数, DataStream 实现代码如下:
//Sourse
DataStream<String> lines = env.addSourse(new FlinkKafkaConsumer<>(...));
//Transformation
DataStream<String> events = lines.map((line) -> parse(line));
DataStream<Statistics> stats = events.keyBy(event -> event.id)
.timeWindow(Time.seconds(10)).apply(new myWindowAggregationFunction());
//Sink
stats.addSink(new BucketingSink(path));
2.4 Flink 如何做到流批一体
2.4.1 为什么需要流批一体
原有架构下流批分离,数据从数据源分别流向实时数仓(Flink)和离线数仓(Spark/Hive)存在一些痛点
(1)人力成本较高:批、流两套系统,相同逻辑需要开发两遍;
(2)数据链路冗余:本身设计内容是一致的,由于是两套链路,相同逻辑需要运行两遍,产生一定的资源浪费;
(3)数据口径不一致:两套系统、两套算子、两套 UDF ,通常会产生不同程度的误差,这些误差会给业务方带来非常大的困扰
2.4.2 流批一体的挑战
流和批业务场景的特点如下表:
批式计算相比于流式计算核心区别如下表:
2.4.3 Flink 如何做到流批一体
批式计算是流式计算的特例, Everything is Streams ,有界数据集(批式数据)也是一种数据流、一种特殊的数据流。
因此,理论上我们可以用一套引擎架构来解决上述两种场景,只不过需要对不同场景支持相应拓展性、并允许做不同的优化策略。
因此不管是有边界数据集(批式数据)还是无边界数据集, Flink 都可以天然支持,这是 Flink 支持流批一体的基础。并且 Flink 在流批一体上,从上层 API 到底层的处理机制都是统一的,是真正意义上的流批一体。
Apache Flink 主要从以下几个模块来做流批一体:
(1)SQL层;
(2)DataStream API 层统一,批和流都可以使用 DataStream API 来开发;
(3)Scheduler 层架构统一,支持流批场景;
(4)Failover Recovery 层架构统一,支持流批场景;
(5)Shuffle Service 层架构统一,流批场景选择不同的 Shuffle Service。
2.4.4 流批一体的 Scheduler 层
Scheduler 层主要负责将作业的 DAG 转化成在分布式环境中可以执行的 Task。
在1.12之前的 Flink 版本中,Flink 支持以下两种调度模式:
(1)EAGER 模式,常用于 Stream 作业场景,特点是申请一个作业所需要的全部资源,然后同时调度这个作业的全部 Task ,所有的 Task 之间采取 Pipeline 方式进行通信;
(2)LAZY 模式,常用于 Batch 作业场景,特点是先调度上游,等待上游产生数据或结束后再调度下游,类似 Spark 的 Stage 执行模式。
在最新的 Flink 版本中,由 Pipeline 的数据交换方式连接的 Task 构成为一个 Pipeline Region ;本质上不管是流作业还是批作业,都是按照 Pipeline Region 粒度来申请资源和调度任务。
2.4.5 流批一体的 Shuffle Service 层
Shuffle:在分布式计算中,用来连接上下游数据交互的过程叫做 Shuffle。
实际上,分布式计算中所有涉及到上下游衔接的过程,都可以理解为 Shuffle。
针对不同的计算框架,Shuffle 通常有几种不同的实现:
(1)基于文件的 Pull Based Shuffle ,比如 Spark 或 MR,其特点是具有较高的容错性,适合较大规模的批处理作业,由于是基于文件的,它的容错性和稳定性会更好一些
(2)基于 Pipeline 的Push Based Shuffle ,比如 Flink、 Storm、 Presto 等,其特点是低延迟和高性能,但是因为 Shuffle数据没有存储下来,如果是 Batch 任务的话,就需要进行重跑恢复。
流和批 Shuffle 之间的差异:
(1)Shuffle 数据的生命周期:流作业的 Shuffle 数据与 Task 是绑定的,而批作业的 Shuffle 数据与 Task 是解耦的;
(2)Shuffle 数据的存储介质:流作业的生命周期比较短,而且流作业为了实时性,Shuffle 通常存储在内存中,批作业因为数据量比较大以及容错的需求,一般会存储在磁盘里;
(3)Shuffle 的部署方式:流作业 Shuffle 服务和计算节点部署在一起,可以减少网络开销,从而减少 latency,而批作业不同。
Flink 对于流和批提供两种类型 Shuffle,虽然 Streaming 和 Batch Shuffle 在具体的策略上存在一定的差异,但本质上都是为了对数据进行 Re-Partition ,因此不同的 Shuffle 之间是存在一定共性的。
所以 Flink 的目标是提供一套统一的 Shuffle 架构,既可以满足不同 Shuffle 在策略上的定制,同时还能避免在共性需求上进行重复开发。
- Flink 架构优化
3.1 流/批/OLAP 业务场景概述
三种业务场景的特点对比:
三种业务场景解决方案的要求及带来的挑战:
3.2 为什么三种场景可以用一套引擎来解决
通过前述对比分析,可以发现:
(1)批式计算是流式计算的特例, Everything is Streams ,有界数据集(批式数据)也是一种数据流、一种特殊的数据流;
(2)而 OLAP 计算是一种特殊的批式计算,它对并发性和实时性要求更高,其他情况与普通批式作业没有特别大区别。
因此,理论上我们是可以用一套引擎架构来解决上述三种场景,只不过需要对不同场景支持相应的扩展性、并运行做不同的优化策略。
3.3 Flink 如何支持 OLAP 场景
Apache Flink 从流式计算出发,需要想支持 Batch 和 OLAP 场景,就需要解决下面的问题:
(1)Batch 场景需求
①流批一体支持;
②Unify DataStream API;
③Scheduler;
④Shuffle Service;
⑤Failover Recovery。
(2)OLAP 场景需求
①短查询作业场景
②高并发支持;
③极致处理性能。
3.3.1 Flink 做 OLAP 的优势
引擎统一:降低学习成本、提高开发效率、提高维护效率;
既有优势:内存计算、Code-gen、Pipeline Shuffle、Session 模式的MPP架构;
生态支持:跨数据源查询支持、TCP-DS 基准测试性能强。
3.3.2.Flink OLAP 场景的挑战
秒级和毫秒级的小作业;
作业频繁启停,资源碎片;
Latency + QPS的要求。
3.3.3.Flink OLAP 架构现状
Client:提交 SQL Query;
Gateway
接收 Client 提交的 SQLQuery,对 SQL 进行语法解析和查询优化,生成 Flink 作业执行计划,提交给 Session 集群;
Session Cluster
执行作业调度及计算,并返回结果。
3.3.4.Flink 在 OLAP 架构的问题与设想
架构与功能模块:
JobManager 与 ResourceManager 在一个进程内启动,无法对 JobManager 进行水平扩展;
Gateway 与 Flink Session Cluster 互相独立,无法进行统一管理。
作业管理及部署模块:
JobManager 处理和调度作业时,负责的功能比较多,导致单作业处理时间长、并占用了过多的内存;
TaskManager 部署计算任务时,任务初始化部分耗时严重,消耗大量CPU。
资源管理及计算任务调度:
资源申请及资源释放流程链路过长;
Slot 作为资源管理单元,JM 管理 slot 资源,导致 JM 无法感知到 TM 维度的资源分布,使得资源管理完全依赖于 ResourceManager。
其他:
作业心跳与 Failover 机制,并不合适 AP 这种秒级或毫秒级计算场景;
AP 目前使用 Batch 算子进行计算,这些算子初始化比较耗时