Flink的端到端的一致性保证以及二阶段提交

Flink的端到端的一致性保证

状态一致性：
有状态的流处理，内部每个算子都可以有自己的状态
对于处理器内部而言，所谓的状态一致性，其实就是我们所说的计算的结果要保证准确
一条数据都不应该丢失，也不应该重复计算同一个数据
在遇到故障时可以恢复，恢复之后重新计算，计算的结果也应该正确不受影响

故障恢复时的三种一致性要求：
AT-MOST-ONCE（最多一次）
当任务故障时，最简单的做法是什么都不干，既不恢复丢失的状态，也不重播丢失的数据。At-most-once 语义的含义是最多处理一次事件。
AT-LEAST-ONCE（至少一次）
在大多数的真实应用场景，我们希望不丢失事件。这种类型的保障称为 at-least-once，意思是所有的事件都得到了处理，而一些事件还可能被处理多次。
EXACTLY-ONCE（精确一次）
恰好处理一次是最严格的保证，也是最难实现的。恰好处理一次语义不仅仅意味着没有事件丢失，还意味着针对每一个数据，内部状态仅仅更新一次

一致性检查点： （一致性检查点的三种算法：https://blog.csdn.net/sghuu/article/details/103677209）

Flink 使用了一种轻量级快照机制 —— 检查点（checkpoint）来保证 exactly-once 语义
有状态流应用的一致检查点，其实就是：所有任务的状态，在某个时间点的一份拷贝（一份快照）。而这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候。
应用状态的一致检查点，是 Flink 故障恢复机制的核心

端到端状态一致性，意味者正确的结果贯穿着这整个流处理应用的始终，每一个组件都要保证他自己的一致性，整个端到端一致性级别取决于所有组件中最弱的组件

在flink中主要在于：
1.source端 - 可重设数据的读取位置

2.内部计算处理的保证 - 检查点的状态一致性保证

3.sink端-从故障恢复时，数据不会重复写入到外部的系统
1）幂等性写入 ：可以重复执行很多次，但是只会导致一次结果的更改，后面的操作不起作用
2）事务写入 :应用程序中一系列严密操作，所有操作要么成功完成，否在每个操作都会被撤销
具有原子性，一个事务中的一系列操作要么全部成功，要么一个都不成功
构建的事务对应上flink的checkpoint，等到checkpoint成功时才把该checkpoint对应的数据写入到外部
事务的实现方式：
一.预写日志的形式
把结果数据先当成状态保存，然后收到checkPoint完成的通知时，一次性写入到sink系统中
简单易于实现，由于数据提前做了缓存交给了状态后端管理，所有物料说明sink系统都能用这种方式实现 flink提供了GenericWriteAheadSink模板来实现这种事务性的sink

二.两阶段提交 2pc
对于每个 checkpoint，sink 任务会启动一个事务，并将接下来所有接收的数据添加到事务里
然后将这些数据写入外部 sink 系统，但不提交它们 —— 这时只是“预提交”）
当它收到 checkpoint 完成的通知时，它才正式提交事务，实现结果的真正写入
这种方式真正实现了 exactly-once，它需要一个提供事务支持的外部 sink 系统。Flink 提供了 TwoPhaseCommitSinkFunction 接口。
外部 sink 系统必须提供事务支持，或者 sink 任务必须能够模拟外部系统上的事务
在 checkpoint 的间隔期间里，必须能够开启一个事务并接受数据写入
在收到 checkpoint 完成的通知之前，事务必须是“等待提交”的状态。在故障恢复的情况下，这可能需要一些时间。如果这个时候sink系统关闭事务（例如超时了），那么未提交的数据就会丢失
sink 任务必须能够在进程失败后恢复事务
提交事务必须是幂等操作
kafka-flink-kafka端到端状态一致性的保证：

内部 —— 利用 checkpoint 机制，把状态存盘，发生故障的时候可以恢复，保证内部的状态一致性

source —— kafka consumer 作为 source，可以将偏移量保存下来，如果后续任务出现了故障，恢复的时候可以由连接器重置偏移量，重新消费数据，保证一致性

flink在消费kafka的数据时，在恢复状态时并不会使用kafka自己维护的offset，假设：使用kafka自己维护的offset，当从kafka消费的数据没有处理完时flink出现故障，flink恢复状态从kafka维护的offset消费的话，会丢失在flink中未处理的数据，所有这样是不合理的。
当flink故障时，flink恢复状态时，会从上次flink 的source保存的状态获取到上次消费的位置（即上次检查点界限位置），并且从该位置消费kafka的数据

sink —— kafka producer 作为sink，采用两阶段提交 sink，需要实现一个 TwoPhaseCommitSinkFunction
步骤：
第一条数据来了之后，开启一个 kafka 的事务（transaction），正常写入 kafka 分区日志但标记为未提交，这就是“预提交”
jobmanager 触发 checkpoint 操作，barrier 从 source 开始向下传递，遇到 barrier 的算子将状态存入状态后端，并通知 jobmanager
sink 连接器收到 barrier，保存当前状态，存入 checkpoint，通知 jobmanager，并开启下一阶段的事务，用于提交下个检查点的数据
jobmanager 收到所有任务的通知，发出确认信息，表示 checkpoint 完成
sink 任务收到 jobmanager 的确认信息，正式提交这段时间的数据
外部kafka关闭事务，提交的数据可以正常消费了。