Flink中StateBackend（工作状态）与Checkpoint（状态快照）的关系

PONY LEE

已于 2024-01-31 09:53:55 修改

阅读量1.4k

点赞数 22

分类专栏： Flink 文章标签： flink 大数据

于 2024-01-30 21:37:08 首次发布

本文链接：https://blog.csdn.net/weixin_38251332/article/details/135938377

版权

Flink 专栏收录该内容

25 篇文章 0 订阅

订阅专栏

State Backends

由 Flink 管理的 keyed state 是一种分片的键/值存储，每个 keyed state 的工作副本都保存在负责该键的 taskmanager 本地中。另外，Operator state 也保存在机器节点本地。Flink 定期获取所有状态的快照，并将这些快照复制到持久化的位置，例如分布式文件系统。

如果发生故障，Flink 可以恢复应用程序的完整状态并继续处理，就如同没有出现过异常。

Flink 管理的状态存储在 state backend 中。Flink 有两种 state backend 的实现：

一种基于 RocksDB 内嵌 key/value 存储将其工作状态保存在磁盘上的，将其状态快照持久化到（分布式）文件系统；
另一种基于堆的 state backend，将其工作状态保存在 Java 的堆内存中。这种基于堆的 state backend 有两种类型：
- FsStateBackend，将其状态快照持久化到（分布式）文件系统；
- MemoryStateBackend，它使用 JobManager 的堆保存状态快照。

在这里插入图片描述

当使用基于堆的 state backend 保存状态时，访问和更新涉及在堆上读写对象。但是对于保存在 RocksDBStateBackend 中的对象，访问和更新涉及序列化和反序列化，所以会有更大的开销。但 RocksDB 的状态量仅受本地磁盘大小的限制。还要注意，只有 RocksDBStateBackend 能够进行增量快照，这对于具有大量变化缓慢状态的应用程序来说是大有裨益的。

所有这些 state backends 都能够异步执行快照，这意味着它们可以在不妨碍正在进行的流处理的情况下执行快照。

Checkpoint

Flink 定期对每个算子的所有状态进行持久化快照，并将这些快照复制到更持久的地方，例如分布式文件系统。如果发生故障，Flink 可以恢复应用程序的完整状态并恢复处理，就好像没有出现任何问题一样。

这些快照的存储位置是通过作业_checkpoint storage_定义的。有两种可用检查点存储实现：一种持久保存其状态快照到一个分布式文件系统，另一种是使用 JobManager 的堆。

在这里插入图片描述

Flink不同版本StateBackend（状态）与Checkpoint Storage（快照）关系

在Flink1.14之前StateBackend与Checkpoint Storage 耦合在一起，但在Flink1.14之后把StateBackend与Checkpoint Storage 实现了解耦，使逻辑更加清晰。

Flink1.14之前

基于 RocksDB state backend，状态快照持久化到（分布式）文件系统；

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(new RocksDBStateBackend("hdfs://namenode:8020/data/rocksdb/ck", true));//true: 增量checkpoint; false:全量checkpoint
env.setStateBackend(new RocksDBStateBackend("file:///data/rocksdb/ck", true));//本地文件系统

基于heap state backend，状态快照持久化到（分布式）文件系统；

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(new FsStateBackend("hdfs://namenode:8020/data/fs/ck"));//远程分布式文件系统
env.setStateBackend(new FsStateBackend("file:///data/fs/ck"));//本地文件系统

基于heap state backend，使用 JobManager 的堆保存状态快照。

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(new MemoryStateBackend());

Flink1.14之后（推荐使用）

基于 RocksDB state backend，状态快照持久化到（分布式）文件系统；

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(new EmbeddedRocksDBStateBackend(true));//true: 增量checkpoint; false:全量checkpoint
env.getCheckpointConfig().setCheckpointStorage("hdfs://namenode:8020/data/rocksdb/ck");//远程分布式文件系统
env.getCheckpointConfig().setCheckpointStorage("file:///data/rocksdb/ck");//本地文件系统

flink-conf.yaml配置：

 state.backend: rocksdb
 state.checkpoints.dir: hdfs:///checkpoints/

基于heap state backend，状态快照持久化到（分布式）文件系统；

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(new HashMapStateBackend());
env.getCheckpointConfig().setCheckpointStorage("hdfs://namenode:8020/data/fs/ck");//远程分布式文件系统
env.getCheckpointConfig().setCheckpointStorage("file:///data/fs/ck");//本地文件系统

flink-conf.yaml配置：

 state.backend: hashmap
 state.checkpoints.dir: hdfs:///checkpoints/

基于heap state backend，使用 JobManager 的堆保存状态快照。

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(new HashMapStateBackend());
env.getCheckpointConfig().setCheckpointStorage(new JobManagerCheckpointStorage());

flink-conf.yaml配置：

 state.backend: hashmap
 state.checkpoint-storage: jobmanager

总结

默认情况下 checkpoint 是禁用的，需要手动开启：

env.enableCheckpointing(long interval, CheckpointingMode mode)
默认情况下，StateBackend是保持在 TaskManagers 的heap内存中，checkpoint 保存在 JobManager 的内存中。
只有基于 RocksDB state backend的状态快照才支持增量checkpoint，基于heap的并不支持
Flink状态分为Keyed State和非keyed State:
- Keyed State，可以使用RocksDB state backend和heap state backend。所有支持的状态类型如下所示：
  - ValueState: 保存一个可以更新和检索的值（如上所述，每个值都对应到当前的输入数据的 key，因此算子接收到的每个 key 都可能对应一个值）。这个值可以通过 update(T) 进行更新，通过 T value() 进行检索。
  - ListState: 保存一个元素的列表。可以往这个列表中追加数据，并在当前的列表上进行检索。可以通过 add(T) 或者 addAll(List) 进行添加元素，通过 Iterable get() 获得整个列表。还可以通过 update(List) 覆盖当前的列表。
  - ReducingState: 保存一个单值，表示添加到状态的所有值的聚合。接口与 ListState 类似，但使用 add(T) 增加元素，会使用提供的 ReduceFunction 进行聚合。
  - AggregatingState<IN, OUT>: 保留一个单值，表示添加到状态的所有值的聚合。和 ReducingState 相反的是, 聚合类型可能与添加到状态的元素的类型不同。接口与 ListState 类似，但使用 add(IN) 添加的元素会用指定的 AggregateFunction 进行聚合。
  - MapState<UK, UV>: 维护了一个映射列表。你可以添加键值对到状态中，也可以获得反映当前所有映射的迭代器。使用 put(UK，UV) 或者 putAll(Map<UK，UV>) 添加映射。使用 get(UK) 检索特定 key。使用 entries()，keys() 和 values() 分别检索映射、键和值的可迭代视图。你还可以通过 isEmpty() 来判断是否包含任何键值对。
- 非keyed State，不使用 RocksDB state backend，需要保存在内存中，包括：
  - 算子状态 (Operator State)；
  - 广播状态 (Broadcast State)，尤其需要考虑保证充足的内存；
  - 自定义 Operator State：CheckpointedFunction 接口提供了访问 non-keyed state 的方法，需要实现如下两个方法：
    
    void snapshotState(FunctionSnapshotContext context) throws Exception;
    void initializeState(FunctionInitializationContext context) throws Exception;

参考：

Fault Tolerance via State Snapshots

PONY LEE

关注

22
点赞
踩
20

收藏

觉得还不错? 一键收藏
0
评论
Flink中StateBackend（工作状态）与Checkpoint（状态快照）的关系

只有基于 RocksDB state backend的状态快照才支持增量checkpoint，基于heap的并不支持默认情况下 checkpoint 是禁用的，需要手动开启：Flink状态分为Keyed State和非keyed State:Keyed State，可以使用RocksDB state backend和heap state backend。
复制链接

扫一扫