Flink 之状态一致性浅述

1. 概念

  1. 有状态的流处理,内部每个算子任务都可以有自己的状态
  2. 对于流处理器内部来说,所谓的状态一致性,其实就是我们所说的计算结果要保证准确。
  3. 一条数据不应该丢失,也不应该重复计算
  4. 在遇到故障时可以恢复状态,恢复以后的重新计算,结果应该也是完全正确的。

2. 分类

  1. 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

  2. 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。

  3. 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。

3. 一致性检查点(checkpoint)

  • 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

4. 端到端(end-to-end)状态一致性

  • 目前我们看到的一致性保证都是由流处理器实现的,也就是说都是在 Flink 流处理器内部保证的;
  • 而在真实应用中,流处理应用除了流处理器以外还包含了数据源(例如 Kafka)和输出到持久化系统。
  • 端到端的一致性保证,意味着结果的正确性贯穿了整个流处理应用的始终;每一个组件都保证了它自己的一致性。
  • 整个端到端的一致性级别取决于所有组件中一致性最弱的组件。

5. 端到端的精确一次(exactly-once)保证

1、内部保证 —— checkpoint机制

2、source 端 —— 可重设数据的读取位置

3、sink 端 —— 从故障恢复时,数据不会重复写入外部系统

3.1 幂等写入(Idempotent Writes)
  • 所谓幂等操作,是说一个操作,可以重复执行很多次,但只导致一次结果更改,也就是说,后面再重复执行就不起作用了
3.2 事务写入(Transactional Writes)

1、事务(Transaction)

  • 应用程序中一系列严密的操作,所有操作必须成功完成,否则在每个操作中所作的所有更改都会被撤消。
  • 具有原子性:一个事务中的一系列的操作要么全部成功,要么一个都不做

2、实现思想

  • 构建的事务对应着 checkpoint,等到 checkpoint 真正完成的时候,才把所有对应的结果写入 sink 系统中。

3、实现方式

  • 预写日志(Write-Ahead-Log,WAL)

    • 把结果数据先当成状态保存,然后在收到 checkpoint 完成的通知时,一次性写入 sink 系统。
    • 简单易于实现,由于数据提前在状态后端中做了缓存,所以无论什么 sink 系统,都能用这种方式一批搞定。
    • DataStream API 提供了一个模板类:GenericWriteAheadSink,来实现这种事务性 sink。
  • 两阶段提交(Two-Phase-Commit,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。

注1:2PC 对外部 sink 系统的要求

  • 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

注2:不同 Source 和 Sink 的一致性保证
在这里插入图片描述

6. Fllink+Kafka 端到端状态一致性的保证.

  1. 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。
  2. 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。
  3. sink —— kafka producer 作为sink,采用两阶段提交 sink,需要实现一个TwoPhaseCommitSinkFunction

注3:Exactly-once 两阶段提交
1. 原理

  1. JobManager 协调各个 TaskManager 进行 checkpoint 存储.

  2. checkpoint保存在 StateBackend中,默认StateBackend是内存级的,也可以改为文件级的进行持久化保存。
    在这里插入图片描述

  3. 当 checkpoint 启动时,JobManager 会将检查点分界线(barrier)注入数据流barrier会在算子间传递下去。
    在这里插入图片描述

  4. 每个算子会对当前的状态做个快照,保存到状态后端;checkpoint 机制可以保证内部的状态一致性。
    在这里插入图片描述

  5. 每个内部的 transform 任务遇到 barrier 时,都会把状态存到 checkpoint 里;sink 任务首先把数据写入外部 kafka,这些数据都属于预提交的事务;遇到 barrier 时,把状态保存到状态后端,并开启新的预提交事务。
    在这里插入图片描述

  6. 当所有算子任务的快照完成,也就是这次的 checkpoint 完成时,JobManager 会向所有任务发通知,确认这次 checkpoint 完成。sink 任务收到确认通知,正式提交之前的事务,kafka 中未确认数据改为“已确认”
    在这里插入图片描述

2. 步骤

  1. 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”。
  2. 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。
  3. 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。
  4. jobmanager 收到所有任务的通知,发出确认信息,表示 checkpoint 完成。
  5. sink 任务收到 jobmanager 的确认信息,正式提交这段时间的数据。
  6. 外部kafka关闭事务,提交的数据可以正常消费了。
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Doctor_96

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值