1. 概念
- 有状态的流处理,内部每个算子任务都可以有自己的状态
- 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。
- 一条数据不应该丢失,也不应该重复计算
- 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
-
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
-
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。
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
6. Fllink+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。
- 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
-
JobManager 协调各个 TaskManager 进行 checkpoint 存储.
-
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。
-
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。
-
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。
-
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。
-
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”
2. 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。