Flink状态（State）管理和恢复原理解析

一、状态（State）

    1、介绍  

          我们在前面写的word count的例子（上篇博客中有的）,没有包含状态管理。如果一个task在处理过程中挂掉了，那么它在内存中的状态都会丢失，所有的数据都需要重新计算。从容错和消息处理语义上（at last once,exactly once）,从而Flink引入了state和checkpoint。

          State一般指一个集体的task/opearator的状态（state默认保存在java的堆内存中），

           checkpoint（(和spark的chekpoint类似)，可以理解为checkpoint是把state数据持久存储了）表示了一个Flink Job在一个特定时刻的一份全局状态快照，即包含了所有task/operator的状态。

           State可以被记录，在失败的情况下数据还可以恢复

  2、分类

       Flink中有两种基本类型的State ：

                                    Keyed State

                                    Operator State

       Keyed State和Operator State，可以以两种形式存在：

                                                          原始状态(raw state)

                                                          托管状态(managed state)

          托管状态是由Flink框架管理的状态。而原始状态，由用户自行管理状态具体的数据结构，框架在做checkpoint的时候，使用byte[]来读写状态内容，对其内部数据结构一无所知。

         通常在DataStream上的状态推荐使用托管的状态，当实现一个用户自定义的operator时，会使用到原始状态

 

State-Keyed State

1、介绍

          顾名思义，就是基于KeyedStream上的状态。这个状态是跟特定的key绑定的，对KeyedStream流上的每一个key，都对应一个state。    stream.keyBy(…)

  ​​​​​2、保存state的数据结构

• ValueState<T>:即类型为T的单值状态。这个状态与对应的key绑定，是最简单的状态了。它可以通过update方法更新状态值，通过value()方法获取状态值
• ListState<T>:即key上的状态值为一个列表。可以通过add方法往列表中附加值；也可以通过get()方法返回一个Iterable<T>来遍历状态值
• ReducingState<T>:这种状态通过用户传入的reduceFunction，每次调用add方法添加值的时候，会调用reduceFunction，最后合并到一个单一的状态值
• MapState<UK, UV>:即状态值为一个map。用户通过put或putAll方法添加元素

       需要注意的是，以上所述的State对象，仅仅用于与状态进行交互（更新、删除、清空等），而真正的状态值，有可能是存在内存、磁盘、或者其他分布式存储系统中。相当于我们只是持有了这个状态的句柄。

3、例子

 State-Operator State

  1、介绍

          与Key无关的State，与Operator绑定的state，整个operator只对应一个state

 2、保存的数据结构 

           ListState<T>

  3、例子

    Flink中的Kafka Connector，就使用了operator state。它会在每个connector实例中，保存该实例中消费topic的所有(partition, offset)映射

 

二、状态容错和恢复

1、介绍

         Flink的状态容错依靠于checkpoint机制，保证exactly-once

         注意：只能保证Flink系统内的exactly-once ,对于source和sink需要依赖外部的组件一同保证

生成快照：

恢复快照：

2、Checkpoint简介

• 为了保证state的容错性，Flink需要对state进行checkpoint。
• Checkpoint是Flink实现容错机制最核心的功能，它能够根据配置周期性地基于Stream中各个Operator/task的状态来生成快照，从而将这些状态数据定期持久化存储下来，当Flink程序一旦意外崩溃时，重新运行程序时可以有选择地从这些快照进行恢复，从而修正因为故障带来的程序数据异常

Flink的checkpoint机制可以与(stream和state)的持久化存储交互的前提

• 持久化的source，它需要支持在一定时间内重放事件。这种sources的典型例子是持久化的消息队列（比如Apache Kafka，RabbitMQ等）或文件系统（比如HDFS，S3，GFS等）
• 用于state的持久化存储，例如分布式文件系统（比如HDFS，S3，GFS等）

3、CheckPoint的配置 

          默认checkpoint功能是disabled的，想要使用的时候需要先启用

          checkpoint开启之后，默认的checkPointMode是Exactly-once

           checkpoint的checkPointMode有两种，Exactly-once和At-least-once

          Exactly-once对于大多数应用来说是最合适的。At-least-once可能用在某些延迟超低的应用程序（始终延迟为几毫秒）

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 每隔1000 ms进行启动一个检查点【设置checkpoint的周期】
env.enableCheckpointing(1000);
// 高级选项：
// 设置模式为exactly-once （这是默认值）
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
// 确保检查点之间有至少500 ms的间隔【checkpoint最小间隔】
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
// 检查点必须在一分钟内完成，或者被丢弃【checkpoint的超时时间】
env.getCheckpointConfig().setCheckpointTimeout(60000);
// 同一时间只允许进行一个检查点
env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
// 表示一旦Flink处理程序被cancel后，会保留Checkpoint数据，以便根据实际需要恢复到指定的Checkpoint【详细解释见备注】
env.getCheckpointConfig().enableExternalizedCheckpoints(ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);

4、State Backend (状态的后端存储)   

        默认情况下，state会保存在taskmanager的内存中，checkpoint会存储在JobManager的内存中。

        state 的store和checkpoint的位置取决于State Backend的配置 env.setStateBackend(…)

        一共有三种State Backend :

• MemoryStateBackend
• FsStateBackend
• RocksDBStateBackend

MemoryStateBackend

       state数据保存在java堆内存中，执行checkpoint的时候，会把state的快照数据保存到jobmanager的内存中

基于内存的state backend在生产环境下不建议使用

FsStateBackend

        state数据保存在taskmanager的内存中，执行checkpoint的时候，会把state的快照数据保存到配置的文件系统中

可以使用hdfs等分布式文件系统

RocksDBStateBackend

          RocksDB跟上面的都略有不同，它会在本地文件系统中维护状态，state会直接写入本地rocksdb中。同时它需要配置一个远端的filesystem uri（一般是HDFS），在做checkpoint的时候，会把本地的数据直接复制到filesystem中。fail over的时候从filesystem中恢复到本地

         RocksDB克服了state受内存限制的缺点，同时又能够持久化到远端文件系统中，比较适合在生产中使用4

修改State Backend的两种方式

第一种：单任务调整
修改当前任务代码
env.setStateBackend(new FsStateBackend("hdfs://namenode:9000/flink/checkpoints"));
或者new MemoryStateBackend()
或者new RocksDBStateBackend(filebackend, true);【需要添加第三方依赖】
第二种：全局调整
修改flink-conf.yaml
state.backend: filesystem
state.checkpoints.dir: hdfs://namenode:9000/flink/checkpoints
注意：state.backend的值可以是下面几种：jobmanager(MemoryStateBackend), filesystem(FsStateBackend), rocksdb(RocksDBStateBackend)

5、Restart Strategies(重启策略)

       Flink支持不同的重启策略，以在故障发生时控制作业如何重启

        集群在启动时会伴随一个默认的重启策略，在没有定义具体重启策略时会使用该默认策略。 如果在工作提交时指定了一个重启策略，该策略会覆盖集群的默认策略

        默认的重启策略可以通过 Flink 的配置文件 flink-conf.yaml 指定。配置参数 restart-strategy 定义了哪个策略被使用。

常用的重启策略：

• 固定间隔 (Fixed delay)
• 失败率 (Failure rate)
• 无重启 (No restart)

    如果没有启用 checkpointing，则使用无重启 (no restart) 策略。

     如果启用了 checkpointing，但没有配置重启策略，则使用固定间隔 (fixed-delay) 策略，其中 Integer.MAX_VALUE 参数是尝试重启次数

     重启策略可以在flink-conf.yaml中配置，表示全局的配置。也可以在应用代码中动态指定，会覆盖全局配置

1、重启策略之固定间隔 (Fixed delay)

第一种：全局配置 flink-conf.yaml
restart-strategy: fixed-delay
restart-strategy.fixed-delay.attempts: 3
restart-strategy.fixed-delay.delay: 10 s
第二种：应用代码设置
env.setRestartStrategy(RestartStrategies.fixedDelayRestart(
  3, // 尝试重启的次数
  Time.of(10, TimeUnit.SECONDS) // 间隔
));

2、重启策略之失败率 (Failure rate)

第一种：全局配置 flink-conf.yaml
restart-strategy: failure-rate
restart-strategy.failure-rate.max-failures-per-interval: 3
restart-strategy.failure-rate.failure-rate-interval: 5 min
restart-strategy.failure-rate.delay: 10 s
第二种：应用代码设置
env.setRestartStrategy(RestartStrategies.failureRateRestart(
  3, // 一个时间段内的最大失败次数
  Time.of(5, TimeUnit.MINUTES), // 衡量失败次数的是时间段
  Time.of(10, TimeUnit.SECONDS) // 间隔
));

3、 重启策略之无重启 (No restart)       

第一种：全局配置 flink-conf.yaml
restart-strategy: none
第二种：应用代码设置
env.setRestartStrategy(RestartStrategies.noRestart());