flink架构设计与运行流程剖析

一、架构设计

架构设计

 ​

 

各层及相关术语说明

• 物理层
  • 解决flink的部署模式的问题
  • 支持多种部署模式:本地,集群,云及k8s
  • 用户可以根据不同的场景选择不同的部署模式
• 核心层
  • 是flink的核心实现层,负责为上层的接口提供服务
  • Runtime
    • flink的核心计算
  • Optimizer
    • 负责任务的优化
  • Stream Buider
    • 负责对任务进行DAG优化
• API层
  • 面向用户,负责更好的用户开发体验
  • 提供了流计算和批处理的接口,同时在这个基础上又开发了不同的组件库
    • 基于流处理的CEP(Complex event process,复杂事件处理)
    • Table和SQL
    • 基于批处理的机器学习库flinkML
    • 图处理库Gelly
  • API层包括两部分
    • 流处理应用的DataStream API
    • 批处理应用的DataSet API
    • 统一的API,包括直接操作状态和时间等底层数据

二.运行模式

•  运模模式核心区分点
  • 集群生命周期和资源隔离保证
  • 应用程序的main()方法是在客户端还是在集群上执行
• 所有模式分类说明
  • 本地运行模式-local
  • standalone模式-独立Flink集群
  • 集群运行模式
    • 经常是指flink on yarn集群模式，yarn也可以换成mesos,Kubernetes(k8s)等资源管理平台替换。
    • 共3种
      • session模式
      • per-job模式
      • application模式
• 本地运行模式
  • 运行过程：一个机器启动一个进程的多线程来模拟分布式计算。
  • 主要用于代码测试
• standalone模式
  • 运行过程：完全独立的Flink集群的模式，各个环节均Flink自己搞定。并没有yarn、mesos的统一资源调度平台。
  • 主要是只有纯Flink纯计算的场景，商用场景极少。
• 集群运行模式
  • Flink Session 集群(会话模式)
  • 集群生命周期：
    • 在 Flink Session 集群中，客户端连接到一个预先存在的、长期运行的集群，该集群可以接受多个作业提交。即使所有作业完成后，集群（和 JobManager）仍将继续运行直到手动停止 session 为止。因此，Flink Session 集群的寿命不受任何 Flink 作业寿命的约束。
  • 资源隔离：
    • TaskManager slot 由 ResourceManager 在提交作业时分配，并在作业完成时释放。由于所有作业都共享同一集群，因此在集群资源方面存在一些竞争 — 例如提交工作阶段的网络带宽。此共享设置的局限性在于，如果 TaskManager 崩溃，则在此 TaskManager 上运行 task 的所有作业都将失败；再比如，如果 JobManager 上发生一些致命错误，它将影响集群中正在运行的所有作业。
  • 其他注意事项：
    • 拥有一个预先存在的集群可以节省大量时间申请资源和启动 TaskManager。有种应用场景很重要，即启动任务时间长但运行时间比较短的场景，即对端到端的用户体验有较大的好处，能够提升用户体验— 就像对简短查询的交互式分析一样，希望作业可以使用现有资源快速执行计算。
  • Flink Session 集群也被称为 session 模式下的 Flink 集群。
  • 工作模式
  • 附加模式（默认）
    • 特点
      • 客户端与Flink作业集群相互同步
    • 细节描述
      • yarn-session.sh客户端将 Flink 集群提交给 YARN，但客户端保持运行，跟踪集群的状态。
      • 如果集群失败，客户端将显示错误。如果客户端被终止，它也会通知集群关闭。
  • 分离模式（-d或--detached）
    • 特点
      • 客户端与Flink作业集群相互异步，客户端提交完成后即可退出
    • 细节描述
      • yarn-session.sh客户端将Flink集群提交给YARN，然后客户端返回。
      • 需要再次调用客户端或 YARN 工具来停止 Flink 集群。
• 工作流程特征说明
  • 多个不同的FlinkJob向同一个Flink Session会话上提交作业，由这一个统一的FlinkSession管理所有的Flink作业。
  • 工作流程示意图

     

    • 官方示例图

      

    •  经典解析图   

    •  

      

       

 Flink Job 集群(per-job模式）

• 集群生命周期：
  • 在 Flink Job 集群中，可用的集群管理器（例如 YARN）用于为每个提交的作业启动一个集群，并且该集群仅可用于该作业。在这里客户端首先从集群管理器请求资源启动 JobManager，然后将作业提交给在这个进程中运行的 Dispatcher。然后根据作业的资源请求惰性的分配 TaskManager。一旦作业完成，Flink Job 集群将被拆除。
• 资源隔离：
  • JobManager 中的致命错误仅影响在 Flink Job 集群中运行的一个作业。
• 其他注意事项：
  • 由于 ResourceManager 必须应用并等待外部资源管理组件来启动 TaskManager 进程和分配资源，所以其实时计算性并没有session模式强，因此 Flink Job 集群更适合长期运行、具有高稳定性要求且对较长的启动时间不敏感的大型作业。
• Flink Job 集群也被称为 job (or per-job) 模式下的 Flink 集群。
• 工作流程特征说明
  • 多个不同的FlinkJob向各自由统一资源管理器(Yarn)生成的专用Flink Session会话上提交作业，由作业所属的FlinkSession管理自己的Flink作业。
  • 官方示例图

  • 

  • 经典工作流程示意图

  • 

• Flink Application 集群(应用模式)
  • 集群生命周期：
    • Flink Application 集群是与Flink作业执行直接相关的运行模式，并且 main()方法在集群上而不是客户端上运行。
    • 提交作业是一个单步骤过程：
      • 无需先启动 Flink 集群，然后将作业提交到现有的 session 集群。
      • 而是，将应用程序逻辑和依赖打包成一个可执行的作业 JAR 中，由入口机客户端提交jar包和相关资源到hdfs当中。
      • 然后由调度启动的集群当中JobManager来拉取已由上一步上传完成的运行代码所需要的所有资源。如果有JobManager HA设置的话，将会同时启动多个JobManager作HA保障，此时将面临JobManager的选择，最终由一个胜出的JobManager作为Active进程推进下边的执行。
      • 并由运行JobManager进程的集群入口点节点机器（ApplicationClusterEntryPoint）负责调用 main()方法来提取 JobGraph，即作为用户程序的解析和提交的客户端程序与集群进行交互，直到作业运行完成。
      • 另外，如果一个main()方法中有多个env.execute()/executeAsync()调用，在Application模式下，这些作业会被视为属于同一个应用，在同一个集群中执行（如果在Per-Job模式下，就会启动多个集群）
      • 该模式也允许我们像在 Kubernetes 上部署任何其他应用程序一样部署 Flink 应用程序。
      • 因此，Flink Application 集群的寿命与 Flink 应用程序的寿命有关。
  • 资源隔离：
    • 在 Flink Application 集群中，ResourceManager 和 Dispatcher 作用于单个的 Flink 应用程序，相比于 Flink Session 集群，它提供了更好的隔离。
  • Flink Job 集群可以看做是 Flink Application 集群”客户端运行“的替代方案。
  • 该模式为yarn session和yarn per-job模式的折中选择。
  • 工作流程特征说明

     

     

    • 将各个环节更进一步进行专用化处理，相当于每个FlinkJob都有一套专用的服务角色进程。
    • 官方示例图

    • 

    •  经典工作流程示意图

    • 

• 总结
  • 应用场景
    • 本地布署模式：demo、代码测试场景。
    • Session模式：集群资源充分、频繁任务提交、小作业居多、实时性要求高的场景。(该模式较少）
    • Per-Job模式：作业少、大作业、实时性要求低的场景。
    • Application模式：实时性要求不太高、安全性有一定要求均可以使用，普遍适用性最强。
  • 生产环境使用说明
    • 一般建议用per-job或是application模式，提供了更好的资源隔离性和安全性。

三.运行流程

• 核心角色
  • 一个JobManager
  • 一到多个TaskManager

•  流程图

• 

• 角色剖析 
  • JobManager
    • 主要作用就是协调和监控Task,Task的执行顺序,task的任务状态决策等
    • 这个进程由三个不同的组件组成
    • ResourcesManager
      • ResourceManager 负责 Flink 集群中的资源提供、回收、分配 - 它管理 task slots，这是 Flink 集群中资源调度的最小单位。Flink 为不同的环境和资源提供者（例如 YARN、Mesos、Kubernetes 和 standalone 部署）实现了对应的 ResourceManager。在 standalone 设置中，ResourceManager 只能分配可用 TaskManager 的 slots，而不能自行启动新的 TaskManager。
    • Dispatcher
      • Dispatcher 提供了一个 REST 接口，用来提交 Flink 应用程序执行，并为每个提交的作业启动一个新的 JobMaster。它还运行 Flink WebUI 用来提供作业执行信息。
    • JobMaster
      • JobMaster 负责管理单个JobGraph的执行。Flink 集群中可以同时运行多个作业，每个作业都有自己的 JobMaster。
      • 始终至少有一个 JobMaster。高可用（HA）设置中可能有多个 JobMaster，其中一个始终是 leader，其他的则是 standby。
    • TaskManager
      • TaskManager（也称为 worker）执行作业流的 task，并且缓存和交换数据流。
      • 必须始终至少有一个 TaskManager。在 TaskManager 中资源调度的最小单位是 task slot。TaskManager 中 task slot 的数量表示并发处理 task 的数量。请注意一个 task slot 中可以执行多个算子。
    • Yarn模式提交任务的工作流程
      • flink-application运行模式                                

      •