Flink学习笔记-----checkpoint的一致性问题

几个一致性的方向

1. 状态一致性
2. 一致性检查点（checkpoint）
3. 端到端（end-to-end）状态一致性
4. 端到端的精确一次（exactly-once）保证
5. Flink+Kafka端到端状态一致性的保证

1 状态一致性

•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。

1 三种级别

at-most-once: 即数据最多计算一次或者不计算代表数据丢失

at-least-once: 数据计算一次，保证数据的完整，但是不能排除重复计算，导致结果不一致

exactly-once: 对数据的计算只是精确到计算一次

2一致性检查点（Checkpoints）

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

下图就是checkpoint一致性检查点

5，6，9这些都是一个输入数据全部完成，由jobManager落盘拷贝保存副本

3 端到端（end-to-end）状态一致性

1. 内部保证 ——checkpoint
2. source 端 —— 可重设数据的读取位置，kafkasource 数据的偏移量
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

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

•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

•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

•实现方式

1. 预写日志
2. 两阶段提交

1 预写日志：

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（一次性写入有可能失败，导致多次写入）

一批写入，会增大延迟，一批次写入失败，数据会重新写入，导致多次写入

2 两阶段提交：

1. 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
2. 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”
3. 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

Ø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。

要求：

1Sink系统必须支持事务提交

2 两个checkpoint 之间必须能开启一个事务，让数据按照事务的方式写入

3 在checkpoint完成通知之前，事务必须是在等待的状态，否则超时会失败

4 Flink+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

1 针对Sink的两阶段提交图解（exactly-once）

整个过程描述：

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，外部kafka关闭事务，提交的数据可以正常消费了。

补充

1 在代码中怎么体现ck呢? 通过env设置checkpoints的模式、状态后端保存的位置等等

// 1.4 状态后端及检查点相关配置
// 1.4.1 设置状态后端
env.setStateBackend(new HashMapStateBackend());

// 1.4.2 开启 checkpoint
env.enableCheckpointing(5000);
// 1.4.3 设置 checkpoint 模式: 精准一次
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
// 1.4.4 checkpoint 存储
env.getCheckpointConfig().setCheckpointStorage("hdfs://hadoop102:8020/gmall2023/stream/" + ckAndGroupId);
// 1.4.5 checkpoint 并发数
env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
// 1.4.6 checkpoint 之间的最小间隔
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(5000);
// 1.4.7 checkpoint  的超时时间
env.getCheckpointConfig().setCheckpointTimeout(10000);
// 1.4.8 job 取消时 checkpoint 保留策略
env.getCheckpointConfig().setExternalizedCheckpointCleanup(RETAIN_ON_CANCELLATION);

2 一次完整的checkpoints是内部barrier到末尾sink，想JOB提交ack完成一次checkpont,

所有算子，都接受到barrier并且完成快照想JB提交完成ack响应，才算是一次完整的checkpoint