Flink執行引擎中流批一體的示例分析

這篇文章主要為大家展示了“Flink執行引擎中流批一體的示例分析”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“Flink執行引擎中流批一體的示例分析”這篇文章吧。

• 人力成本比較高 。由于流和批是兩套系統，相同的邏輯需要兩個團隊開發兩遍。
• 數據鏈路冗余 。在很多的場景下，流和批計算內容其實是一致，但是由于是兩套系統，所以相同邏輯還是需要運行兩遍，產生一定的資源浪費。
• 數據口徑不一致 。這個是用戶遇到的最重要的問題。兩套系統、兩套算子，兩套 UDF，一定會產生不同程度的誤差，這些誤差給業務方帶來了非常大的困擾。這些誤差不是簡單依靠人力或者資源的投入就可以解決的。

• SDK 層 。Flink 的 SDK 主要有兩類，第一類是關系型 Relational SDK 也就是  SQL/Table，第二類是物理型 Physical SDK 也就是 DataStream。這兩類 SDK 都是流批統一，即不管是 SQL 還是 DataStream，用戶的業務邏輯只要開發一遍，就可以同時在流和批的兩種場景下使用；
• 執行引擎層 。執行引擎提供了統一的 DAG，用來描述數據處理流程 Data Processing Pipeline(Logical Plan)。不管是流任務還是批任務，用戶的業務邏輯在執行前，都會先轉化為此 DAG 圖。執行引擎通過 Unified DAG Scheduler 把這個邏輯 DAG 轉化成在分布式環境下執行的Task。Task 之間通過 Shuffle 傳輸數據，我們通過 Pluggable Unified Shuffle 架構，同時支持流批兩種 Shuffle 方式；
• 狀態存儲 。狀態存儲層負責存儲算子的狀態執行狀態。針對流作業有開源  RocksdbStatebackend、MemoryStatebackend，也有商業化的版本的GemniStateBackend；針對批作業我們在社區版本引入了 BatchStateBackend。

1. 流批一體的 DataStream 介紹了如何通過流批一體的 DataStream 來解決 Flink SDK 當前面臨的挑戰；
2. 流批一體的 DAG Scheduler 介紹了如何通過統一的 Pipeline Region 機制充分挖掘流式引擎的性能優勢；如何通過動態調整執行計劃的方式來改善引擎的易用性，提高系統的資源利用率；
3. 流批一體的 Shuffle 架構介紹如何通過一套統一的 Shuffle 架構既可以滿足不同  Shuffle 在策略上的定制化需求，同時還能避免在共性需求上的重復開發；
4. 流批一體的容錯策略介紹了如何通過統一的容錯策略既滿足批場景下容錯又可以提升流場景下的容錯效果。

SDK 分析以及面臨的挑戰

1. Table/SQL 是一種 Relational 的高級 SDK，主要用在一些數據分析的場景中，既可以支持 Bounded 也可以支持 Unbounded 的輸入。由于 Table/SQL 是  Declarative 的，所以系統可以幫助用戶進行很多優化，例如根據用戶提供的Schema，可以進行 Filter Push Down 謂詞下推、按需反序列二進制數據等優化。目前 Table/SQL 可以支持 Batch 和 Streaming 兩種執行模式。[1]
2. DataStream 屬于一種 Physical SDK。Relatinal SDK 功能雖然強大，但也存在一些局限：不支持對 State、Timer 的操作；由于 Optimizer 的升級，可能導致用相同的 SQL 在兩個版本中出現物理執行計劃不兼容的情況。而 DataStream SDK，既可以支持 State、Timer 維度 Low Level 的操作，同時由于 DataStream 是一種  Imperative SDK，所以對物理執行計劃有很好的“掌控力”，從而也不存在版本升級導致的不兼容。DataStream 目前在社區仍有很大用戶群，例如目前未 Closed 的 DataStream issue 依然有近 500 個左右。雖然 DataStream 即可以支持 Bounded  又可以支持 Unbounded Input 用 DataStream 寫的 Application，但是在 Flink-1.12 之前只支持 Streaming 的執行模式。
3. DataSet 是一種僅支持 Bounded 輸入的 Physical SDK，會根據 Bounded 的特性對某些算子進行做一定的優化，但是不支持 EventTime 和 State 等操作。雖然  DataSet 是 Flink 提供最早的一種 SDK，但是隨著實時化和數據分析場景的不斷發展，相比于 DataStream 和 SQL，DataSet 在社區的影響力在逐步下降。

1. 利用已有 Physical SDK 無法寫出一個真正生產可以用的流批一體的 Application。例如用戶寫一個程序用來處理 Kafka 中的實時數據，那么利用相同的程序來處理存儲在 OSS/S3/HDFS 上的歷史數據也是非常自然的事情。但是目前不管是 DataSet 還是 DataStream 都無法滿足用戶這個“簡單”的訴求。大家可能覺得奇怪，DataStream 不是既支持 Bounded 的 Input 又支持 Unbounded 的 Input，為什么還會有問題呢？其實“魔鬼藏在細節中”，我會在 Unified DataStream 這一節中會做進一的闡述。
2. 學習和理解的成本比較高。隨著 Flink 不斷壯大，越來越多的新用戶加入 Flink 社區，但是對于這些新用戶來說就要學習兩種 Physical SDK。和其他引擎相比，用戶入門的學習成本是相對比較高的；兩種 SDK 在語義上有不同的地方，例如 DataStream 上有 Watermark、EventTime，而 DataSet 卻沒有，對于用戶來說，理解兩套機制的門檻也不小；由于這兩 SDK 還不兼容，一個新用戶一旦選擇錯誤，將會面臨很大的切換成本。

Unified Physical SDK

1. 為什么選擇 DataStream 作為 Unified Physical SDK？

2. Unified DataStream 比“老”的 DataStream 提供了哪些能力讓用戶可以寫出一個真正生產可以用的流批一體 Application？

為什么不是 Unified DataSet

1. 用戶收益 。在前邊已經分析過，隨著 Flink 社區的發展，目前 DataSet 在社區的影響力逐漸下降。如果選擇使用 DataSet 作為 Unified Physical SDK，那么用戶之前在 DataStream 大量“投資”就會作廢。而選擇 DataStream，可以讓許多用戶的已有 DataStream “投資”得到額外的回報；
2. 開發成本 。DataSet 過于古老，缺乏大量對于現代實時計算引擎基本概念的支持，例如 EventTime、Watermark、State、Unbounded Source 等。另外一個更深層的原因是現有 DataSet 算子的實現，在流的場景完全無法復用，例如 Join 等。而對于 DataStream 則不然，可以進行大量的復用。那么如何在流批兩種場景下復用  DataStream 的算子呢？

Unified DataStream

• 效率

• 一致性

1. 資源消耗大 : 使用 Streaming 方式，需要同時拿到所有的資源。在某些情況下，用戶可能沒有這么多資源；
2. 容錯成本高 : 在 Bounded 場景下，為了效率一些算子可能無法支持 Snapshot 操作，一旦出錯可能需要重新執行整個作業。 

1. What to commit?
2. How to commit?
3. Where to commit?
4. When to commit?

Unified DAG Scheduler 要解決什么問題

1. 一種是流的調度模式，在這種模式下，Scheduler 會申請到一個作業所需要的全部資源，然后同時調度這個作業的全部 Task，所有的 Task 之間采取 Pipeline 的方式進行通信。批作業也可以采取這種方式，并且在性能上也會有很大的提升。但是對于運行比較長的 Batch 作業來說來說，這種模式還是存在一定的問題：規模比較大的情況下，同時消耗的資源比較多，對于某些用戶來說，他可能沒有這么多的資源；容錯代價比較高，例如一旦發生錯誤，整個作業都需要重新運行。
2. 一種是批的調度模式。這種模式和傳統的批引擎類似，所有 Task 都是可以獨立申請資源，Task 之間都是通過 Batch Shuffle 進行通訊。這種方式的好處是容錯代價比較小。但是這種運行方式也存在一些短板。例如，Task 之間的數據都是通過磁盤來進行交互，引發了大量的磁盤 IO。

1. 架構不一致、維護成本高 。調度的本質就是進行資源的分配，換句話說就是要解決  When to deploy which tasks to where 的問題。原有兩種調度模式，在資源分配的時機和粒度上都有一定的差異，最終導致了調度架構上無法完全統一，需要開發人員維護兩套邏輯。例如，流的調度模式，資源分配的粒度是整個物理執行計劃的全部 Task；批的調度模式，資源分配的粒度是單個任務，當 Scheduler 拿到一個資源的時候，就需要根據作業類型走兩套不同的處理邏輯；
2. 性能 。傳統的批調度方式，雖然容錯代價比較小，但是引入大量的磁盤 I/O，并且性能也不是最佳，無法發揮出 Flink 流式引擎的優勢。實際上在資源相對充足的場景下，可以采取“流”的調度方式來運行 Batch 作業，從而避免額外的磁盤 I/O，提高作業的執行效率。尤其是在夜間，流作業可以釋放出一定資源，這就為批作業按照“Streaming”的方式運行提供了可能。
3. 自適應 。目前兩種調度方式的物理執行計劃是靜態的，靜態生成物理執行計劃存在調優人力成本高、資源利用率低等問題。

基于 Pipeline Region 的統一調度

自適應調度

1. 配置人力成本高 。對于批作業來說，雖然理論上可以根據統計信息推斷出物理執行計劃中每個階段的并發度，但是由于存在大量的 UDF 或者統計信息的缺失等問題，導致靜態決策結果可能會出現嚴重不準確的情況；為了保障業務作業的 SLA，在大促期間，業務的同學需要根據大促的流量估計，手動調整高優批作業的并發度，由于業務變化快，一旦業務邏輯發生變化，又要不斷的重復這個過程。整個調優過程都需要業務的同學手動操作，人力成本比較高，即便這樣也可能會出現誤判的情況導致無法滿足用戶 SLA;
2. 資源利用率低 。由于人工配置并發度成本比較高，所以不可能對所有的作業都手動配置并發度。對于中低優先級的作業，業務同學會選取一些默認值作為并發度，但是在大多數情況下這些默認值都偏大，造成資源的浪費；而且雖然高優先級的作業可以進行手工并發配置，由于配置方式比較繁瑣，所以大促過后，雖然流量已經下降但是業務方仍然會使用大促期間的配置，也造成大量的資源浪費現象;
3. 穩定性差 。資源浪費的情況最終導致資源的超額申請現象。目前大多數批作業都是采取和流作業集群混跑的方式，具體來說申請的資源都是非保障資源，一旦資源緊張或者出現機器熱點，這些非保障資源都是優先被調整的對象。

流批 Shuffle 之間的差異

1. Shuffle 數據的生命周期 。流作業的 Shuffle 數據和 Task 的生命周期基本是一致的；而批作業的 Shuffle 數據和 Task 生命周期是解耦的；
2. Shuffle 數據的存儲介質 。因為流作業的 Shuffle 數據生命周期比較短，所以可以把流作業的 Shuffle 數據存儲在內存中；而批作業的 Shuffle 數據生命周期有一定的不確定性，所以需要把批作業的 Shuffle 數據存儲在磁盤中；
3. Shuffle 部署方式 [7]。把 Shuffle 服務和計算節點部署在一起，對流作業來說這種部署方式是有優勢的，因為這樣會減少不必要網絡開銷，從而減少 Latency。但對于批作業來說，這種部署方式在資源利用率、性能、穩定性上都存在一定的問題。[8]

流批 Shuffle 之間的共性

1. 數據的 Meta 管理 。所謂 Shuffle Meta 是指邏輯數據劃分到數據物理位置的映射。不管是流還是批的場景，在正常情況下都需要從 Meta 中找出自己的讀取或者寫入數據的物理位置；在異常情況下，為了減少容錯代價，通常也會對 Shuffle Meta 數據進行持久化；
2. 數據傳輸 。從邏輯上講，流作業和批作業的 Shuffle 都是為了對數據進行重新劃分(re-partition/re-distribution)。在分布式系統中，對數據的重新劃分都涉及到跨線程、進程、機器的數據傳輸。

流批一體的 Shuffle 架構

1. Shuffle Master 資源申請和資源釋放。也就是說插件需要通知框架 How to request/release resource。而由 Flink 來決定 When to call it;
2. Shuffle Writer 上游的算子利用 Writer 把數據寫入 Shuffle Service——Streaming Shuffle 會把數據寫入內存；External/Remote Batch Shuffle 可以把數據寫入到外部存儲中;
3. Shuffle Reader 下游的算子可以通過 Reader 讀取 Shuffle 數據；

Pipeline Region Failover

JM Failover