Flink容错机制介绍

Posted 2023-04-02 王亭_666

Flink容错机制介绍

1.状态一致性

​ 一致性实际上是"正确性级别"的另一种说法，是在成功处理故障并恢复之后得到的结果。

1-1.一致性级别

在流处理中，一致性可以分为3个级别

• 最多一次 - at-most-once
  • 故障发生之后，计数结果可能丢失
• 至少一次 - at-least-once
  • 计数结果可能大于正确值，但绝不会小于正确值。也就是说，计数程序在发生故障后可能多算，但是绝不会少算
• 严格一次 - exactly-once
  • 系统保证在发生故障后得到的计数结果与正确值一致；既不多算也不少算

Flink可以做到既保证严格一次exactly-once，又具有低延迟和高吞吐的处理能力。

1-2.端到端状态一致性

​ 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

• source 端

  • 需要外部源可重设数据的读取位置。例如Kafka Source具有这种特性: 读取数据的时候可以指定offset

• Flink 内部

  • 使用checkpoint机制实现

• sink 端

  • 需要保证从故障恢复时，数据不会重复写入外部系统

    • 幂等（Idempotent）写入

      ​ 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

    • 事务性（ Transactional ）写入

      ​ 需要构建事务来写入外部系统，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。对于事务性写入，具体又有两种实现方式：预写日志（WAL）和两阶段提交（2PC）

2.Checkpoint-检查点

2-1.Flink的检查点算法

在流处理中，我们可以借鉴电脑游戏中的游戏存档，下一次玩游戏读档接着玩的思路；把之前的计算结果做个保存，这样重启之后就可以继续处理新数据、而不需要重新计算。进一步地，我们知道在有状态的流处理中， 任务继续处理新数据，并不需要“之前的计算结果”，而是需要任务“之前的状态”。所以我们最终的选择，就是将之前某个时间点所有的状态保存下来，这份“存档”就是所谓的“检查点”。

​ checkpoint机制是Flink可靠性的基石，可以保证Flink集群在某个算子因为某些原因(如 异常退出)出现故障时，能够将整个应用流图的状态恢复到故障之前的某一状态，保证应用流图状态的一致性。

快照实现算法：

• 简单算法——暂停应用, 然后开始做检查点, 再重新恢复应用
• Flink的改进Checkpoint算法，Flink的checkpoint机制原理来自"Chandy-Lamport algorithm"算法( 分布式快照算法 )的一种变体: 异步 barrier 快照（ asynchronous barrier snapshotting ）

​ 每个需要checkpoint的应用在启动时，Flink的JobManager为其创建一个检查点协调器CheckpointCoordinator，CheckpointCoordinator全权负责本应用的快照制作

2-2.Barrier介绍

​ 流的barrier是Flink的Checkpoint中的一个核心概念。可以理解成流数据中加入一个个分界线，多个barrier被插入到数据流中，然后作为数据流的一部分随着数据流动( 有点类似于Watermark )。这些barrier不会跨越流中的数据。
​ 每个barrier会把数据流分成两部分: 一部分数据进入当前的快照 , 另一部分数据进入下一个快照。每个barrier携带着快照的id。barrier 不会暂停数据的流动，所以非常轻量级。在流中，同一时间可以有来源于多个不同快照的多个barrier，这个意味着可以并发的出现不同的快照。

2-3.Flink检查点制作过程

第一步：Checkpoint Coordinator 向所有 source 节点 trigger Checkpoint。然后Source Task会在数据流中安插CheckPoint barrier

（ 检查点协调器向所有source接入流节点，触发检查点。然后source任务会再数据流中安插检查点分界线 ）

第二步：source 节点向下游广播 barrier，这个 barrier 就是实现 Chandy-Lamport 分布式快照算法的核心，下游的 task 只有收到所有进来的 barrier 才会执行相应的 Checkpoint

第三步：当 task 完成 state checkpoint后，会将备份数据的地址（state handle）通知给 Checkpoint coordinator

第四步：下游的 sink 节点收集齐上游两个 input 的 barrier 之后，会执行本地快照，这里特地展示了 RocksDB incremental Checkpoint 的流程，首先 RocksDB 会全量刷数据到磁盘上（红色大三角表示），然后 Flink 框架会从中选择没有上传的文件进行持久化备份（紫色小三角）

第五步：sink 节点在完成自己的 Checkpoint 之后，会将 state handle 返回通知 Coordinator

第六步：当 Checkpoint coordinator 收集齐所有 task 的 state handle，就认为这一次的 Checkpoint 全局完成了，向持久化存储中再备份一个 Checkpoint meta 文件。

2-4.严格一次语义——barrier对齐

​ 在多并行度下，如果要实现严格一次，则要执行barrier对齐。
​ 当 job graph 中的每个 operator 接收到 barriers 时，就会记录下其状态。拥有两个输入流的 Operators（例如 CoProcessFunction）会执行 barrier 对齐（barrier alignment） 以便当前快照能够包含消费两个输入流 barrier 之前（但不超过）的所有 events 而产生的状态。

1. 当operator收到数字流的barrier n时，它就不能处理(但是可以接收)来自该流的任何数据记录，直到它从字母流所有输入接收到 barrier n 为止。否则，它会混合属于快照 n 的记录和属于快照 n + 1 的记录。
2. 接收到 barrier n 的流(数字流)暂时被搁置，从这些流接收的记录输入缓冲区，不会被处理。
3. 图Begin alignment中的 Checkpoint barrier n之后的数据 123已结到达了算子，存入到输入缓冲区没有被处理，只有等到字母流的Checkpoint barrier n到达之后才会开始处理。
4. 一旦最后所有输入流都接收到 barrier n，Operator 就会把缓冲区中 pending 的输出数据发出去，然后把 CheckPoint barrier n 接着往下游发送。这里还会对自身进行快照。

2-5.至少一次语义——barrier不对齐

​ 严格一次语义—barrier介绍了barrier的对齐，如果barrier不对齐会怎么样则会重复消费,就是至少一次语义barrier不对齐。

​ 如出现不对齐，在字母流的Checkpoint barrier n到达前，已经处理了1 2 3。等字母流Checkpoint barrier n到达之后，会做Checkpoint n。假设这个时候程序异常错误则重新启动的时候会Checkpoint n之后的数据重新计算。1 2 3 会被再次被计算，所以123出现了重复计算。

3.Savepoint原理

1. Flink 还提供了可以自定义的镜像保存功能，就是保存点（ savepoints ）
2. 原则上创建保存点使用的算法与检查点完全相同，因此保存点可以认为就是具有一些额外元数据的检查点
3. Flink不会自动创建保存点，因此用户（或外部调度程序）必须明确地触发创建操作
4. 保存点是一个强大的功能。除了故障恢复外，保存点可以用于有计划的手动备份、更新应用程序、版本迁移、暂停和重启应用，等等

4.wcheckpoint和savepoint的区别

Savepoint	Checkpoint
Savepoint是由命令触发，由用户创建和删除	Checkpoint被保存在用户指定的外部路径中，flink自动触发
保存点存储在标准格式存储中，并且可以升级作业版本并可以更改其配置	当作业失败或被取消时，将保留外部存储的检查点
用户必须提供用于还原作业状态的保存点的路径。	用户必须提供用于还原作业状态的检查点的路径。 如果是flink的自动重启, 则flink会自动找到最后一个完整的状态

5.Kafka+Flink+Kafka 实现端到端严格一次

端到端的状态一致性的实现，需要每一个组件都实现，对于Flink + Kafka的数据管道系统（Kafka读入、写入Kafka）,各组件保证exactly-once语义方式

• 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

source和sink运行流程：

1. 某个checkpoint的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” ( 第一阶段提交 )
2. jobmanager 触发 checkpoint 操作，barrier 从 source 开始向下传递，遇到 barrier 的算子状态后端会进行相应进行checkpoint，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( 第二阶段提交 )
6. 外部kafka关闭事务，提交的数据可以正常消费

6.Checkpoint代码示例

代码示例：

package com.zenitera.bigdata.state;

import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.runtime.state.hashmap.HashMapStateBackend;
import org.apache.flink.streaming.api.CheckpointingMode;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.sink.SinkFunction;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaProducer;
import org.apache.flink.streaming.connectors.kafka.KafkaSerializationSchema;
import org.apache.flink.util.Collector;
import org.apache.kafka.clients.producer.ProducerRecord;

import javax.annotation.Nullable;
import java.nio.charset.StandardCharsets;
import java.util.Properties;

import static org.apache.flink.streaming.connectors.kafka.FlinkKafkaProducer.Semantic.EXACTLY_ONCE;

/**
 * Kafka+Flink+Kafka 实现端到端严格一次
 */

public class Flink03_State_End2End 
    public static void main(String[] args) 
        System.setProperty("HADOOP_USER_NAME", "wangting");
        Configuration conf = new Configuration();
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(conf);
        // 设置并行度
        env.setParallelism(1);
        // 开启checkpoint
        env.enableCheckpointing(2000);
        // 状态后端
        env.setStateBackend(new HashMapStateBackend());
        // checkpoint目录地址
        env.getCheckpointConfig().setCheckpointStorage("hdfs://hdt-dmcp-ops01:8020/ck100");
        // 设置语义
        env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
        // checkpoint并行数量
        env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
        // checkpoint最小时间间隔
        env.getCheckpointConfig().setMinPauseBetweenCheckpoints(800);

        // kafka source 配置
        Properties sourceProps = new Properties();
        sourceProps.put("bootstrap.servers", "hdt-dmcp-ops01:9092,hhdt-dmcp-ops02:9092,hdt-dmcp-ops03:9092");
        sourceProps.put("group.id", "Flink03_State_End2End");

        // 防止重复读取
        sourceProps.put("isolation.level", "read_committed");

        // kafka sink 配置
        Properties sinkProps = new Properties();
        sinkProps.put("bootstrap.servers", "hdt-dmcp-ops01:9092,hhdt-dmcp-ops02:9092,hdt-dmcp-ops03:9092");
        sinkProps.put("transaction.timeout.ms", 15 * 60 * 1000);

        SingleOutputStreamOperator<Tuple2<String, Long>> stream = env
                .addSource(
                        new FlinkKafkaConsumer<String>("s1", new SimpleStringSchema(), sourceProps)
                                .setStartFromLatest()
                )
                .flatMap(new FlatMapFunction<String, Tuple2<String, Long>>() 
                    @Override
                    public void flatMap(String value, Collector<Tuple2<String, Long>> out) throws Exception 
                        for (String word : value.split(" ")) 
                            out.collect(Tuple2.of(word, 1L));
                        
                    
                )
                .keyBy(t -> t.f0)
                .sum(1);
        stream
                .addSink(new FlinkKafkaProducer<Tuple2<String, Long>>(
                        "default",
                        new KafkaSerializationSchema<Tuple2<String, Long>>() 
                            @Override
                            public ProducerRecord<byte[], byte[]> serialize(Tuple2<String, Long> element,
                                                                            @Nullable Long timestamp) 

                                return new ProducerRecord<>("s2", (element.f0 + "_" + element.f1).getBytes(StandardCharsets.UTF_8));
                            
                        ,
                        sinkProps,
                        EXACTLY_ONCE
                ));

        stream.addSink(new SinkFunction<Tuple2<String, Long>>() 
            @Override
            public void invoke(Tuple2<String, Long> value,
                               Context context) throws Exception 
                if (value.f0.contains("x")) 
                    throw new RuntimeException("异常");
                
            
        );
        try 
            env.execute();
         catch (Exception e) 
            e.printStackTrace();
        
    

Flink状态管理和容错机制介绍

本文主要内容如下：

• 有状态的流数据处理；
• Flink中的状态接口；
• 状态管理和容错机制实现；
• 阿里相关工作介绍；

一.有状态的流数据处理#

1.1.什么是有状态的计算#

计算任务的结果不仅仅依赖于输入，还依赖于它的当前状态，其实大多数的计算都是有状态的计算。 比如wordcount,给一些word,其计算它的count,这是一个很常见的业务场景。count做为输出，在计算的过程中要不断的把输入累加到count上去，那么count就是一个state。

1.2.传统的流计算系统缺少对于程序状态的有效支持#

• 状态数据的存储和访问；

• 状态数据的备份和恢复；

• 状态数据的划分和动态扩容；

在传统的批处理中，数据是划分为块分片去完成的，然后每一个Task去处理一个分片。当分片执行完成后，把输出聚合起来就是最终的结果。在这个过程当中，对于state的需求还是比较小的。

对于流计算而言，对State有非常高的要求，因为在流系统中输入是一个无限制的流，会运行很长一段时间，甚至运行几天或者几个月都不会停机。在这个过程当中，就需要将状态数据很好的管理起来。很不幸的是，在传统的流计算系统中，对状态管理支持并不是很完善。比如storm,没有任何程序状态的支持，一种可选的方案是storm+hbase这样的方式去实现，把这状态数据存放在Hbase中，计算的时候再次从Hbase读取状态数据，做更新在写入进去。这样就会有如下几个问题

• 流计算系统的任务和Hbase的数据存储有可能不在同一台机器上，导致性能会很差。这样经常会做远端的访问，走网络和存储；

• 备份和恢复是比较困难，因为Hbase是没有回滚的，要做到Exactly onces很困难。在分布式环境下，如果程序出现故障，只能重启Storm，那么Hbase的数据也就无法回滚到之前的状态。比如广告计费的这种场景，Storm+Hbase是是行不通的，出现的问题是钱可能就会多算，解决以上的办法是Storm+mysql，通过mysql的回滚解决一致性的问题。但是架构会变得非常复杂。性能也会很差，要commit确保数据的一致性。

• 对于storm而言状态数据的划分和动态扩容也是非常难做，一个很严重的问题是所有用户都会在strom上重复的做这些工作，比如搜索，广告都要在做一遍，由此限制了部门的业务发展。

1.3.Flink丰富的状态访问和高效的容错机制#

Flink在最早设计的时候就意识到了这个问题，并提供了丰富的状态访问和容错机制。如下图所示：

二．Flink中的状态管理#

2.1.按照数据的划分和扩张方式，Flink中大致分为2类：#

• Keyed States

• Operator States

2.1.1.Keyed States#

Keyed States的使用

 

Flink也提供了Keyed States多种数据结构类型

Keyed States的动态扩容

2.1.2.Operator State#

Operator States的使用

Operator States的数据结构不像Keyed States丰富，现在只支持List

Operator States多种扩展方式

Operator States的动态扩展是非常灵活的，现提供了3种扩展，下面分别介绍：

• ListState:并发度在改变的时候，会将并发上的每个List都取出，然后把这些List合并到一个新的List,然后根据元素的个数在均匀分配给新的Task;

• UnionListState:相比于ListState更加灵活，把划分的方式交给用户去做，当改变并发的时候，会将原来的List拼接起来。然后不做划分，直接交给用户；

• BroadcastState:如大表和小表做Join时，小表可以直接广播给大表的分区，在每个并发上的数据都是完全一致的。做的更新也相同，当改变并发的时候，把这些数据COPY到新的Task即可

以上是Flink Operator States提供的3种扩展方式，用户可以根据自己的需求做选择。

使用Checkpoint提高程序的可靠性

用户可以根据的程序里面的配置将checkpoint打开，给定一个时间间隔后，框架会按照时间间隔给程序的状态进行备份。当发生故障时，Flink会将所有Task的状态一起恢复到Checkpoint的状态。从哪个位置开始重新执行。

Flink也提供了多种正确性的保障，包括：

• AT LEAST ONCE;

• Exactly once;

  

   

备份为保存在State中的程序状态数据

Flink也提供了一套机制，允许把这些状态放到内存当中。做Checkpoint的时候，由Flink去完成恢复。

从已停止作业的运行状态中恢复

当组件升级的时候，需要停止当前作业。这个时候需要从之前停止的作业当中恢复，Flink提供了2种机制恢复作业:

• Savepoint:是一种特殊的checkpoint，只不过不像checkpoint定期的从系统中去触发的，它是用户通过命令触发，存储格式和checkpoint也是不相同的，会将数据按照一个标准的格式存储，不管配置什么样，Flink都会从这个checkpoint恢复，是用来做版本升级一个非常好的工具；

• External Checkpoint：对已有checkpoint的一种扩展，就是说做完一次内部的一次Checkpoint后，还会在用户给定的一个目录中，多存储一份checkpoint的数据；

三．状态管理和容错机制实现#

下面介绍一下状态管理和容错机制实现方式，Flink提供了3种不同的StateBackend

• MemoryStateBackend

• FsStateBackend

• RockDBStateBackend

用户可以根据自己的需求选择，如果数据量较小，可以存放到MemoryStateBackend和FsStateBackend中，如果数据量较大，可以放到RockDB中。

下面介绍HeapKeyedStateBackend和RockDBKeyedStateBackend

第一，HeapKeyedStateBackend#

第二，RockDBKeyedStateBackend#

Checkpoint的执行流程#

Checkpoint的执行流程是按照Chandy-Lamport算法实现的。

Checkpoint Barrier的对齐#

全量Checkpoint#

全量Checkpoint会在每个节点做备份数据时，只需要将数据都便利一遍，然后写到外部存储中，这种情况会影响备份性能。在此基础上做了优化。

RockDB的增量Checkpoint#

RockDB的数据会更新到内存，当内存满时，会写入到磁盘中。增量的机制会将新产生的文件COPY持久化中，而之前产生的文件就不需要COPY到持久化中去了。通过这种方式减少COPY的数据量，并提高性能。