Flink运行时架构及各部署模式下作业提交流程

Posted 2023-03-30 hmi1024

1.运行时架构

1.1 核心组件

1.1.1 JobManager

作业管理器，对于一个提交执行的作业，JobManager 是真正意义上的“管理者”（Master），负责管理调度，是一个 Flink 集群中任务管理和调度的核心，是控制应用执行的主进程。在不考虑高可用的情况下只能有一个
JobManager ，只有一个是正在运行的领导节点（leader），其他都是备用节点（standby）

JobManager包含三大核心组件：

• JobMaster

1. JobMaster是JobManager的核心组件，负责处理单独的作业（job)
2. JobMaster和Job是一一对应的，多个Job可以运行在一个Flink集群中， 每个Job都有一个自己的JobMaster
3. 在作业提交时，JobMaster会先接收到要执行的应用，一般是由客户端提 交来的，包括 Jar包，数据流图（dataflow Graph）和作业图（JobGraph）
4. jobMaster会将JobGraph转换为一个物理层面的数据流图执行图（ExecutionGraph），它包含所有可以并发执行的任务
5. JobMaster会向资源管理器ResourceManager发出请求，申请必要的资源，一旦获取到足够的资源，就会将执行图分发到真正运行他们的TaskManager上
6. 在作业的运行过程中，JobMaster会负责所有需要中央协调的操作，比如说检查点（checkpoints）的协调

• ResourceManager

注意：该ResourceManager是Flink内置的，不是其他资源调度平台（如YARN）的 ResourceManager

1. ResourceManager主要负责资源的分配和管理，在Flink集群中只有一个
2. 资源主要指的是TaskManager的槽（task slots），任务槽是Flink集群中的资源调配单元，包含了机器用来计算的一组CPU和内存资源
3. 每一个task都要分配到一个slot上进行
4. Flink集群Standalone部署模式下，TaskManager是单独启动的（没有Per-Job模式），此时的ResourceManager只能分发可用的TaskManager任务槽，不能单独启动新的TaskManager
5. Flink集群部署资源管理平台时（YARN 、K8s）等，ResourceManager 会将有空闲槽位的 TaskManager 分配给 JobMaster。若ResourceManager 没有足够的任务槽，它还可以向资源提供平台请求提供启动 TaskManager 进程的容器。另外，ResourceManager 还负责停掉空闲的 TaskManager，释放计算资源

• Dispatcher

1. Dispatcher分发器主要提供一个REST接口，用来提交应用
2. 为每一个新提交的作业启动一个新的JobMaster组件
3. 启动Web UI，方便地展示和监控作业信息
4. 在架构中并不是必须的，在不同的部署模式下可能会被忽略

1.1.2 TaskManager

任务管理器，是Flink中的工作进程，称为Worker

• 数据流的具体计算由它来完成，每个Flink集群至少一个TaskManager，每一个TaskManager包含一定数量的任务槽（slot），slot是资源调度的最小单位，slot的数量决定了TaskManager并行处理任务的数量
• 启动后，TaskManager会向ResourceManager注册它的slots，收到ResourceManager的指令后，TaskManager就会将一个或多个slot提供给JobMaster调用，JobMaster就可以分配任务来执行了
• 在执行过程中，TaskManager 可以缓冲数据，还可以跟其他运行同一应用的 TaskManager交换数据

1.2 作业图

2. 作业提交流程

2.1 抽象流程

Flink 的提交流程，随着部署模式、资源管理平台的不同，会有不同的变化。首先我们从一个高层级的视角，来做一下抽象提炼，看一看作业提交时宏观上各组件是怎样交互协作的

1. Client向Dispatcher提交作业
2. Dispatcher通过REST接口将作业（包含 JobGraph）提交给 JobMaster
3. JobMaster将JobGraph解析成可执行的ExecutionGraph得到所需资源的数量，向ResourceManager申请作业所需要的slots
4. ResourceManager判断当前是否有足够的可用资源，如果没有则启动新的TaskManager
5. TaskManager启动之后，向ResourceManager注册可用的slot
6. ResourceManager向TaskManager发出命令，为新作业提供slots
7. TaskManager向JobMaster提供slots
8. JobMaster向TaskManager分发任务
9. TaskManager执行任务，相互之间可以交换数据

2.2 独立模式（Standalone）

在独立模式下，只有两种部署方式会话模式和应用模式，没有分离模式。Flink的三种部署方式
两者整体的作业提交流程十分相似：TaskManager都需要手动启动，JobMaster向ResourceManager申请资源时，ResourceManager会直接要求TaskManager提供资源，区别在于，会话模式下，TaskManager是预先启动的，应用模式的TaskManager是作业提交时启动的

该作业流程除了ResourceManager不需要启动TaskManager，而是直接向已有的TaskManager要求资源，和上述抽象流程完全一致

2.3 FLINK ON YARN

flink在资源管理平台的作业提交流程，以YARN集群为例

• 会话模式

需要事先申请资源，如图所示：

这里只启动了 JobManager，在 JobManager 内部，由于还没有提交作业，故只有ResourceManager 和 Dispatcher 在运行，而 TaskManager 可以根据需要动态地启动。如图所示：

1. Client提交任务到Dispatcher
2. Dispatcher启动JobMaster
3. JobMaster向ResourceManager（Flink）申请slots
4. ResourceManager（Flink）向ResourceManager（YARN）申请Container资源
5. ResourceManager（YARN）启动TaskManager
6. TaskManager向ResourceManager（Flink）注册可用slots
7. ResourceManager（Flink）向TaskManager请求slots
8. TakManager向JobMaster提供slots
9. JobMaster分发任务给TaskManager，TaskManager执行任务

• 分离模式

在分离模式下，Flink 集群不会预先启动，而是在提交作业时，才启动新的 JobManager。具体流程如图所示：

1. Client提交任务到ResourceManager（YARN）
2. ResourceManager（YARN）分配Container资源，启动Flink的JobMaster，并将作业提交给JobMaster，此处省略Dispatcher（与会话模式的区别点）
3. JobMaster向ResourceManager（Flink）请求slots
4. ResourceManager（Flink）向ResourceManager（YARN）请求Container资源
5. ResourceManager（YARN）启动新的TaskManager容器
6. TaskManager向ResourceManager（Flink）注册可用的slots
7. ResourceManager（Flink）向TaskManager请求slots
8. TaskManager向JobMaster提供slots
9. JobMaster分发任务给TaskManager，TaskManager执行任务

• 应用模式
  应用模式与分离模式的提交流程非常相似，只是初始提交给 YARN 资源管理器的不再是具体的作业，而是整个应用。一个应用中可能包含了多个作业，这些作业都将在 Flink 集群中启动各自对应的 JobMaster.

flink运行架构详解

一、开发模式

per-job-cluster  提交模式

1.一个Job会对应一个Flink集群，每提交一个作业会根据自身的情况，都会单独向yarn申请资源，直到作业执行完成，一个作业的失败与否并不会影响下一个作业的正常提交和运行。独享Dispatcher和ResourceManager，按需接受资源申请；适合规模大长时间运行的作业。

2.优点

每次提交都会创建一个新的flink集群，任务之间互相独立，互不影响，方便管理。任务执行完成之后创建的集群也会消失。

Session-Cluster

1.Session-Cluster模式需要先启动Flink集群，向Yarn申请资源。以后提交任务都向这里提交。这个Flink集群会常驻在yarn集群中，除非手工停止。

2.缺点

如果提交的作业中有长时间执行的大作业, 占用了该Flink集群的所有资源, 则后续无法提交新的job.

3.优点

Session-Cluster适合那些需要频繁提交的多个小Job, 并且执行时间都不长的Job.

（因为使用其他模式 频繁提交多个小job，导致申请资源时间大于 执行job时间）

二、运行时架构

1 job manager

       1>ResourceManager

整个 Flink 集群中只有一个 ResourceManager. 注意这个ResourceManager不是Yarn中的ResourceManager, 是Flink中内置的, 只是赶巧重名了而已.

主要负责管理任务管理器（TaskManager）的插槽（slot），TaskManger插槽是Flink中定义的处理资源单元。

        2>Dispatcher

负责接收用户提供的作业，并且负责为这个新提交的作业启动一个新的JobMaster 组件. Dispatcher也会启动一个Web UI，用来方便地展示和监控作业执行的信息。Dispatcher在架构中可能并不是必需的，这取决于应用提交运行的方式。

       3> JobMaster

JobMaster负责管理单个JobGraph的执行.多个Job可以同时运行在一个Flink集群中, 每个Job都有一个自己的JobMaster.

2.TaskManager

Flink中的工作进程。通常在Flink中会有多个TaskManager运行，每一个TaskManager都包含了一定数量的插槽（slots）。插槽的数量限制了TaskManager能够执行的任务数量。

启动之后，TaskManager会向资源管理器注册它的插槽；收到资源管理器的指令后，TaskManager就会将一个或者多个插槽提供给JobManager调用。JobManager就可以向插槽分配任务（tasks）来执行了。

任务流程

1. Flink任务提交后，Client向HDFS上传Flink的Jar包和配置
2. 向Yarn ResourceManager提交任务，ResourceManager分配Container资源
3. 通知对应的NodeManager启动ApplicationMaster，ApplicationMaster启动后加载Flink的Jar包和配置构建环境，然后启动JobManager
4. ApplicationMaster向ResourceManager申请资源启动TaskManager
5. ResourceManager分配Container资源后，由ApplicationMaster通知资源所在节点的NodeManager启动TaskManager
6. NodeManager加载Flink的Jar包和配置构建环境并启动TaskManager

TaskManager启动后向JobManager发送心跳包，并等待JobManager向其分配任务。

三、核心概念

什么是slot？

插槽，每个TaskManager 默认配置 1。 一般配置和cpu核心数，多个slot均分 TaskManager 的内存资源，与其他slot之间 内存隔离，共享cpu资源。slot内共享（多个task 和共享一块内存）

一个job 分配多少个 slot？

所有slot共享组最大并行度之和

slot 共享组？

.slotSharingGroup("group1")

默认只有一个共享组。不同的共享组之间一定占用不同的slot

任务链？

多个算子 之间 组成任务链

Stream在算子之间传输数据的形式可以是one-to-one(forwarding)的模式也可以是redistributing的模式，具体是哪一种形式，取决于算子的种类。

• One-to-one：

stream(比如在source和map operator之间)维护着分区以及元素的顺序。那意味着flatmap 算子的子任务看到的元素的个数以及顺序跟source 算子的子任务生产的元素的个数、顺序相同，map、fliter、flatMap等算子都是one-to-one的对应关系。

• Redistributing：

stream(map()跟keyBy/window之间或者keyBy/window跟sink之间)的分区会发生改变。每一个算子的子任务依据所选择的transformation发送数据到不同的目标任务。例如，keyBy()基于hashCode重分区、broadcast和rebalance会随机重新分区，这些算子都会引起redistribute过程，而redistribute过程就类似于Spark中的shuffle过程。

并行度相同的 前后两个算子，并且one_to_one传输，则flink （自动优化）会将这两个 task合并。

目的：减少数据交换产生的消耗，在减少时延的同时提升吞吐量。

当然也可以断开这两个算子

* 算子.startNewChain() => 与前面断开
* 算子.disableChaining() => 与前后都断开
* env.disableOperatorChaining() => 全局都不串

断开操作链的好处在于减少某个slot的压力。