Flink在bilibili的优化与实践

Posted 2021-10-13 过往记忆

导读：本文主要介绍Flink实时计算在bilibili的优化，将从以下四个方面展开： 

1、Flink-connector稳定性优化

2、Flink sql优化

3、Flink-runtime优化

4、对未来的展望

概述 

首先介绍下Flink实时计算在b站的应用场景。

在b站，Flink on yarn 主要支持3个场景，saber数据计算，lancer数据传输和magneto数据湖。

saber是b站的一个数据计算提交平台，主要支持业务方通过Flink sql和Flink jar的方式提交实时计算任务。目前平台有上千个任务在运行，并且仍在迅猛增长。

lancer是b站的数据传输系统，主要用于收集app端、服务端等各种数据上报，根据元数据的定义信息将数据写入kafka，hive等后端存储，用于下游处理使用。lancer承载了日增万亿数据规模。

magento是b站的数据湖项目，通过Flink将上游数据写入iceberg或者hudi。在基于hdfs的表上，magento支持数据的增删改操作，同时支持分钟级可见性。

以上三个系统支持了AI，商业产品和数据仓库等业务线的众多实时传输和实时计算业务场景。同时，针对平台上的Flink任务，我们配置了监控告警，以及warship自动诊断工具，用于辅助运维。今天主要分享在我们实践过程中遇到的痛点以及解决思路。

Flink-connector稳定性优化

1、hdfs集群局部热点问题

背景描述：Flink在写hdfs时遇到写个别hdfs文件慢的问题，也就是hdfs集群局部热点问题。由于b站数据集成是采用管道化的方式，即“一个Flink任务写多条流”的模式。数据集成过程中会出现几百个流存在于同一个kafka topic中的现象，并且由同一个Flink 任务分流写到多个hive表中。这就需要给任务设置很大的并行度，从而会同时打开超大数量的hdfs文件，这使得局部热点问题更加严重。当Flink任务做checkpoint时，hdfsSink会去做flush数据，close文件等操作，经常因为个别文件close慢，而拖累整体的吞吐。

优化方案：针对hdfs局部热点问题，我们做了三点优化：

① 减少文件的close频率。在Snapshot 阶段，不会去close文件，仅将内存数据刷写到hdfs中，并记录写出文件的offset。在从checkpoint做故障恢复时，就需要对文件做Truncate，将文件截断到offset位置，再继续写入，相当于去掉多余的数据。这个方案可以减少文件close的频率，同时大大减少小文件的生成。

② 文件close的异步化改进，将close超时的文件放到异步队列中，从而保证 close 的动作不会堵塞整个主链路的处理，提升hdfs局部热点情况下的吞吐。异步close 文件操作，需要加入到 state中管理。即使故障恢复时，也能继续对文件进行关闭。

③ 针对多条流，Snapshot 还做了并行化的处理，多条流并行处理其实就是打开多个 bucket，flink框架原生是通过循环的方式来进行串行的处理，而并行化改造后通过多线程来处理，就可以增加处理速度，减少Checkpoint超时的发生。Snapshot时，文件close在异步队列存储和恢复的具体流程图，如下所示：

2. 分区read判断问题

背景描述：右上角展示的是读取kafka数据写入hive的Flink任务的简单DAG图，由多并行度的hdfs writer算子和单并行度的commit算子组成。在commit算子接收上游所有算子checkpoint都已经完成，并且当前时间超过了watermark +delaytime时，我们就认为该hive分区已经ready了，可以commit hive分区了。然而在checkpoint时不关闭文件以及异步close的场景中，可能出现长时间文件未close的情况，那么超时后就会提前判断认为分区ready，从而提交hive分区，但由于文件未关闭，下游任务运行时就会出现报错。

优化方案：

① 基于bucket状态判断commit策略，即根据bucket的open和close状态相等进行commit的策略，保证bucket已经全部关闭，才会进行commit。

② 空分区判断策略。有些流的数据并不是连续的，可能数个小时都没有一条数据，这种情况会带来分区的Watermark没有办法正常推进，引发hive分区不创建的问题。因此我们引入PartitionRecover模块，会根据Watermark来推进分区的通知。针对有些流的Watermark不推进的情况，会在分区超时后未更新的情况下，通PartitionRecover模块来进行分区的追加，从而保证Watermark的正常推进。

3. 通用sink稳定性优化

背景描述：

① Flink任务Sink端会连接多样的分布式存储和消息中间件等，通常以多分片的形式分布在多台机器上。因此，会出现因集群侧局部热点问题，某台机器的压力过大，导致flink与该机器上分片的通信RT变长，从而引起任务局部或者整体反压，影响整体吞吐和稳定性。

② 针对某些吞吐巨大，一致性要求不高的场景，语义上满足At least Once即可，但需要极高的稳定性。

 

优化方案：

① partitioner

对数据指定路由策略，包括round roubin、hash等，然后根据partitioner指定的策略将数据写到不同的batch中

② batch pool

Batch pool中是一个攒批的过程，到达batch大小或时间的阈值时批量发送，同时当触发checkpoint后，会flush强制刷出

③ failover/retry policy

借鉴了Netflix Hystrix断路器原理，当数据发送timeout超时或者异常时，则将此对应connector加入黑名单，将发送失败的数据failover重新发送到其他shard上，一段时间后，再尝试failback。如果failback发送到之前异常的shard成功，则将对应的connector从黑名单中取出，恢复原状。通过failover+failback的策略，可在集群内部做小范围的容错。

④ connector

与server端各个shard建立一对一的连接

⑤ 通用性方案在clickhouse的实践

在clickhouse上实现了写入local表，并支持clickhouse hash策略，自动适配clickhous建表时指定的hash策略。使其与读写分布式表一致，并支持查询优化。

Flink SQL 优化

1. interval join优化

背景描述：在ai实时生成模型训练数据场景中，需要将feed流和click流进行join，将信息的展现和用户的点击关联在一起并输出，构成正例和反例，作为模型训练的数据输出。由于feed流和click流到达的先后顺序不定，需要使用interval join将数据缓存一段时间，等待左流、右流到达完成join。优化的两个需求如下：

① 在sql语言上需要同时实现窗口内单次join和多次join，Flink interval join原生只支持单次join。

② 业务场景数据量非常大，可达到每秒几十万条的数据规模，在此规模下，原生interval join 效率很差，其通过每来一条数据，就遍历一次全部缓存数据的方式来做join，无法抗住大数据量场景。

优化方案：

首先来了解一下Flink sql是如何解析并映射到对应的方法类，如上边的图所示：

① sql通过calcite parser 和validator过程，转换为calcite logical plan，

② 再通过rules优化规则进行优化，最后转换为Flink physical plan

由于calcite当中的几种join的逻辑相对比较完备，修改这里面的逻辑很困难。想要在sql语义上完成同时支持单次join和多次join，我们选择在join的on逻辑基础上支持global的逻辑。通过join on 和join global on来区分两种类型的join方式。具体操作如下：

① 在JoinConditionType 增加一个global_join这个类型，并且在JoinRelType当中加一个属性isGlobal。这样一来，在javacc解析后拿到新增的global_join类型，待到Flink physical plan，从Flink当中去解析。最终通过 GLOBAL ON关键字将“多次join”的信息传递给 Flink底 层 TimeIntervalJoin类。

② 为了不影响原有interval join逻辑，通常做法是新增了一个类，我们在JoinRuleSet中，增加了一个新的JoinRule的解析，必须能解析出两个窗口的条件才能进入我们新增的join类中，这样可以做到和其他的join互斥

③ 为了提高interval join效率问题，我们在新增的join类中修改了存取数据的逻辑，将需要缓存的流数据写入kv数据库，如redis。这大大提升了存储能力，以及读取效率。

2. kafka自定义分流优化

背景描述：

在实时数仓分流场景下，想通过sql将一条实时流根据一定的规则，分发到多个不同的kafka topic中。如图所示，通过自定义udf解析数据中project_id字段，将数据分流到a b c 三个topic中

优化方案如下图所示：

Flink runtime优化

1. Flink state优化

针对Flink任务中超大state cache的场景，我们进行cache存储的调研和优化。在cache快速过期的场景下，比如interval join，之前提到的ai实时生成模型训练数据，feed流和click流做join，需要cache的数据量大，设定一个小时就过期，且没有update操作。Cache调研：

① redis

Redis的优点是可以存储下大量数据，通过kv查找join数据非常高效。缺点是全内存存储cache，非常的昂贵。而且redis作为外部存储，并不能很好的checkpoint联动，故障恢复时还需要考虑如何管理redis内的kv数据对，易用性不强。

② rocksdb

Rocksdb是基于LSM结构的kv存储引擎， 通过内存+磁盘模式存储，存储量大，成本低。

且同样可以通过kv高效查找数据。同时和checkpoint可以很好的结合，一个checkpoint对应一组rocksdb的sst文件，便于故障恢复的管理。

所以我们最终选择使用rocksdb最为state的cache。Rocksdb cache在Flink中的架构如下图所示：

rocksdb最显著的特征就是会compaction，rocksdb的存储是把记录按照key排序后分布到各个文件当中。如下图所示，rocksdb会将L0的小文件进行合并，保证L1开始各层文件中的key都是有序排列的，来提高读取时磁盘的读取效率。 

但是在我们的场景中，当数据量增大，这种高频率的合并会占用大量的CPU资源，最终导致整个任务没法运行。针对这个问题，我们做了如下三个优化方案：

① FIFO compaction

在latency join的场景中，不需要数据的层层压缩，所以我们使用rocksdb的FIFO compaction策略。该策略适用于低负载数据的存储，所有的文件都位于 L0。当文件总大小超过配置值 CompactionOptionsFIFO::max_table_files_size时，最早的 SST 文件将会被删除。这种方式大大减少了CPU的使用。

② Bloom filter policy

rocksdb L0级的数据未经过排序，查找时需要遍历所有sst⽂件，效率极低。通过设置Bloom filter policy的方式提升效率。每个新创建的SST file都会包含一个Bloom filter，这个Bloom filter可以确定我们要查找的key是否有可能在这个sst文件，大大提升查询效率。

③ 磁盘打散

Flink的默认是随机为各个slot分配磁盘，我们改进使用round robin方式分配磁盘，确保同一个算子可以使用到各块不同的磁盘，充分打散rocksdb的IO。

2. 全局并行度

在sql任务中，可以设置默认并行度，也可以对各个算子单独设置并行度。对用户来说，学习成本大，设置的也不一定合理。具体痛点如下所示： 

按照热点来看，上面这个task是有cpu热点，下面这个task cpu比较空闲

优化方案：

① 仅保留全局并行度概念，屏蔽算子级并行度。

用户只需要设置一个全局并行度即可，从全局来调整资源，易于理解。将算子均分在所有tm，降低cpu热点的概率。尽可能的让多个算子间并行度一致，利用Flink优化，将算子串联在一起，减少序列化和网络开销。

② source、sink这种叶子节点并行度自动感知，并具有传递性。必要时和相关联算子进行rebalance。自动感知的具体策略如下：

◇ 设置DEFAULT并行度

修改tableInfo当中并发度的默认值为-1，与正常的并发度设置做区分

◇ KAFKA topic partition数感知

Kafka sink和source加入检测topic partition个数的逻辑，用于在生成DAG的时候与并发度做比较

◇ DAG重启生成逻辑

在DAG最基础的调度单元中增加tpSize(topic partition size)这个属性，用与在DAG调度过程中，针对sink和source算子中不同并发度和tpSize做不同的处理

3. warship作业智能诊断工具

随着平台作业的日益增多，作业类型愈加复杂化，对作业的运维管理难度越来越大。 

大部分用户非资深Flink玩家，在遇到任务挂、checkpoint不成功、堆积、数据不准不符合预期等诸多问题时，无法自主分析解决，这大量消耗了平台值班人员以及用户自身的时间。 

所以我们通过warship这个作业智能诊断工具，来辅助线上作业的半自助化运维。warship智能诊断工具，能够自动收集平台（系统层、应用层）上所有的度量标准，并对收集的数据进行分析，并将分析结果以一种简单且易于理解的形式展示出来。同时可以根据历史监控指标采集，分析出资源不够或者资源浪费的任务，给出资源调整建议，未来做到AutoScale任务自动扩缩容。Warship工具的原理如下图所示：

如上图，warship从yarn上获取正在运行的app列表，并采集es日志，Flink任务相关指标 ，以及机器级别指标等。这些采集的数据经过启发式算法规则计算、评分、时间归因或者层级归因后，调用告警平台，输出告警，同时进行自动调整并存入数据库。详细的过程如下图所示： 

◇ 启发式算法介绍

以checkpoint为例子。取近10次checkpoint，根据失败次数从100分往下扣分。失败的越多扣得越多。checkpoint耗时评分：ck的耗时/超时时间 越接近超时时间，评分越低。

将评分低的检测项根据时间排序，时间相同的根据层级排序，找到根因。

◇ 日志告警词条管理

任务失败的日志中，RUNNING to FAILING 词条是一堆java堆栈信息，内容繁杂，用户分析困难。我们进行了告警词条翻译，将关键词匹配结果放在报警中，一起输出给用户，提供更友好的提示。

◇ 自定扩缩容介绍

① 扩容前判断，是否满足扩容条件，倾斜不满足扩容条件，扩容前后DAG图是否变化，队列是否还有资源，扩容比例判断。

② 提交调整任务，同步等待任务提交结果

③ 失败回滚，恢复到调整前状态，回滚提交。

4. checkpoint metadata完整性判断

背景描述：我们都知道Flink任务做checkpoint大致分三个步骤：

① checkpoint coodinator向source发起checkpoint

② 各个算子接收barrier各自做checkpoint

③ 最后，coodinator写metadata，整个checkpoint完成

这个过程中，步骤3是非原子性的，所以存在metadata写一半任务挂掉的场景，同时这个metadata文件已经生成，但不完整。当从checkpoint回复时，虽然找到这个metadata文件，但是由于其不完整，任务无法恢复，只能手动从上一个checkpoint恢复，如果在非工作时间出现这种场景，则大大拉长任务的恢复时间。

优化方案：避免这种情况的出现，我们需保证写metadata文件的原子性，要么成功，要么失败。解决思路和Flink hdfs sink一致。在打开文件时，文件格式是inprogress类型，在完成写入，并close后，才rename成为正式的_metadata文件，这样就能保证metadata文件的原子性。

checkpoint恢复时，发现没有正式的_metadata文件，就认为此次checkpoint没有成功。跳过此checkpoint，从上一个checkpoint恢复。

展望

◇ hdfs sink compact文件合并实现"尽力交付"

在flink1.12中有小文件compact的功能，这一块我们会去做一些优化的改进，去实现一个尽力交付的功能，因为文件的话主要是hive表去使用，归档时间是第一位的，如果没有来得及合并，是可以放弃的，只要原始文件还在就行，这就是做到尽力交付。

◇ Flink的三流join

◇ Flink job fast recovery

快速的去做Flink任务的恢复。因为在写kafka的场景中，通过快速的恢复，可以减少kafka断流的时间以及对下游的影响。

Q&A

问题一：Flink任务调度是否有专门的管理平台？

答：有的，前面提到saber就是我们sql以及jar的管理平台。

问题二：Flink sql 新增udf，作业需要重启吗？

答：这块的定义是在任务提交前做的定义，所以新增或者修改udf内容是需要重启任务的 

问题三：Flink背压堆积，怎么处理数据消积，峰值的问题？

答：主要通过具体问题具体分析，如果是有数据倾斜的情况，需要去做一些sql上的改变，把数据做打散的操作；如果是一些cpu不够的场景，会在cpu的监控上体现处理，如果所有的tm的cpu都比较高的话，对任务做一个整体的扩容 

问题四：Flink任务是怎么做版本管理的？

答：在我们saber数据管理平台上做了分版本的管理，包括（1.8，1.11，1.12等版本），会根据不同版本，分别提交到对应的任务环境 

作者介绍：周晖栋，bilibili资深大数据开发工程师，2018年加入bilibili大数据平台部门。 

编辑整理：宋灵城 贝壳找房/东南大学