Storm，Spark，Flink对比

Posted 2023-05-01

参考技术A

一、容错性（Fault Tolerance）

spark依赖checkpoint机制来进行容错，只要batch执行到doCheckpoint操作前挂了，那么该batch就会被完整的重新计算。spark可以保证计算过程的exactly once（不包含sink的exactly once）。

storm的容错通过ack机制实现，每个bolt或spout处理完成一条data后会发送一条ack消息给acker bolt。当该条data被所有节点都处理过后，它会收到来自所有节点ack， 这样一条data处理就是成功的。storm可以保证数据不丢失，但是只能达到at least once语义。此外，因为需要每条data都做ack，所以容错的开销很大。storm trident是基于micro¬batched实现了exactly once语义。

flink使用Chandy-Chandy-Lamport Algorithm 来做Asynchronous Distributed Snapshots（异步分布式快照），其本质也是checkpoint。如下图，flink定时往流里插入一个barrier（隔栏），这些barriers把数据分割成若干个小的部分，当barrier流到某个operator时，operator立即会对barrier对应的一小部分数据做checkpoint并且把barrier传给下游（checkpoint操作是异步的，并不会打断数据的处理），直到所有的sink operator做完自己checkpoint后，一个完整的checkpoint才算完成。当出现failure时，flink会从最新完整的checkpoint点开始恢复。

flink的checkpoint机制非常轻量，barrier不会打断streaming的流动，而且做checkpoint操作也是异步的。其次，相比storm需要ack每条data，flink做的是small batch的checkpoint，容错的代价相对要低很多。最重要的是flink的checkpoint机制能保证exactly once。

二、吞吐量和延迟（Throughputs& Latency）

01 吞吐量（throughputs）

spark是mirco-batch级别的计算，各种优化做的也很好，它的throughputs是最大的。但是需要提一下，有状态计算（如updateStateByKey算子）需要通过额外的rdd来维护状态，导致开销较大，对吞吐量影响也较大。

storm的容错机制需要对每条data进行ack，因此容错开销对throughputs影响巨大，throughputs下降甚至可以达到70%。storm trident是基于micro-batch实现的，throughput中等。

flink的容错机制较为轻量，对throughputs影响较小，而且拥有图和调度上的一些优化机制，使得flink可以达到很高 throughputs。

下图是flink官网给出的storm和flink的benchmark，我们可以看出storm在打开ack容错机制后，throughputs下降非常明显。而flink在开启checkpoint和关闭的情况下throughputs变化不大，说明flink的容错机制确实代价不高。对比官网的benchmark，我们也进行了throughputs的测试，实测结果是flink throughputs是storm的3.5倍，而且在解除了kafka集群和flink集群的带宽瓶颈后，flink自身又提高了1.6倍。

02 延迟（latency）

spark基于micro-batch实现，提高了throughputs，但是付出了latency的代价。一般spark的latency是秒级别的。

storm是native streaming实现，可以轻松的达到几十毫秒级别的latency，在几款框架中它的latency是最低的。storm trident是基于micro-batch实现的，latency较高。

flink也是native streaming实现，也可以达到百毫秒级别的latency。

下图是flink官网给出的和storm的latency对比benchmark。storm可以达到平均5毫秒以内的latency，而flink的平均latency也在30毫秒以内。两者的99%的data都在55毫秒latency内处理完成，表现都很优秀。

三、 总 结

综合对比spark、storm和flink的功能、容错和性能（总结如下图）

Flink与storm的主要区别译文。

Qestion:

Flink被用来和Spark相比，但是我认为这样的比较不太合适，把Flink窗口事件和Spark微批处理进行比较，同样的Flink与Samza对比也是，这两种情况下的比较都是实时流计算与批量处理事件策略的比较，我更想比较Flink与Storm之间的区别，这两者在概念上更相近。

我发现了这个幻灯片1（4），他主要的区别在于“可调整延迟时间”，在Slicon Angle的文章中一些暗示，flink更好的集成了spark与HadoopMr，但是没有实际确切的细节与提及。在最近的一场分享上 Fabian Hueske说“和Storm相比，flink提供了更高级的api，和一种更加轻量级的容错策略来提供exactly-once语义得到确切执行”。

上面提到的，我对这方面了解比较少？我不是能十分理解这些观点，可以解释一下这些问题吗？流在storm中是怎么处理的？在flink中又是怎么解决的？ Hueske 所说的更高级的api是什么？更轻量级的容错策略又是什么？

answer1:

声明：我是Apache Flink 项目代码的提交者和PMC 成员，我只对Storm高层架构熟悉，对其底层实现不熟悉。

Apache Flink是一个统一流处理与批处理的框架。由于流水线数据在并行任务之间进行传输（包括数据的洗牌shuffles），flink在运行时支持流处理与批处理。数据被立刻的传输从生产数据的任务到接受数据的任务（在网络传输中被收集在一个缓存中，然后发送）之后，批处理的任务可以被选择来处理这些阻塞的数据。

Apache Spark 也是一个处理流和批处理的框架，Flink 的批处理api用法案列和Spark 非常相似，但是内部实现不一样。对于处理流来说，两种框架采用了不同的实现使得他们适合于不同场景的应用（Spark 微批处理 vs Flink  流计算），我可以说Spark与Flink的比较是有用有效的。然而Spark却和Flink 不是最相似的流处理引擎。

回到原来的问题。Apache Storm 只能处理流数据，没有批处理的能力。事实上，Flink的流式处理引擎和Storm很相似，比如 Flink的并行任务和Storm的bolt很相似。他俩都是通过流水线数据的传输来降低数据延时。然而Flink 提供了很多跟高级的api ,Flink的DataStream提供了Map、GroupBy、Window和Join等api来代替storm的bolt在一个或多个readers 和collectors的功能，而Storm在实现这些功能的时候都需要程序员自己实现。另外的不同在于处理语义。Storm提供了"at-least-once "而Flink提供了"exactly-once"，两个框架给与语义不同的保证在实现上也就相当的不同。Storm 采用 record-level ack，Flink采用Chandy-Lamport的轻微变种。简言之，在数据源中周期性的注入marker，然后放入数据流中，无论何时只要任务执行器接受到一个marker，执行器检查他的内部状态。当一个marker被所有的数据输出sink给接收到，证明这个marker被提交（在这个marker之前的所有执行的数据，到上一个被提交的marker之后的所以数据）。万一有一个sink没有接受到marker，所有的源操作器将从置他们的处理数据到最近一次确认提交的marker然后继续执行。这种检查标记点的方法比record-level ack更加的轻量级。这个幻灯片（幻灯片2）讨论了flink相应的容错机制、检查点、处理状态。

Storm也提供了 exactly-once 以及高级api ，但是被称为Trident ，然而Trident 是在微批处理的基础上实现的，就很像Spark了而不是Flink

Flink的“可调延迟性”指的是Flink的记录从一个任务到另外一个任务的时间延迟。我再前面说了，flink使用流水线转移，在数据生成之后快速转发。为了效率，这些记录会被收集起来放在缓冲器中，当缓冲器满了或者是到了一个确定的阈值时间点被网络发送。这个阈值控制着这个记录的延迟。因为他指定了最大时间的延迟，一个记录从生成到发送出去。然而，他不能被用来保证一个数据从进入Flink项目到出Flink项目所花费的时间，因为这取决于任务处理执行时间和网络传输了多少次。

Answer2：

添加到上一条回答;

Flink比Storm的改进还有以下几点：

背压：Flink流计算当不同操作器在速度不同的时候表现的很好。因为低速流操作器背压高速流操作器很好，虽然网络层管理控制缓存池。

用户定义状态：Flink允许用户在操作器中自定义状态。这个自定义状态可以参与在检查点的容错处理，也提供exactly-once语义支持。参见这个列子（幻灯片3），在一个操作器中用户自定义机器状态，该状态始终与数据流一起参与checkpoint。

流窗口：流窗口和窗口聚合是数据流分析的重要组成部分。Flink配备了一个非常强大的窗口系统，支持多种类型的窗口。

译文：

https://stackoverflow.com/questions/30699119/what-is-are-the-main-differences-between-flink-and-storm

幻灯片1:

https://www.slideshare.net/GyulaFra/flink-streaming-43445818

幻灯片2：

https://www.slideshare.net/stephanewen1/flink-history-roadmap-and-vision

https://www.youtube.com/watch?v=fw2DBE6ZiEQ

幻灯片3：

https://github.com/StephanEwen/flink-demos/tree/master/streaming-state-machine

stackoverflow：the difference between spark and flink

https://stackoverflow.com/questions/28082581/what-is-the-difference-between-apache-spark-and-apache-flink