作者: 施曉罡
本文來自2018年8月11日在北京舉行的 Flink Meetup會議，分享來自於施曉罡，目前在阿里大數據團隊部從事Blink方面的研發，現在主要負責Blink狀態管理和容錯相關技術的研發。
本文主要內容如下：
-
有狀態的流數據處理；
-
Flink中的狀態接口；
-
狀態管理和容錯機制實現；
- 阿里相關工作介紹；
一.有狀態的流數據處理
1.1什麼是有狀態的計算
計算任務的結果不僅僅依賴於輸入，還依賴於它的當前狀態，其實大多數的計算都是有狀態的計算。 比如wordcount,給一些word,其計算它的count,這是一個很常見的業務場景。count做爲輸出，在計算的過程中要不斷的把輸入累加到count上去，那麼count就是一個state。
1.2.傳統的流計算系統缺少對於程序狀態的有效支持
-
狀態數據的存儲和訪問；
-
狀態數據的備份和恢復；
- 狀態數據的劃分和動態擴容；
在傳統的批處理中，數據是劃分爲塊分片去完成的，然後每一個Task去處理一個分片。當分片執行完成後，把輸出聚合起來就是最終的結果。在這個過程當中，對於state的需求還是比較小的。
對於流計算而言，對State有非常高的要求，因爲在流系統中輸入是一個無限制的流，會運行很長一段時間，甚至運行幾天或者幾個月都不會停機。在這個過程當中，就需要將狀態數據很好的管理起來。很不幸的是，在傳統的流計算系統中，對狀態管理支持並不是很完善。比如storm,沒有任何程序狀態的支持，一種可選的方案是storm+hbase這樣的方式去實現，把這狀態數據存放在Hbase中，計算的時候再次從Hbase讀取狀態數據，做更新在寫入進去。這樣就會有如下幾個問題
-
流計算系統的任務和Hbase的數據存儲有可能不在同一臺機器上，導致性能會很差。這樣經常會做遠端的訪問，走網絡和存儲；
-
備份和恢復是比較困難，因爲Hbase是沒有回滾的，要做到Exactly onces很困難。在分佈式環境下，如果程序出現故障，只能重啓Storm，那麼Hbase的數據也就無法回滾到之前的狀態。比如廣告計費的這種場景，Storm+Hbase是是行不通的，出現的問題是錢可能就會多算，解決以上的辦法是Storm+mysql，通過mysql的回滾解決一致性的問題。但是架構會變得非常複雜。性能也會很差，要commit確保數據的一致性。
- 對於storm而言狀態數據的劃分和動態擴容也是非常難做，一個很嚴重的問題是所有用戶都會在strom上重複的做這些工作，比如搜索，廣告都要在做一遍，由此限制了部門的業務發展。
1.3.Flink豐富的狀態訪問和高效的容錯機制
Flink在最早設計的時候就意識到了這個問題，並提供了豐富的狀態訪問和容錯機制。如下圖所示：
二．Flink中的狀態管理
2.1.按照數據的劃分和擴張方式，Flink中大致分爲2類：
-
Keyed States
- Operator States
2.1.1.Keyed States
Keyed States的使用
Flink也提供了Keyed States多種數據結構類型
Keyed States的動態擴容
2.1.2.Operator State
Operator States的使用
Operator States的數據結構不像Keyed States豐富，現在只支持List
Operator States多種擴展方式
Operator States的動態擴展是非常靈活的，現提供了3種擴展，下面分別介紹：
-
ListState:併發度在改變的時候，會將併發上的每個List都取出，然後把這些List合併到一個新的List,然後根據元素的個數在均勻分配給新的Task;
-
UnionListState:相比於ListState更加靈活，把劃分的方式交給用戶去做，當改變併發的時候，會將原來的List拼接起來。然後不做劃分，直接交給用戶；
- BroadcastState:如大表和小表做Join時，小表可以直接廣播給大表的分區，在每個併發上的數據都是完全一致的。做的更新也相同，當改變併發的時候，把這些數據COPY到新的Task即可
以上是Flink Operator States提供的3種擴展方式，用戶可以根據自己的需求做選擇。
使用Checkpoint提高程序的可靠性
用戶可以根據的程序裏面的配置將checkpoint打開，給定一個時間間隔後，框架會按照時間間隔給程序的狀態進行備份。當發生故障時，Flink會將所有Task的狀態一起恢復到Checkpoint的狀態。從哪個位置開始重新執行。
Flink也提供了多種正確性的保障，包括：
-
AT LEAST ONCE;
-
Exactly once;
備份爲保存在State中的程序狀態數據
Flink也提供了一套機制，允許把這些狀態放到內存當中。做Checkpoint的時候，由Flink去完成恢復。
從已停止作業的運行狀態中恢復
當組件升級的時候，需要停止當前作業。這個時候需要從之前停止的作業當中恢復，Flink提供了2種機制恢復作業:
-
Savepoint:是一種特殊的checkpoint，只不過不像checkpoint定期的從系統中去觸發的，它是用戶通過命令觸發，存儲格式和checkpoint也是不相同的，會將數據按照一個標準的格式存儲，不管配置什麼樣，Flink都會從這個checkpoint恢復，是用來做版本升級一個非常好的工具；
- External Checkpoint：對已有checkpoint的一種擴展，就是說做完一次內部的一次Checkpoint後，還會在用戶給定的一個目錄中，多存儲一份checkpoint的數據；
三．狀態管理和容錯機制實現
下面介紹一下狀態管理和容錯機制實現方式，Flink提供了3種不同的StateBackend
-
MemoryStateBackend
-
FsStateBackend
-
RockDBStateBackend
用戶可以根據自己的需求選擇，如果數據量較小，可以存放到MemoryStateBackend和FsStateBackend中，如果數據量較大，可以放到RockDB中。
下面介紹HeapKeyedStateBackend和RockDBKeyedStateBackend
第一，HeapKeyedStateBackend
第二，RockDBKeyedStateBackend
Checkpoint的執行流程
Checkpoint的執行流程是按照Chandy-Lamport算法實現的。
Checkpoint Barrier的對齊
全量Checkpoint
全量Checkpoint會在每個節點做備份數據時，只需要將數據都便利一遍，然後寫到外部存儲中，這種情況會影響備份性能。在此基礎上做了優化。
RockDB的增量Checkpoint
RockDB的數據會更新到內存，當內存滿時，會寫入到磁盤中。增量的機制會將新產生的文件COPY持久化中，而之前產生的文件就不需要COPY到持久化中去了。通過這種方式減少COPY的數據量，並提高性能。
四.阿里相關工作介紹
4.1.Flink在阿里的成長路線
阿里是從2015年開始調研Flink,2015年10月啓動Blink項目，並完善Flink在大規模生產下的一些優化和改進。2016年雙11採用了Blink系統，爲搜索，推薦，廣告業務提供服務。2017年5月Blink已成爲阿里的實時計算引擎。
4.2.阿里在狀態管理和容錯相關的工作
正在做的工作，基於State重構Window方面的一些優化，阿里也正在將功能做完善。後續將包括asynchronous Checkpoint的功能完善，並和社區進一步溝通和合作。幫助Flink社區完善相關方面的工作。