一、流式任務執行過程
1.任務並行
按照自己的理解，一個流程如下圖所示，除非經歷shuffle過程，否則流程並行度將由source的並行度決定，比如kafka分區數目，shuffle之後的並行度，可能會改變，Operator子任務(Task)彼此獨立，並且可以在不同的線程中執行，並且可能在不同的機器或容器上執行。
2.OperatorChain
原理同Spark 的Satge劃分相似，爲了減少數據在傳輸過程中的序列化和反序列化損耗，將一些可以合併的Task進行合併，合併之後稱多個Task爲一個OperatorChain，在遇到Shuffle和用戶編程時強制截斷時，不進行合併。
二、架構
1.組成
a. JobClient是Flink程序和JobManager交互的橋樑（同Spark Driver），主要負責接收程序、解析程序的執行計劃、優化程序的執行計劃，然後提交執行計劃到JobManager。
b.JobManager是一個進程，主要負責申請資源，協調以及控制整個job的執行過程，具體包括，調度任務、處理checkpoint、容錯等等，在接收到JobClient提交的執行計劃之後，針對收到的執行計劃，繼續解析，因爲JobClient只是形成一個operaor層面的執行計劃，所以JobManager繼續解析執行計劃（根據算子的併發度，劃分task），形成一個可以被實際調度的由task組成的拓撲圖，如上圖被解析之後形成下圖的執行計劃，最後向集羣申請資源，一旦資源就緒，就調度task到TaskManager。
c.TaskManager是一個進程，及一個JVM（Flink用java實現）。主要作用是接收並執行JobManager發送的task，並且與JobManager通信，反饋任務狀態信息，比如任務分執行中，執行完等狀態，上文提到的checkpoint的部分信息也是TaskManager反饋給JobManager的。如果說JobManager是master的話，那麼TaskManager就是worker主要用來執行任務。在TaskManager內可以運行多個task。多個task運行在一個JVM內有幾個好處，首先task可以通過多路複用的方式TCP連接，其次task可以共享節點之間的心跳信息，減少了網絡傳輸。
2.Task 執行
Spark中每個Stage中的Task會被分配到一個Worker中的 -> Executor容器裏面的 -> 一個線程池中被執行，Flink稱每個Executor爲一個TaskManager，每個TaskManager中會有多個slot作爲內存隔離：
Spark：Worker ——> Executor ——> 線程池 ——> 線程
Flink： Worker ——> TaskManager ——> Slot ——> 線程
Slot是TaskManager資源粒度的劃分，每個Slot都有自己獨立的內存。所有Slot平均分配TaskManger的內存，比如TaskManager分配給Solt的內存爲8G，兩個Slot，每個Slot的內存爲4G，四個Slot，每個Slot的內存爲2G，值得注意的是，Slot僅劃分內存，不涉及cpu的劃分。同時Slot是Flink中的任務執行器（類似Storm中Executor），每個Slot可以運行多個task，而且一個task會以單獨的線程來運行。Slot主要的好處有以下幾點：
可以起到隔離內存的作用，防止多個不同job的task競爭內存。
Slot的個數就代表了一個Flink程序的最高並行度，簡化了性能調優的過程
允許多個Task共享Slot，提升了資源利用率，舉一個實際的例子，kafka有3個partition，對應flink的source有3個task，而keyBy我們設置的並行度爲20，這個時候如果Slot不能共享的話，需要佔用23個Slot，如果允許共享的話，那麼只需要20個Slot即可（Slot的默認共享規則計算爲20個）。
Slot 注意點：
a.隔離內存
b.Slot共享並不是必須配置，但是啓用可以加速任務執行
c. Task 共享同一個Slot，需要滿足：不同Task但是屬於同一個SlotShardingGroup，默認所有的Task屬於同一個default組
d.在不開啓Slot共享的情況下，Slot數量和Flink並行度相同，Slot 解析資料鏈接