【流式計算系列day3】Flink的Status是怎麼實現的？

實際問題

在流計算場景中，數據會源源不斷的流入Apache Flink系統，每條數據進入Apache Flink系統都會觸發計算。如果我們想進行一個Count聚合計算，那麼每次觸發計算是將歷史上所有流入的數據重新新計算一次，還是每次計算都是在上一次計算結果之上進行增量計算呢？答案是肯定的，Apache Flink是基於上一次的計算結果進行增量計算的。那麼問題來了: "上一次的計算結果保存在哪裏，保存在內存可以嗎？"，答案是否定的，如果保存在內存，在由於網絡，硬件等原因造成某個計算節點失敗的情況下，上一次計算結果會丟失，在節點恢復的時候，就需要將歷史上所有數據（可能十幾天，上百天的數據）重新計算一次，所以爲了避免這種災難性的問題發生，Apache Flink 會利用State存儲計算結果。本篇將會爲大家介紹Apache Flink State的相關內容。

什麼是State

這個問題似乎有些"弱智"？不管問題的答案是否顯而易見，但我還是想簡單說一下在Apache Flink裏面什麼是State？State是指流計算過程中計算節點的中間計算結果或元數據屬性，比如 在aggregation過程中要在state中記錄中間聚合結果，比如 Apache Kafka 作爲數據源時候，我們也要記錄已經讀取記錄的offset，這些State數據在計算過程中會進行持久化(插入或更新)。所以Apache Flink中的State就是與時間相關的，Apache Flink任務的內部數據（計算數據和元數據屬性）的快照。

爲什麼需要State

與批計算相比，State是流計算特有的，批計算沒有failover機制，要麼成功，要麼重新計算。流計算在 大多數場景 下是增量計算，數據逐條處理（大多數場景)，每次計算是在上一次計算結果之上進行處理的，這樣的機制勢必要將上一次的計算結果進行存儲（生產模式要持久化），另外由於 機器，網絡，髒數據等原因導致的程序錯誤，在重啓job時候需要從成功的檢查點(checkpoint，後面篇章會專門介紹)進行state的恢復。增量計算，Failover這些機制都需要state的支撐。

State 實現

Apache Flink內部有四種state的存儲實現，具體如下：

• 基於內存的HeapStateBackend - 在debug模式使用，不 建議在生產模式下應用；
• 基於HDFS的FsStateBackend - 分佈式文件持久化，每次讀寫都產生網絡IO，整體性能不佳；
• 基於RocksDB的RocksDBStateBackend - 本地文件+異步HDFS持久化；
• 還有一個是基於Niagara(Alibaba內部實現)NiagaraStateBackend - 分佈式持久化- 在Alibaba生產環境應用；

State 持久化邏輯

Apache Flink版本選擇用RocksDB+HDFS的方式進行State的存儲，State存儲分兩個階段，首先本地存儲到RocksDB，然後異步的同步到遠程的HDFS。 這樣而設計既消除了HeapStateBackend的侷限（內存大小，機器壞掉丟失等），也減少了純分佈式存儲的網絡IO開銷。

State 分類

Apache Flink 內部按照算子和數據分組角度將State劃分爲如下兩類：

• KeyedState - 這裏面的key是我們在SQL語句中對應的GroupBy/PartitioneBy裏面的字段，key的值就是groupby/PartitionBy字段組成的Row的字節數組，每一個key都有一個屬於自己的State，key與key之間的State是不可見的；
• OperatorState - Apache Flink內部的Source Connector的實現中就會用OperatorState來記錄source數據讀取的offset。 

State 擴容重新分配

Apache Flink是一個大規模並行分佈式系統，允許大規模的有狀態流處理。 爲了可伸縮性，Apache Flink作業在邏輯上被分解成operator graph，並且每個operator的執行被物理地分解成多個並行運算符實例。 從概念上講，Apache Flink中的每個並行運算符實例都是一個獨立的任務，可以在自己的機器上調度到網絡連接的其他機器運行。

Apache Flink的DAG圖中只有邊相連的節點🈶網絡通信，也就是整個DAG在垂直方向有網絡IO，在水平方向如下圖的stateful節點之間沒有網絡通信，這種模型也保證了每個operator實例維護一份自己的state，並且保存在本地磁盤（遠程異步同步）。通過這種設計，任務的所有狀態數據都是本地的，並且狀態訪問不需要任務之間的網絡通信。 避免這種流量對於像Apache Flink這樣的大規模並行分佈式系統的可擴展性至關重要。

如上我們知道Apache Flink中State有OperatorState和KeyedState，那麼在進行擴容時候（增加併發）State如何分配呢？比如：外部Source有5個partition，在Apache Flink上面由Srouce的1個併發擴容到2個併發，中間Stateful Operation 節點由2個併發並擴容的3個併發，如下圖所示:

在Apache Flink中對不同類型的State有不同的擴容方法，接下來我們分別介紹。

OperatorState對擴容的處理

我們選取Apache Flink中某個具體Connector實現實例進行介紹，以MetaQ爲例，MetaQ以topic方式訂閱數據，每個topic會有N>0個分區，以上圖爲例，加上我們訂閱的MetaQ的topic有5個分區，那麼當我們source由1個併發調整爲2個併發時候，State是怎麼恢復的呢？
state 恢復的方式與Source中OperatorState的存儲結構有必然關係，我們先看MetaQSource的實現是如何存儲State的。首先MetaQSource 實現了ListCheckpointed<T extends Serializable>，其中的T是Tuple2<InputSplit,Long>，我們在看ListCheckpointed接口的內部定義如下：

public interface ListCheckpointed<T extends Serializable>; {
    List<T> snapshotState(long var1, long var3) throws Exception;

    void restoreState(List&lt;T&gt; var1) throws Exception;
}

我們發現 snapshotState方法的返回值是一個List<T>,T是Tuple2<InputSplit,Long>，也就是snapshotState方法返回List<Tuple2<InputSplit,Long>>,這個類型說明state的存儲是一個包含partiton和offset信息的列表，InputSplit代表一個分區，Long代表當前partition讀取的offset。InputSplit有一個方法如下：

public interface InputSplit extends Serializable {
    int getSplitNumber();
}

也就是說，InputSplit我們可以理解爲是一個Partition索引，有了這個數據結構我們在看看上面圖所示的case是如何工作的？當Source的並行度是1的時候，所有打partition數據都在同一個線程中讀取，所有partition的state也在同一個state中維護，State存儲信息格式如下：

如果我們現在將併發調整爲2，那麼我們5個分區的State將會在2個獨立的任務（線程）中進行維護，在內部實現中我們有如下算法進行分配每個Task所處理和維護partition的State信息，如下：

List<Integer> assignedPartitions = new LinkedList<>();
for (int i = 0; i < partitions; i++) {
        if (i % consumerCount == consumerIndex) {
                assignedPartitions.add(i);
        }
}

這個求mod的算法，決定了每個併發所處理和維護partition的State信息，針對我們當前的case具體的存儲情況如下：

那麼到現在我們發現上面擴容後State得以很好的分配得益於OperatorState採用了List<T>的數據結構的設計。另外大家注意一個問題，相信大家已經發現上面分配partition的算法有一個限制，那就是Source的擴容（併發數）是否可以超過Source物理存儲的partition數量呢？答案是否定的，不能。目前Apache Flink的做法是提前報錯，即使不報錯也是資源的浪費，因爲超過partition數量的併發永遠分配不到待管理的partition。

KeyedState對擴容的處理

對於KeyedState最容易想到的是hash(key) mod parallelism(operator) 方式分配state，就和OperatorState一樣，這種分配方式大多數情況是恢復的state不是本地已有的state，需要一次網絡拷貝，這種效率比較低，OperatorState採用這種簡單的方式進行處理是因爲OperatorState的state一般都比較小，網絡拉取的成本很小，對於KeyedState往往很大，我們會有更好的選擇，在Apache Flink中採用的是Key-Groups方式進行分配。

什麼是Key-Groups

Key-Groups 是Apache Flink中對keyed state按照key進行分組的方式，每個key-group中會包含N>0個key，一個key-group是State分配的原子單位。在Apache Flink中關於Key-Group的對象是 KeyGroupRange, 如下：

public class KeyGroupRange implements KeyGroupsList, Serializable {
        ...
        ...
        private final int startKeyGroup;
        private final int endKeyGroup;
        ...
        ...
}

KeyGroupRange兩個重要的屬性就是 startKeyGroup和endKeyGroup，定義了startKeyGroup和endKeyGroup屬性後Operator上面的Key-Group的個數也就確定了。

什麼決定Key-Groups的個數

key-group的數量在job啓動前必須是確定的且運行中不能改變。由於key-group是state分配的原子單位，而每個operator並行實例至少包含一個key-group，因此operator的最大並行度不能超過設定的key-group的個數，那麼在Apache Flink的內部實現上key-group的數量就是最大並行度的值。
 
GroupRange.of(0, maxParallelism)如何決定key屬於哪個Key-Group
確定好GroupRange之後，如何決定每個Key屬於哪個Key-Group呢？我們採取的是取mod的方式，在KeyGroupRangeAssignment中的assignToKeyGroup方法會將key劃分到指定的key-group中，如下：

public static int assignToKeyGroup(Object key, int maxParallelism) {
      return computeKeyGroupForKeyHash(key.hashCode(), maxParallelism);
}

public static int computeKeyGroupForKeyHash(int keyHash, int maxParallelism) {
      return HashPartitioner.INSTANCE.partition(keyHash, maxParallelism);
}

@Override
public int partition(T key, int numPartitions) {
      return MathUtils.murmurHash(Objects.hashCode(key)) % numPartitions;
}

如上實現我們瞭解到分配Key到指定的key-group的邏輯是利用key的hashCode和maxParallelism進行取餘操作來分配的。如下圖當parallelism=2,maxParallelism=10的情況下流上key與key-group的對應關係如下圖所示：

如上圖key(a)的hashCode是97，與最大併發10取餘後是7，被分配到了KG-7中，流上每個event都會分配到KG-0至KG-9其中一個Key-Group中。
每個Operator實例如何獲取Key-Groups
 瞭解了Key-Groups概念和如何分配每個Key到指定的Key-Groups之後，我們看看如何計算每個Operator實例所處理的Key-Groups。 在KeyGroupRangeAssignment的computeKeyGroupRangeForOperatorIndex方法描述了分配算法：

public static KeyGroupRange computeKeyGroupRangeForOperatorIndex(
      int maxParallelism,
      int parallelism,
      int operatorIndex) {
        GroupRange splitRange = GroupRange.of(0, maxParallelism).getSplitRange(parallelism, operatorIndex);
        int startGroup = splitRange.getStartGroup();
        int endGroup = splitRange.getEndGroup();
   return new KeyGroupRange(startGroup, endGroup - 1);
}

public GroupRange getSplitRange(int numSplits, int splitIndex) {
        ...
        final int numGroupsPerSplit = getNumGroups() / numSplits;
        final int numFatSplits = getNumGroups() % numSplits;

        int startGroupForThisSplit;
        int endGroupForThisSplit;
        if (splitIndex < numFatSplits) {
            startGroupForThisSplit = getStartGroup() + splitIndex * (numGroupsPerSplit + 1);
            endGroupForThisSplit =   startGroupForThisSplit + numGroupsPerSplit + 1;
        } else {
            startGroupForThisSplit = getStartGroup() + splitIndex * numGroupsPerSplit + numFatSplits;
            endGroupForThisSplit =  startGroupForThisSplit + numGroupsPerSplit;
        }
        if (startGroupForThisSplit >= endGroupForThisSplit) {
                return GroupRange.emptyGroupRange();
        } else {
                return new GroupRange(startGroupForThisSplit, endGroupForThisSplit);
        }
}

上面代碼的核心邏輯是先計算每個Operator實例至少分配的Key-Group個數，將不能整除的部分N個，平均分給前N個實例。最終每個Operator實例管理的Key-Groups會在GroupRange中表示，本質是一個區間值；下面我們就上圖的case，說明一下如何進行分配以及擴容後如何重新分配。
假設上面的Stateful Operation節點的最大並行度maxParallelism的值是10，也就是我們一共有10個Key-Group，當我們併發是2的時候和併發是3的時候分配的情況如下圖：

如上算法我們發現在進行擴容時候，大部分state還是落到本地的，如Task0只有KG-4被分出去，其他的還是保持在本地。同時我們也發現，一個job如果修改了maxParallelism的值那麼會直接影響到Key-Groups的數量和key的分配，也會打亂所有的Key-Group的分配，目前在Apache Flink系統中統一將maxParallelism的默認值調整到4096，最大程度的避免無法擴容的情況發生。

小結

本篇簡單介紹了Apache Flink中State的概念，並重點介紹了OperatorState和KeyedState在擴容時候的處理方式。Apache Flink State是支撐Apache Flink中failover，增量計算，Window等重要機制和功能的核心設施。後續介紹failover，增量計算，Window等相關篇章中也會涉及State的利用，當涉及到本篇沒有覆蓋的內容時候再補充介紹。

https://yq.aliyun.com/articles/667562