一、状态一致性
1）有状态的流处理，内部每个算子任务都可以有自己的状态；
2）对于流处理器内部来说，所谓的状态一致性，其实就是我们所说的计算结果要保证准确；
3）一条数据不应该丢失，也不应该重复计算；
4）在遇到故障时可以恢复状态，恢复以后进行重新计算，结果应该也是完全正确的；
1、状态一致性分类
（1）AT-MOST-ONCE（最多一次）
》》当任务故障时，最简单的做法就是什么也不干，既不恢复丢失的状态，也不重播丢失的数据，At-most-once语义的含义是最多处理一次事件。
（2）AT-LEAST-ONCE（至少一次）
》》在大多数的真实应用场景中，我们希望不丢失事件，这种类型的保障称为at-least-once，意思是所有的事件都得到了处理，而一些事件还可能被处理多次；
（3）EXACTLY-ONCE（精确一次）
》》恰好处理一次是最严格的保证，也是最难实现的。恰好处理一次语义不仅仅意味着没有事件丢失，还意味着针对每一个数据，内部状态仅仅更新一次。
二、一致性检查点（checkpoint）
1）Flink使用了一种轻量级快照机制——检查点（checkpoint）来保证exactly-once语义；
2）有状态流应用的一致检查点，其实就是：所有任务的状态，在某个时间点的一份拷贝（一份快照）。而这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候；
3）应用状态的一致检查点，是Flink故障恢复机制的核心；
三、端到端（end-to-end）状态一致性
1）目前我们看到的一致性保证都是由流处理器实现的，也就是说都是在Flink流处理器内部保证的；而在真实应用中，流处理应用除了流处理器以外还包含了数据源（例如：Kafka）和输出到持久化系统；
2）端到端的一致性保证，意味着结果的正确性贯穿了整个流处理应用的始终；每一个组件都保证了它自己的一致性；
3）整个端到端的一致性级别取决于所有组件中一致性最弱的组件；
四、端到端的精确一次（exactly-once）保证
1）内部保证——checkpoint；
2）source端——可重设数据的读取位置
3）sink端——从故障恢复时，数据不会重复写入外部系统
》》幂等写入
》》事务写入
1、幂等写入（Idempotent Writes）
1）所谓幂等操作，是说一个操作，可以重复执行很多次，但只导致一次结果更改，也就是说，后面再重复执行就不起作用了；
2、事务写入（Transactional Writes）
1）事务（Transaction）
》》应用程序中一系列严密的操作，所有操作必须成功完成，否则在每个操作中所做的所有更改都会被撤销；
》》具有原子性：一个事务中的一系列操作要么全部成功，要么一个都不做；
2）实现思想：构建的事务对应着checkpoint，等到checkpoint真正完成的时候，才把所有对应的结果写入sink系统中；
3）实现方式：预写日志、两阶段提交；
2.1 预写日志（Write-Ahead-Log，WAL）
1）把结果数据先当成状态保存，然后在收到checkpoint完成的通知时，一次性写入sink系统；
2）简单易于实现，由于数据提前在状态后端中做了缓存，所以无论什么sink系统，都能用这种方式一批搞定；
3）DataStream API提供了一个模版类：GenericWriteAheadSink，来实现这种事务性sink；
2.2 两阶段提交（Two-Phase-Commit，2PC）
1）对于每个checkpoint，sink任务会启动一个事务，并将接下来所有接收的数据添加到事务里；
2）然后将这些数据写入外部sink系统，但不提交它们——这时只是“预提交”；
3）当它收到checkpoint完成的通知时，它才正式提交事务，实现结果的真正写入；
4）这种方式真正实现了exactly-once，它需要一个提供事务支持的外部sink系统。Flink提供了TwoPhaseCommitSinkFunction接口；
2.3 2PC对外部sink系统的要求
1）外部sink系统必须提供事务支持，或者sink任务必须能够模拟外部系统上的事务；
2）在checkpoint的间隔期间里，必须能够开启一个事务并接收数据写入；
3）在收到checkpoint完成的通知之前，事务必须是“等待提交”的状态。在故障恢复的情况下，这可能需要一些时间。如果这个时候sink系统关闭事务（例如：超时了），那么未提交的数据就会丢失；
4）sink任务必须能够在进程失败后恢复事务；
5）提交事务必须是幂等操作；
2.4 不同Source和Sink的一致性保证
|
source sink |
不可重置 |
可重置 |
|
任意（Any） |
At-most-once |
At-least-once |
|
幂等 |
At-most-once |
Exactly-once （故障恢复时会出现暂时不一致） |
|
预写日志（WAL） |
At-most-once |
At-least-once |
|
两阶段提交（2PC） |
At-most-once |
Exactly-once |
五、Flink+Kafka端到端状态一致性的保证
1）内部——利用checkpoint机制，把状态存盘，发生故障的时候可以恢复，保证内部的状态一致性；
2）source——kafka consumer作为source，可以将偏移量保存下来，如果后续任务出现了故障，恢复的时候可以由连接器重置偏移量，重新消费数据，保证一致性；
3）sink——kafka producer作为sink，采用两阶段提交sink，需要实现一个TwoPhaseCommitSinkFunction；
1、Exactly-once两阶段提交
1）JobManager协调各个TaskManager进行checkpoint存储；
2）checkpoint保存在StateBackend中，默认StateBackend是内存级的，也可以改为文件级的进行持久化保存；
3）当checkpoint启动时，JobManager会将检查点分界线（barrier）注入数据流；
4）barrier会在算子间传递下去；
5）每个算子会对当前的状态做个快照，保存到状态后端；
6）checkpoint机制可以保证内部的状态一致性；
7）每个内部的transform任务遇到barrier时，都会把状态保存到checkpoint里面；
8）sink任务首先把数据写入外部kafka，这些数据都属于预提交的事务；遇到barrier时，把状态保存到状态后端，并开启新的预提交事务；
9）当所有算子任务的快照完成，也就是这次的checkpoint完成时，JobManager会向所有任务发通知，确认这次checkpoint完成；
10）sink任务收到确认通知，正式提交之前的事务，kafka中未确认数据改为“已确认”；
2、 Exactly-once两阶段提交步骤
1）第一条数据来了之后，开启一个kafka的事务（Transaction），正常写入kafka分区日志但标记为未提交，这就是“预提交”；
2）JobManager触发checkpoint操作，barrier从source开始向下传递，遇到barrier的算子将状态存入状态后端，并通知JobManager；
3）sink连接器收到barrier，保存当前状态，存入checkpoint，通知JobManager，并开启下一阶段的事务，用于提交下一个检查点的数据；
4）JobManager收到所有任务的通知，发出确认信息，表示checkpoint完成；
5）sink任务收到JobManager的确认信息，正式提交这段时间的数据；
6）外部Kafka关闭事务，提交的数据可以正常消费了；