一、状态一致性

  • 有状态的流处理，内部每个算子任务都可以有自己的状态
  • 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
    • 一条数据不应该丢失，也不应该重复计算
    • 在遇到故障时可以恢复状态，恢复以后的重新计算，结果应该也是完全正确的

状态一致性分类

  • AT-MOST-ONCE(最多一次)
    • 当任务故障时，最简单的做法就是什么都不干，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
  • AT-LEAST-ONCE(至少一次)：需要在源或者计算或者中将数据保存起来
    • 在大多数的真实应用场景，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
  • 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)

  • Flink使用了一种轻量级快照机制—检查点(checkpoint)来保证 EXACTLY-ONCE 语义
  • 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
  • 应用状态的一致检查点，是Flink故障恢复机制的核心

详解见上篇文章：https://www.yuque.com/wells/big.data/ebvovs

三、端到端(end-to-end)状态一致性

  • 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
  • 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
  • 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

3.1、Flink内部保证 — checkpoint

3.2、source端

可重设数据的读取位置，保证数据可被重放

3.3、sink端

从故障恢复时，数据不会重复写入外部系统

3.3.1、幂等写入(Idempotent Writes)

3.3.2、事务写入(Transaction Writes)

  • 事务(Transaction)
    • 应用程序中一些列严密的操作，所有操作必须成功完成，否则再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的操作要么全部成功，要么全部失败
  • 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

  • 实现方式

    • 预写日志
    • 两阶段提交

      3.3.2.1、预写日志(Write-Ahead-Log，WAL)

  • 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

  • 简单易于实现，由于数据提前在状态后端中做了缓存，所有无论什么 sink 系统，都能用这种方式一批搞定
  • DataStream API 提供了一个模板类：GenericWriteAheadSink，来实现这种事务性 sink

缺点：

  • 按批写入，有可能最后批量写入 sink 的时候失败

3.3.2.2、两阶段提交(Two-Phase-Commit，2PC)

  • 对于每个 checkpoint，sink任务会启动一个事务，并将接下来所有接受的数据添加到事务里
  • 然后将这些数据写入外部 sink 系统，但是不提交他们， 这时只是“预提交”
  • 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
  • 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
  • 与预写日志不同，这是按流处理，每条都会在 sink 端进行预提交，flink无压力

2PC对外部 sink 系统的要求：

  • 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
  • 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
  • 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，那么未提交的数据就会丢失
  • sink任务必须能够在进行失败后恢复事务
  • 提交事务必须是幂等操作

image.png

四、Flink+Kafka端到端状态一致性的保证

  • 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
  • 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
  • sink：kafka producer 作为 sink，采用两阶段提交 sink，需要实现一个 TwoPhaseCommitSinkFunction

4.1、Exactly-once 两阶段提交

image.png

  • JobManager 协调各个 TaskManager 进行 checkpoint存储
  • 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

image.png

  • 当 checkpoint 启动时，JobManager 会将检查点分界线 (barrier) 注入数据流
  • barrier 会在算子间传递下去

image.png

  • 每个算子会对当前的状态做个快照，保存到状态后端
  • checkpoint 机制可以保证内部的状态一致性

image.png

  • 每个内部的 transform 任务遇到 barrier 时，都会把状态存到 checkpoint 里
  • sink 任务首先把数据写入到外部 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

image.png

  • 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
  • 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”

Sink 两阶段提交步骤：

  • 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”
  • 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
  • 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，用于提交下个检查点的数据
  • JobManager 收到所有任务的通知，发出确认信息，表示 checkpoint 完成
  • sink 任务收到 JobManager 的确认信息，正式提交这段时间的数据
  • 外部 kafka 关闭事务，提交的数据可以正常消费了

需要使用 kafka sink 还需要设置一些配置：

  • 设置checkpoint的超时时间不超过kafka sink事务超时的时间
  • 设置kafka sink的语义