4.1 Flink运行时的组件

image.png

每个组件都是一种JVM进程。

4.1.1 作业管理器（JobManager）

  • 控制一个应用程序执行的主进程。也就是说，每个应用程序都会被一个不同的JobManager所控制执行。
  • JobManager会先接收到要执行的应用程序，这个应用程序包括：
    • 作业图（JobGraph）
    • 逻辑数据流图（logical dataflow graph）
    • 打包了所有的类、库和其他资源的jar包。
  • JobManager会把JobGraph转换为一个物理层面的数据流图，这个图被叫做“执行图(Execution Graph)”，包含了所有可以并行执行的任务。

  • JobManager会向资源管理器(ResourceManager)请求执行任务必要的资源，也就是任务管理器(TaskManager)上的插槽(Slot)。一旦它获取到了足够的资源，就会将执行图分发到真正运行它们的TaskManager上。而在运行过程中，JobManager会负责所有需要中央协调的操作，比如说检查点(Checkpoints)的协调。

    4.1.2 任务管理器（TaskManager）

  • Flink中的工作进程。通常Flink中会有多个TaskManager运行，每一个TaskManager都包含了一定数量的插槽（slots）。插槽的数量限制了TaskManager能够执行的任务数量。

  • 启动之后，TaskManager会向资源管理器注册它的插槽；收到资源管理器的指令后，TaskManager就会将一个或者多个插槽提供给JobManager调用。JobManager就可以向插槽分配任务（tasks）来执行了。

  • 在执行过程中，一个TaskManager可以跟其他运行同一应用程序的TaskManager交换数据。

    4.1.3 资源管理器（ResourceManager）

  • 主要负责管理任务管理器（TaskManager）的插槽（slot），TaskManager的插槽是Flink中定义的处理资源最小单元。

  • Flink为不同的环境和资源管理工具提供了不同资源管理器，比如YARN、Mesos、K8S，以及standalone部署。

  • 当Job Manager申请插槽资源时，Resource Manager会将有空闲插槽的Task Manager分配给Job Manager。如果Resource Manager没有足够的插槽来满足Job Manager的请求，它还可以向资源提供平台发起会话，以提供启动TaskManager进程的容器。

    4.1.4 分发器（Dispatcher）

  • 可以跨作业运行，它为应用提交提供了REST接口。

  • 当一个应用被提交执行时，分发器就会启动并将应用移交给一个JobManager。
  • Dispatcher也会启动一个Web UI，用来方便地展示和监控作业执行信息。
  • Dispatcher在架构中可能并不是必需的，这取决于应用运行的方式。

4.2 任务提交流程

image.png
flink_作业执行流程 (3).png

4.2.1 基于YARN的任务提交流程

Per-Job-Cluster模式

image.png

4.3 任务调度原理

image.png

4.3.1 思考

  • 怎样实现并行计算？
    • 答：为一个operator设置大于1的并行度，从而形成多个任务，并分配到不同的slot（线程）上并行执行。
  • 并行的任务，需要占用多少slot？
    • 答：通常情况下，占用slot数量等于各步骤operator中最大的并行度，与有多少个步骤无关。

  • 一个流处理橙心，到底包含多少个任务（operator到任务的拆分逻辑）？

    4.3.2 并行度（Parallelism）

    image.png

  • 一个特定算子的子任务（subtask）的个数被称之为其并行度（parallelism）。一般情况下，一个stream的并行度，可以认为就是其所有算子中最大的并行度。

    4.3.3 TaskManager和Slots

    image.png

  • Flink中每一个TaskManager都是一个JVM进程，它可能会在独立的线程上执行一个或多个子任务。

  • 为了控制一个TaskManager能接收多少个Task，TaskManager通过Task Slot来进行控制（一个TaskManager至少有一个Slot）。

image.png

  • 默认情况下，Flink允许子任务共享slot，即使它们是不同任务的子任务（所有子任务默认同属default组）。这样的结果是，一个slot可以保存作业的整个管道。
    • 在不分区情况下，同一个slot中数据交换效率高，执行性能高。
    • 一个slot保存完整的管道，有利于资源分配和高可用。如果一个slot挂了，则只影响并行度，不影响作业完成，也不会造成资源浪费。
    • 一个slot保存完整的管道，有利于平衡“IO密集”和“CPU密集”型子任务对CPU的使用，避免造成“IO密集”型子任务独占Slot的情况。
  • 在代码中，可以对各个算子指定slotSharingGroup，从而明确指定哪些算子的并行子任务应该分到一个组。不同组的子任务一定会分配到不同slot中。

  • Task Slot是静态的概念，是指TaskManager具有的并发执行能力。通常slot数量设置为TaskManager所在机器的CPU核心数。

    4.3.4 并行子任务的分配

    image.png

    4.3.5 程序与数据流（DataFlow）

    image.png

  • 所有Flink程序都是由三部分组成：

    • Source：负责从外部系统读取数据。
    • Transformation：利用各种算子对数据进行处理加工。
    • Sink：负责输出数据到外部系统。
  • 在运行时，Flink上运行的程序会被映射成“逻辑数据流（dataflows）”，它包含了以上三部分。
  • 没有给dataflow以一个或多个sources开始，以一个或多个sinks结束。dataflow类似于有向无环图（DAG）。

  • 在大部分情况下，程序中的转换运算（transformations）跟dataflow中的算子（operator）是一一对应的关系。

    4.3.6 执行图（Execution Graph）

  • Flink中的执行图可以分成四层：StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图。

    • StreamGraph：根据用户通过Stream API编写的代码生成的最初的图。用来表示程序的拓扑结构。
    • JobGraph：StreamGraph经过优化胡生成了JobGraph。是提交给JobManager的数据结构。主要优化为，将多个符合条件的节点chain在一起作为一个节点。
    • ExecutionGraph：JobManager根据JobGraph生成的ExecutionGraph。ExecutionGraph是JobGraph的并行化版本，是调度层最核心的数据结构。
    • 物理执行图：JobManager根据ExecutionGraph对Job进行调度后，在各个TaskManager上部署Task后形成的“图”，并不是一个具体的数据解雇。

image.png

4.3.7 数据传输形式

  • 一个程序中，不同的算子可能具有不同的并行度。
  • 算子之间传输数据的形式可以时one-to-one（forwarding）的模式，也可以是redistributing的模式，具体是哪一种模式，取决于算子的种类。
    • one-to-one：stream维护着分区以及元素的顺序（比如surce和map之间）。这意味着map算子的子任务看到的元素的个数以及顺序跟source算子的子任务生产的元素的个数、顺序相同。map、filter、flatMap等算子都是one-to-one的对应关系。
    • redistributing：stream的分区会发生改变。每一个算子的子任务依据所选择的transformation发送数据到不同的目标任务。例如，keyBy基于hashCode重分区、而broadcast和rebalance会依据各自规则重新分区，这些算子都会引起redistribute过程，而redistribute过程就类似于Spark中的shuffle过程。

      注意：

      • keyBy操作并不是个算子（图中不会作为黄色圆圈展示），而只是将前后两个算子的数据传输形式改变为hash。

4.3.8 任务链

  • Flink采用了一种称为任务链的优化技术，可以在特定条件下减少本地通信的开销。为了满足任务链的要求，必须将两个或多个算子设为相同的并行度，并通过本地转发（local forward）的方式进行连接。
  • 前后两个算子形成任务链的条件：
    • 同属一个slotSharingGroup。
    • 并行度相同。
    • 是one-to-one（forward）操作（数据从前一个算子流向后一个算子时不会发生重分区）。
    • 算子未设置disableChaining、startNewchain。

image.png