「Flink」Flink的狀態管理與容錯

在Flink中的每個函數和運算符都是有狀態的。在處理過程中可以用狀態來存儲數據，這樣可以利用狀態來構建復雜操作。為了讓狀態容錯，Flink需要設置checkpoint狀態。Flink程序是通過checkpoint來保證容錯，通過checkpoint機制，Flink可恢復作業的狀態和計算位置。

checkpoint檢查點

前提條件

Flink的checkpoin機制需要與流和狀態的持久化存儲交互，一般它要求：

• 一個持久化的數據源
• 當Flink程序出現問題時，可以通過checkpoint持久化存儲中恢復，然后從出錯的地方開始重新消費數據
• 該數據源可以在一定時間內重跑數據，例如：Kafka、RabbitMQ或者文件系統HDFS、S3、…
• 狀態的持久存儲
• 狀態需要永久的保存下來，通常是分布式文件系統（例如：HDFS、S3、GFS、…）

啟用和配置檢查點

默認情況，Flink是禁用檢查點。要啟用檢查點，調用

// 啟用檢查點

// 單位：毫秒
env.enableCheckpointing(1000);

在啟用檢查點時，還可以配置檢查點的其他參數。

• exactly-one or at-least-once（僅一次或者至少一次）
• 大多數程序都是設置為exactly-once，只有在某些超低延遲的應用（例如：始終要求是毫秒級的應用）
• 通過查看源碼，我們看到，Flink默認是 exactly-once

public static final CheckpointingMode DEFAULT_MODE = CheckpointingMode.EXACTLY_ONCE;

• checkpoint timeout（檢查點超時時間）
• 檢查點超過規定的時間就會自動終止
• minimum time between checkpoints
• 檢查點之間的最小時間
• 下一個檢查點將在上一個檢查點完成后5秒鍾啟動
• 檢查點最小間隔時間不會受檢查點間隔更容易配置
• number of concureent checkpoint
• 檢查點的並發數目。默認情況一個檢查點在運行時不會觸發另一個檢查點，這樣可以確保Flink不會花太多時間在checkpoint上，並確保流可以有效進行。
• 可以設置多個重疊的checkpoint，這對容許有一定延遲，並希望較頻繁的檢查（100ms）來重新處理故障是有用的
• externalized checkpoint
• 外部檢查點
• 可以將檢查點設置為外部持久化，這樣檢查點的元數據將寫入持久存儲，並且但作業運行失敗是不會自動清理
• 這樣可以做雙重保險
• fail/continue task on checkpoint errors
• 檢查點執行發生錯誤，是否執行任務。
• 默認情況，如果checkpoint失敗，任務也將失敗
• perfer checkpoint for recovery
• 即時最近有更多的savepoint可用於恢復，flink依然會選擇使用最近一次的checkpoint來進行錯誤恢復

參考配置：

        // --------
        // 配置checkpoint
        // 啟用檢查點
        env.enableCheckpointing(1000);
        env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
        env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
        env.getCheckpointConfig().setCheckpointTimeout(60000);
        env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
        env.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
        env.getCheckpointConfig().setPreferCheckpointForRecovery(true);

選擇狀態后端存儲

Flink的checkpoint機制可以存儲計時器和有狀態operation的所有快照，包括：連接器、窗口或者用戶自定義狀態。具體checkpoint存儲在哪兒（例如：是JobManager內存、文件系統或者數據庫），依賴於狀態后端的配置。

默認情況，狀態保存在TaskManager的內存中，檢查點存儲在TM的內存中。為了適當地保存大狀態，Flink支持其他的存儲。我們可以通過：

StreamExecutionEnvironment.setStateBackend(…)

來指定存儲方式

Flink狀態管理

狀態的應用場景：

• 當應用程序想要按照某種模式搜索某些事件時，狀態可以保存迄今所有的事件序列
• 當每分鍾/小時/天需要對流數據進行聚合，狀態可以保存掛起的聚合
• 當在數據流上訓練機器學習模型時，狀態可以用來保存某一類參數的版本
• 當需要管理歷史數據時，狀態允許訪問過去歷史數據

Flink狀態可以保存在堆內、或者是堆外。Flink也可以管理應用程序的狀態，必要時也可以溢出到磁盤，如果應用要保持非常大的狀態，可以不修改程序邏輯情況下配置狀態后端存儲。

Flink狀態分類

Flink中有兩種基本的狀態：

• Keyed State
• Operator State

Keyed State

Keyed State通常和key相關，僅僅在KeyedStream的方法和算子中使用。可以把 Keyed State看作是分區，而且每一個key僅出現在一個分區內。邏輯上每個 keyed-state和唯一元組<算子並發實例, key>綁定，由於每個key僅屬於算子的一個並發，因此可以簡化為<算子, key>

Operator State

對於 Operator State來說，每個Operator State和一個並發實例綁定。Kafka connector是Flink中使用operator state的一個很好的示例。每個Kafka消費者的並發在Operator State中維護一個 topic partition到offset的映射關系。

Operator state在Flink作業的並發改變后，會重新分發狀態，分發的策略和keyed stated不一樣。

Raw State與Managed State

Keyed Stated和Operator State分別有兩種形式：managed 和 raw

Managed State是由Flink運行時管理的數據結構來表示的，例如：內部的Hash Table或者RocksDB。例如：ValueState、ListState等。Flink運行時會對這些狀態進行編碼並寫入Checkpoint。

Raw State則保存在自己的數據結構中。checkpoint的時候，Flink並不知道狀態里面具體的內容，僅僅寫入一串字節序列到checkpoint中。

所有的DataStream的function都可以使用managed state，但raw state只能在實現算子時使用。由於Flink可以在修改並發時更好的分發狀態數據，並且能夠更好的管理內存，因為講義使用 managed state.

使用Managed Keyed State

Managed keyed state接口提供不同類型的狀態訪問接口，這些狀態都作用在當前輸入數據的key下。這些狀態僅可在KeyedStream上使用，可以通過 stream.keyBy(…)得到KeyedStream。

所有支持的狀態類型如下：

• ValueState<T>
• 保存一個可以更新和獲取的值，算子接收到的每個key都可能對應一個值
• 可以通過update(T)進行更新，通過value()獲取
• ListState<T>
• 保存一個元素的列表，可以往這個列表中追加數據，並在當前列表上檢索
• 可以通過 add(T)或者addAll(List<T>)進行追加元素
• 通過get()獲取整個列表
• 通過 update(List<T>)覆蓋當前列表
• ReducingState<T>
• 保存一個單值，表示添加到狀態的所有值的聚合。接口與ListState類似
• AggregatingState<IN, OUT>
• 保存一個單值，表示添加到狀態的所有值的聚合
• 與ReducingState相反的是，聚合類型可能與添加到狀態的元素類型不同。接口與ListState類似
• FoldingState<T, ACC>（后續將過期）
• 保存一個單值，白搜狐添加到狀態的所有值的集合
• 與ReducingState相反的是，聚合類型可能與添加到狀態的元素類型不同。接口與ListState類似
• MapState<UK, UV>
• 維護一個映射列表，可以添加鍵值到狀態中，可以獲取當前映射的迭代器
• 使用put、putAll添加映射，使用 get檢索特定key

注意：

• 這些狀態對象僅用於狀態交互。狀態本身不一定存儲在內存中，還有可能保存在磁盤或者其他位置
• 從狀態中獲取的值取決於輸入元素說代表的key，因此，在不同key上調用同一個接口，可能得到不同的值

使用Managed Operator State

可以通過實現 CheckpointedFunction 或者 ListCheckpointed<T extends Serialized>接口來使用Managed Operator State。

CheckpointedFunction接口：

void snapshotState(FunctionSnapshotContext context) throws Exception;

void initializeState(FunctionInitializationContext context) throws Exception;

在Flink進行checkpoint時，會調用snapshotstate()，用戶自定義函數初始化時會調用 initializeState。初始化包括第一次自定義函數初始化和從之前的 checkpoint 回復。因此，initializeState 中應該也包括狀態恢復的邏輯。

Managed Operator State以list的形式存在，這些狀態是一個可序列化對象的集合List，彼此獨立，方便在改變並發后進行狀態的重新分派。換句話說，這些對象是重新分配 non-keyed state的最細粒度。根據狀態的不同訪問方式，有以下兩種分配模式：

• Even-split redistribution
• 每個算子都存儲一個列表形式的狀態集合，整個狀態由所有的列表拼接而成
• 但作業恢復或者重新分配時，整個狀態按照算子的並行度均勻分配
• Union redistribution
• 每個算子保存一個列表形式的狀態集合，整個狀態由所有的列表拼接而成
• 但作業恢復或者重新分配時，每個算子都將獲得所有的狀態數據

ListCheckpointed接口：

ListCheckpointed接口是CheckpointedFunction接口的精簡版，僅支持 even-split redistribution的list state

List<T> snapshotState(long checkpointId, long timestamp) throws Exception;

void restoreState(List<T> state) throws Exception;

snapshotState()需要返回一個將寫入到checkpoint的對象列表， restoreState則需要處理恢復回來的對象列表。

參考文獻：

Flink官方文檔：

https://ci.apache.org/projects/flink/flink-docs-release-1.9/zh/dev/stream/state/checkpointing.html

https://ci.apache.org/projects/flink/flink-docs-release-1.9/zh/ops/state/checkpoints.html

https://ci.apache.org/projects/flink/flink-docs-release-1.9/zh/dev/stream/state/state.html