Checkpoint 與 state 的關系
state 其實就是 Checkpoint 所做的主要持久化備份的主要數據。
Checkpoint 是從 source 觸發到下游所有節點完成的一次全局操作。下圖可以有一個對 Checkpoint 的直觀感受，紅框里面可以看到一共觸發了 569K 次 Checkpoint，然后全部都成功完成，沒有 fail 的。
看下圖的具體數據統計，其 state 也就 9kb 大小 。
什么是 state
先看一個非常經典的 word count 代碼，當我們在終端輸入 hello world，執行程序會輸出什么？
答案很明顯，(hello, 1) 和 (word,1)。
那么問題來了，如果再次在終端輸入 hello world，程序會輸入什么？
答案其實也很明顯，(hello, 2) 和 (world, 2)。為什么 Flink 知道之前已經處理過一次 hello world，這就是 state 發揮作用了，這里是 keyed state 存儲了之前需要統計的數據，所以幫助 Flink 知道 hello 和 world 之前分別出現過一次。
回顧一下剛才這段 word count 代碼。keyby 接口的調用會創建 keyed stream 對 key 進行划分，這是使用 keyed state 的前提。在此之后，sum 方法會調用內置的 StreamGroupedReduce 實現。
什么是 keyed state
對於 keyed state，有兩個特點：
-
只能應用於 KeyedStream 的函數與操作中，例如 Keyed UDF, window state
-
keyed state 是已經分區 / 划分好的，每一個 key 只能屬於某一個 keyed state
對於如何理解已經分區的概念，我們需要看一下 keyby 的語義，大家可以看到下圖左邊有三個並發，右邊也是三個並發，左邊的詞進來之后，通過 keyby 會進行相應的分發。例如對於 hello word，hello 這個詞通過 hash 運算永遠只會到右下方並發的 task 上面去。
什么是 operator state
-
又稱為 non-keyed state，每一個 operator state 都僅與一個 operator 的實例綁定
-
常見的 operator state 是 source state，例如記錄當前 source 的 offset
再看一段使用 operator state 的 word count 代碼：
這里的 fromElements 會調用 FromElementsFunction 的類，其中就使用了類型為 list state 的 operator state。根據 state 類型做一個分類如下圖：
除了從這種分類的角度，還有一種分類的角度是從 Flink 是否直接接管：
-
Managed State：由 Flink 管理的 state，剛才舉例的所有 state 均是 managed state
-
Raw State：Flink 僅提供 stream 可以進行存儲數據，對 Flink 而言 raw state 只是一些 bytes
在實際生產中，都只推薦使用 managed state，本文將圍繞該話題進行討論。
如何在 Flink 中使用 state
下圖就前文 word count 的 sum 所使用的 StreamGroupedReduce 類為例講解了如何在代碼中使用 keyed state：
下圖則對 word count 示例中的 FromElementsFunction 類進行詳解並分享如何在代碼中使用 operator state：
Checkpoint 的執行機制
在介紹 Checkpoint 的執行機制前，我們需要了解一下 state 的存儲，因為 state 是 Checkpoint 進行持久化備份的主要角色。
Statebackend 的分類
下圖闡釋了目前 Flink 內置的三類 state backend，其中 MemoryStateBackend 和 FsStateBackend 在運行時都是存儲在 java heap 中的，只有在執行 Checkpoint 時，FsStateBackend 才會將數據以文件格式持久化到遠程存儲上。而 RocksDBStateBackend 則借用了 RocksDB（內存磁盤混合的 LSM DB）對 state 進行存儲。
對於 HeapKeyedStateBackend，有兩種實現：
-
支持異步 Checkpoint（默認）：存儲格式 CopyOnWriteStateMap
-
僅支持同步 Checkpoint：存儲格式 NestedStateMap
特別在 MemoryStateBackend 內使用 HeapKeyedStateBackend 時，Checkpoint 序列化數據階段默認有最大 5 MB 數據的限制。
對於 RocksDBKeyedStateBackend，每個 state 都存儲在一個單獨的 column family 內，其中 keyGroup，Key 和 Namespace 進行序列化存儲在 DB 作為 key。
Checkpoint 執行機制詳解
本小節將對 Checkpoint 的執行流程逐步拆解進行講解，下圖左側是 Checkpoint Coordinator，是整個 Checkpoint 的發起者，中間是由兩個 source，一個 sink 組成的 Flink 作業，最右側的是持久化存儲，在大部分用戶場景中使用HDFS。
a. 第一步，Checkpoint Coordinator 向所有 source 節點 trigger Checkpoint。
b. 第二步，source 節點向下游廣播 barrier，並將自己的狀態（異步）寫入到持久化存儲中。這個 barrier 就是實現 Chandy-Lamport 分布式快照算法的核心，下游的 task 只有收到所有 input 的 barrier 才會執行相應的 Checkpoint。
c. 第三步，當 task 完成 state 備份后，會將備份數據的地址（state handle）通知給 Checkpoint coordinator。
d. 第四步，下游的 sink 節點收集齊上游兩個 input 的 barrier 之后，會執行本地快照，這里特地展示了 RocksDB incremental Checkpoint 的流程，首先 RocksDB 會全量刷數據到磁盤上（紅色大三角表示），然后 Flink 框架會從中選擇沒有上傳的文件進行持久化備份（紫色小三角）。
e. 同樣的，sink 節點在完成自己的 Checkpoint 之后，會將 state handle 返回通知 Coordinator。
f. 最后，當 Checkpoint coordinator 收集齊所有 task 的 state handle，就認為這一次的 Checkpoint 全局完成了，向持久化存儲中再備份一個 Checkpoint meta 文件。
Checkpoint 的 EXACTLY_ONCE 語義
為了實現 EXACTLY ONCE 語義，Flink 通過一個 input buffer 將在對齊階段收到的數據緩存起來，等對齊完成之后再進行處理。而對於 AT LEAST ONCE 語義，無需緩存收集到的數據，會對后續直接處理，所以導致 restore 時，數據可能會被多次處理。下圖是官網文檔里面就 Checkpoint align 的示意圖：
需要特別注意的是，Flink 的 Checkpoint 機制只能保證 Flink 的計算過程可以做到 EXACTLY ONCE，端到端的 EXACTLY ONCE 需要 source 和 sink 支持。
Savepoint 與 Checkpoint 的區別
作業恢復時，二者均可以使用，主要區別如下：
一些checkpoint的使用建議
