【4.分布式计算】flink

flink有批处理和流处理的计算功能，其中批处理是用流计算来模拟，更多数据处理见：https://segmentfault.com/a/11...，分布式部署；计算相关的并行模式，流处理时间窗口，容错处理，增量计算等。
官方：https://flink.apache.org

逻辑架构

部署架构

• Standalone
  job manager(master)+wokers
• 基于yarn的部署
  
• HA:job manager单点
  Standalone ： Zookeeper
  对于 Yarn Cluaster 模式来说，Flink 就要依靠 Yarn 本身来对 JobManager 做 HA 了。其实这里完全是 Yarn 的机制。对于 Yarn Cluster 模式来说，JobManager 和 TaskManager 都是被 Yarn 启动在 Yarn 的 Container 中。此时的 JobManager，其实应该称之为 Flink Application Master。也就说它的故障恢复，就完全依靠着 Yarn 中的 ResourceManager（和 MapReduce 的 AppMaster 一样）。

运行架构

• client
  当用户提交一个Flink程序时，会首先创建一个Client，该Client首先会对用户提交的Flink程序进行预处理，并提交到Flink集群中处理，所以Client需要从用户提交的Flink程序配置中获取JobManager的地址，并建立到JobManager的连接，将Flink Job提交给JobManager。Flink程序=》JobGraph(Flink Dataflow:多个JobVertex组成的DAG，一个JobGraph包含了一个Flink程序的如下信息：JobID、Job名称、配置信息、一组JobVertex等)。
• jobmanager
  它负责接收Flink Job，调度组成Job的多个Task的执行。同时，JobManager还负责收集Job的状态信息，并管理Flink集群中从节点TaskManager。JobManager所负责的各项管理功能，它接收到并处理的事件主要包括:RegisterTaskManager,SubmitJob,CancelJob,UpdateTaskExecutionState,RequestNextInputSplit,JobStatusChanged
• worker
  JVM进程多线程，task slot内存隔离资源单位，一个job的的多讴歌subtask可以共享slot,

计算模式

在 Hadoop 中 Map 和 Reduce 是两个独立调度的 Task，并且都会去占用计算资源。对 Flink 来说 MapReduce 是一个 Pipeline 的 Task，只占用一个计算资源

https://ci.apache.org/project...
以上有6个源,6个map,6个reduce。在2个TM(每个3个slots)的并行执行方式如下

其中每个可并行的有一个JV和并行的EV.比如source会在一个JV中保含6个EV，ExecutionGraph还包含IntermediateResult和IntermediateResultPartition。前者跟踪IntermediateDataSet的状态，后者是每个分区的状态。

窗口与时间

支持窗口

1）倾斜窗口（Tumbling Windows，记录没有重叠，固定窗口大小时间间隔）
2）滑动窗口（Slide Windows，记录有重叠，固定窗口大小和窗口间隔）
3）会话窗口（Session Windows，在内部，会话窗口操作员为每个到达的记录创建一个新窗口，如果它们彼此之间的距离比定义的间隙更接近，则将窗口合并在一起。为了可合并的，会话窗口操作者需要一个合并触发器和一个合并 的窗函数）
4）全局窗口 全局窗口自动以触发器，自定义聚合方式等，
可以基于时间或数据计数（https://flink.apache.org/news...）

支持时间

事件时间，到达时间，处理时间
基于事件时间（事件创建时间）的水位线watermark算法（延后固定或推理出的关系式个时长，以便排除事件发生到处理的时长，来收集此刻创建的事件流）：

当1、watermark时间 >= window_end_time（对于out-of-order以及正常的数据而言）&& 2、在[window_start_time,window_end_time)中有数据存在 时窗口关闭开始计算
如下图：设定的maxOutOfOrderness=10000L（10s），窗口3s

• 定期水位线
  用户定义maxOutOfOrderness，两次水位线之间的数据可以用来调用方法生成下一次的时间，再往后推迟maxOutOfOrderness的时间即可。比如

  class BoundedOutOfOrdernessGenerator extends AssignerWithPeriodicWatermarks[MyEvent] {
      val maxOutOfOrderness = 3500L; // 3.5 seconds
      var currentMaxTimestamp: Long;
      override def extractTimestamp(element: MyEvent, previousElementTimestamp: Long): Long = {
          val timestamp = element.getCreationTime()
          currentMaxTimestamp = max(timestamp, currentMaxTimestamp)
          timestamp;
      }
      override def getCurrentWatermark(): Watermark = {
          // return the watermark as current highest timestamp minus the out-of-orderness bound
          new Watermark(currentMaxTimestamp - maxOutOfOrderness);
      }
  }
  

• 标点水位线
  数据流中有标记事件才调用extractTimestamp生成新的wartermark
• 对于map等在graph中交叉的流事件时间，是取输入流事件时间的最小时间
• 迟到事件：
  重新激活已经关闭的窗口并重新计算以修正结果。要保存上次结果重新计算，可能每个迟到事件都要触发。
  将迟到事件收集起来另外处理。直接返回收集结果
  将迟到事件视为错误消息并丢弃。

容错

• 流障碍注入
  快照：https://arxiv.org/pdf/1506.08...
  源于Chandy-Lamport算法https://lamport.azurewebsites...
  https://ci.apache.org/project...
  过程：
  将流障碍被注入流源的并行数据流中，检查点协调器会将快照n的屏障发送到其所有输出流中。
  一旦接收器操作员（流式DAG的末端）从其所有输入流接收到障碍n，自己状态持久化，向快照n确认检查点协调器。
  在所有接收器确认快照后，它被视为已完成。
  一旦完成了快照n，作业将永远不再向源请求来自Sn之前的记录，因为此时这些记录（及其后代记录）将通过整个数据流拓扑。

  

• 完全一次调用保证
  对齐(google的millwheel用的每个数据生成唯一编号，dedup去重实现exactly-once(milwheel)) 接收到一个流的n后，这个流的数据暂存，直到其他流也到n，对其发出快照。

  

• 存储
  状态也要存储（转换函数，系统窗口数据缓冲区等等），信息很大，单独state backend存储，可存储在HDFS中(选项有内存，rocksdb等)

  

内部优化

避免特定情况下Shuffle、排序等昂贵操作，中间结果有必要进行缓存

批处理

Flink执行批处理程序作为流程序的特殊情况，其中流是有界的（有限数量的元素）。因此，上述概念以相同的方式应用于批处理程序，并且它们适用于流程序，除了少数例外：
批处理程序的容错不使用检查点。通过完全重放流来进行恢复。成本更低。
支持迭代计算。

• 迭代计算
  机器学习和图计算使用
  https://ci.apache.org/project...
  普通迭代+增量迭代