Flink流处理过程的部分原理分析

前言

在分布式领域，计算和存储一直是两大子领域。很多分布式理念在计算和存储的实现中会有着完全不同的逻辑，比如我们快照，计算框架中的快照和我们平常说的存储快照实现不同点在于哪里呢？笔者做为一个研究存储模块出身的人，最近在研读Flink流处理的部分原理，小小作番总结。很多时候，以存储的眼光来看待计算过程中的处理过程，还是有很多不一样的地方的。下文中，笔者将逐一介绍Flink流处理的一些过程分析。额外说明一点，以下内容来源于早期Flink内部设计文档，可能与现今使用的Flink有所差异，详细来源可见文末引用地址。

流的时间有序性保证

在上一篇阐述Flink窗口处理的文章中，笔者提到了关于网络传输等外部因素造成的流数据的潜在乱序问题，也就是一些“迟到“了的数据。对于这种情况，Flink在内部提供了一种有序数据流的概念，当然这个有序流是一种被二次加工过的数据流，从而保证了其有序性。那么问题来了，这种数据流是进行了何种处理方式呢？

用一句简单地话来说：通过watermark对数据重排序，来保证整体数据流的有序性。

而这里分段数据的重排序，依靠的是数据流的watermark值。每当我们每接收到一份数据到buffer中时，我们选定其中最新的watermark值，对buffer里数据的时间小于此watermark值的数据在buffer中做一个排序。然后将此排序好的数据发向下游。这里基于的一个原则是：时间比当前watermark消息早的数据都已经到来了，所以我们可以大胆地把这批数据先拍好序再发出去。图示效果如下：

窗口序列对齐

最Flink流任务中，会涉及到数据被多次窗口处理的问题，比如数据流被A窗口处理过有到看B窗口中做处理。我们如何来指定窗口的序列关系呢？

这里Flink采用了一种窗口逐一对齐的做法。后一窗口的起始末尾边界与前一序处理窗口的边界完全对齐，对应区间范围内的结果数据同样落位到相对应的区间窗口内。如下图所示：

流数据的容错：Checkpoint机制

流处理与批处理相比，它的一大优势在于它的低延时，而批处理的一个得天独厚的优势是错误恢复容易。因为批处理任务在每次的批处理操作中会保存住全部的输入数据，如果出现结果算错的情况，重新执行一次处理过程即可。而流式计算中连续不断的数据处理，使得错误恢复变得复杂起来。所以假如流处理任务能够做到快速的错误恢复，那么其可用性将会大大加强。下面笔者主要阐述的是Flink的错误恢复机制：Checkpoint机制。

首先，我们假设发生了一个流处理任务执行异常失败的场景，然后我们准备在下一刻进行完全地恢复，重新回到失败的那个时刻点，任务继续往后跑。那么在这里我们至少有保留哪些状态数据呢？答案是以下3点：

Source的偏移量位置
当时正在流动中的数据
操作状态数据
下面我们来看看针对这2类数据，Flink内部是如何做定期checkpoint的。

Barrier

Flink为了实现定期的checkpoint，做的一个核心改动是在流数据中增加一个标记数据记录，名为stream barrier。不同时间点插入barrier数据将流数据分隔成了多份，每份对应一次checkpoint操作，同时checkpoint会保留住数据源source当时的偏移量信息。如下图所示：

当barrier标记从source流向到sink下游，并且系统受到sink端的确认消息后，此checkpoint宣告正式完成。如果过程中需要涉及多input的输入时，处理快的barrier流会在过程中等待落后的其它流直到它们的barrier信息到来，然后再往下游传输数据，如下图：

State

对于应用中所涉及的中间状态数据，Flink支持用户自定义状态持久化操作，然后应用程序在重新启动的时候从外部存储中重新恢复状态数据。

一般情况下，为了保证状态数据的一致性，checkpoint状态数据的时候是同步的过程。Flink在后来实现了一种异步状态同步的方法，主要采用的思路是拷贝原状态的数据，然后用异步线程去持久化拷贝的那份状态数据。同时为了防止每次checkpoint大量相同状态的数据，Flink在后期也实现了增量checkpoint的功能。