第四章 Flink 运行架构

Flink 运行架构

4.1 Yarn 模式任务提交流程

(1)Flink任务提交后，Client将Flink的Jar包和配置上传到HDFS
(2)向Yarn的ResourceManager提交任务
(3)ResourceManager启动AM并为该任务分配一个Container容器
(4)ResourceManager通知对应的NodeManager启动ApplicationMaster
(5)ApplicationMaster启动后加载Flink的Jar包和配置构建环境，然后启动JobManager
(6)启动只有与ApplicationMaster通讯，要求ApplicationMaster向ResourceManager申请资源启动 TaskManager
(7)ResourceManager分配Container资源后，由ApplicationMaster通知资源所在节点的NodeManager启动TaskManager 
(8)NodeManager加载Flink的Jar包和配置构建环境并启动TaskManager
(9)TaskManager启动后向JobManager发送心跳包，并等待JobManager向其分配任务。

4.2 任务调度流程

  客户端不是运行时和程序执行的一部分，但它用于准备并发送 dataflow 给Master，然后，客户端断开连接或者维持连接以等待接收计算结果。
  客户端可以以两种方式运行：要么作为 Java/Scala 程序的一部分被程序触发执行，要么以命令行./bin/flink run 的方式执行。
  客户端首先会把代码抽象成dataFlow graph，然后通过actorSystem程序将dataflow graph发送给JobManager，JobManager将会根据dataflow的分区的变化的情况去划分task，然后将每个task通过actorSystem程序发送给taskManager里面的slot去执行一个task

  当 Flink 集群启动后，首先会启动一个 JobManger 和一个或多个的 TaskManager。由 Client 提交任务给 JobManager，JobManager 再调度任务到各个 TaskManager 去执行，然后 TaskManager 将心跳和统计信息汇报给 JobManager。TaskManager 之间以流的形式进行数据的传输。上述三者均为独立的 JVM 进程。
  Client为提交 Job 的客户端，可以是运行在任何机器上（与 JobManager 环境连通即可）。提交 Job 后，Client 可以结束进程（Streaming的任务），也可以不结束并等待结果返回。
  JobManager主要负责调度 Job 并协调 Task 做 checkpoint，职责上很像 Storm 的 Nimbus。从 Client 处接收到 Job 和 JAR 包等资源后，会生成优化后的执行计划，并以 Task 的单元调度到各个 TaskManager 去执行。
  TaskManager在启动的时候就设置好了槽位数（Slot），每个 slot 能启动一个 Task，Task 为线程。从 JobManager 处接收需要部署的 Task，部署启动后，与自己的上游建立 Netty 连接，接收数据并处理。

  Tips：slot代表着taskManager能够最大并行执行的task个数，一个slot运行一个task，如果需要一个taskManager同时运行多个task，就需要并行度的支持

关于执行图
  Flink 中的执行图可以分成四层：StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图。
  StreamGraph：是根据用户通过 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经过优化后生成了 JobGraph，提交给 JobManager 的数据结构。主要的优化为，将多个符合条件的节点 chain 在一起作为一个节点，这样可以减少数据在节点之间流动所需要的序列化/反序列化/传输消耗。
  ExecutionGraph：JobManager 根据 JobGraph 生成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结构。

4.3(worker)TaskManager 与 Slots

  每一个 TaskManager 是一个 JVM 进程，它可能会在独立的线程上执行一个或多个 subtask。为了控制一个 worker 能接收多少个 task，worker 通过 task slot 来进行控制（一个 worker 至少有一个 task slot）。
  每个 task slot 表示 TaskManager 拥有资源的一个固定大小的子集。假如一个
TaskManager 有三个 slot，那么它会将其管理的内存分成三份给各个 slot。资源slot化意味着一个 subtask 将不需要跟来自其他 job 的 subtask 竞争被管理的内存，取而代之的是它将拥有一定数量的内存储备。需要注意的是，这里不会涉及到 CPU 的隔离，slot 目前仅仅用来隔离 task 的受管理的内存。
  通过调整 task slot 的数量，允许用户定义 subtask 之间如何互相隔离。如果一个 TaskManager 一个 slot，那将意味着每个 task group 运行在独立的 JVM 中（该JVM可能是通过一个特定的容器启动的），而一个 TaskManager 多个 slot 意味着更多的subtask 可以共享同一个 JVM。而在同一个 JVM 进程中的 task 将共享 TCP 连接（基于多路复用）和心跳消息。它们也可能共享数据集和数据结构，因此这减少了每个task 的负载。

  Task Slot 是静态的概念，是指 TaskManager 具有的并发执行能力，可以通过参数 taskmanager.numberOfTaskSlots 进行配置，而并行度 parallelism 是动态概念，即TaskManager 运行程序时实际使用的并发能力可以通过参数 parallelism.default 进行配置。
  也就是说，假设一共有3个TaskManager，每一个TaskManager中的分配 3个TaskSlot，也就是每个TaskManager可以接收 3个task，一共9个TaskSlot，如果我们设置parallelism.default=1，即运行程序默认的并行度为 1，9个TaskSlot只用了1个，有8个空闲，因此，设置合适的并行度才能提高效率。

4.4程序与数据流（Dataflow）

  Flink 程序由 Source、Transformation、Sink 这三个核心组件组成，Source 主要负责数据的读取，Transformation 主要负责对属于的转换操作，Sink 负责最终数据的输出，在各个组件之间流转的数据称为流（streams）。

				《图 Flink 程序模型》

  Flink 程序的基础构建模块是 流（streams） 与 转换（transformations）（需要注意的是，Flink 的 DataSet API 所使用的 DataSets 其内部也是 stream）。一个 stream可以看成一个中间结果，而一个 transformations 是以一个或多个 stream 作为输入的某种 operation，该 operation 利用这些 stream 进行计算从而产生一个或多个 resultstream。
  在运行时，Flink 上运行的程序会被映射成 streaming dataflows，它包含了streams 和 transformations operators。每一个 dataflow 以一个或多个 sources开始以一个或多个sinks 结束，dataflow 类似于任意的有向无环图（DAG）。

4.5并行数据流

  Flink 程序的执行具有并行、分布式的特性。在执行过程中，一个 stream 包含一个或多个 stream partition ， 而每一个operator 包含一个或多个operator subtask，这些operator subtasks 在不同的线程、不同的物理机或不同的容器中彼此互不依赖得执行。
  一个特定 operator 的 subtask 的个数被称之为其 parallelism(并行度)。一个
stream 的并行度总是等同于其 producing operator 的并行度。一个程序中，不同的operator 可能具有不同的并行度。

  Stream 在 operator 之间传输数据的形式可以是 one-to-one(forwarding)的模式也可以是 redistributing 的模式，具体是哪一种形式，取决于 operator 的种类。
  One-to-one：stream(比如在 source 和 map operator 之间)维护着分区以及元素的顺序。那意味着 map operator 的 subtask 看到的元素的个数以及顺序跟 source operator 的subtask 生产的元素的个数、顺序相同，map、fliter、flatMap 等算子都是one-to-one 的对应关系。
  Redistributing：这种操作会改变数据的分区个数。每一个 operator subtask 依据所选择的transformation 发送数据到不同的目标subtask。 例如 ，keyBy()基 于hashCode 重分区、broadcast 和 rebalance 会随机重新分区，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。

4.6task 与 operator chains

  出于分布式执行的目的，Flink 将 operator 的 subtask 链接在一起形成 task，每个 task 在一个线程中执行。将 operators 链接成 task 是非常有效的优化：它能减少线程之间的切换和基于缓存区的数据交换，在减少时延的同时提升吞吐量。链接的行为可以在编程 API 中进行指定。
  下面这幅图，展示了 5 个 subtask 以 5 个并行的线程来执行：
图 task 与 operator chains