Flink - [08] 状态一致性
题记部分
一、什么是状态一致性
有状态的流处理,内部每个算子任务都可以有自己的状态。对于流处理器内部来说,所谓的状态一致性,其实就是我们所说的计算结果要保证准确、一条数据也不应该丢失,也不应该重复计算,在遇到故障时可以恢复状态,恢复以后的重新计算,结果应该也是完全正确的。
二、状态一致性分类
(1)AT-MOST-ONCE(最多一次)
当任务故障时,最简单的做法是什么都不干,既不恢复丢失的状态,也不重播丢失的数据。At-most-once 语义的含义是最多处理一次事件。
(2)AT-LEAST-ONCE(至少一次)
在大多数的真实应用场景,我们希望不丢失事件。这种类型的保障称为at-least-once,意思是所有的事件都得到了处理,而一些事件还可能被处理多次。
(3)EXACTLY-ONCE(精确一次)
恰好处理一次是最严格的保证,也是最难实现的。恰好处理一次语义不仅仅意味着没有事件发生,还意味着针对每一个数据,内部状态仅仅更新一次。
三、一致性检查点
Flink使用了一种轻量级快照机制 —— 检查点(checkpoint)来保证exactly-once语义,有状态流应用的一致检查点,其实就是:所有任务的状态,在某个时间点的一份拷贝(一份快照)。而这个时间点,应该是所有任务都恰好处理完一个相同的输入数据的时候。应用状态的一致检查点,是Flink故障恢复机制的核心。
四、端到端状态一致性
目前我们看到的一致性保证都是由流处理器实现的,也就是说都是在Flink流处理器内部保证的;而在真实应用中,流处理应用除了流处理器以外还包含了数据源(例如Kafka)和输出到持久化系统。端到端的一致性保证,意味着结果的正确性贯穿了整个流处理应用的始终;每一个组件都保证了它自己的一致性。整个端到端的一致性级别取决于所有组件中一致性最弱的组件。
五、端到端 exactly-once
(1)内部保证 —— checkpoint
(2)source端 —— 可重设数据的读取位置
(3)sink端 —— 从故障恢复时,数据不会重复写入外部系统
① 幂等写入
② 事务写入
六、幂等写入
所谓幂等操作,是说一个操作,可以重复执行很多次,但只导致一次结果更改,也就是说,后面再重复执行就不起作用了。
七、事务写入
(1)事务(Transaction)
① 应用程序中一系列严密的操作,所有操作必须成功完成,否则在每个操作中所作的所有更改都会被撤销
② 具有原子性:一个事务中的一系列的操作要么全部成功,要么一个都不做
(2)实现思想:构建的事务对应着checkpoint,等到checkpoint真正完成的时候,才把所有对应的结果写入sink系统中。
(3)实现方式:
① 预写日志
② 两阶段提交
八、预写日志
把结果数据先当成状态保存,然后在收到checkpoint完成的通知时,一次性写入sink系统。简单易于实现,由于数据提前在状态后端中做了缓存,所以无论什么sink系统,都能用这种方式一批搞定。DatasStream API提供了一个模板类:GenericWriteAheadSink,来实现这种事务性sink。
九、两阶段提交
Two-Phase-Commit,2PC
对于每个checkpoint,sink任务会启动一个事务,并将接下来所有接收的数据添加到事务里。然后将这些数据写入外部sink系统,但不提交它们 —— 这时只是“预提交”。当它收到checkpoint完成的通知时,它才正式提交事务,实现结果的真正写入。这种方式真正实现了exactly-once,它需要一个提供事务支持的外部sink系统。Flink提供了TwoPhaseCommitSinkFunction接口。
2PC对外部sink系统的要求?
(1)外部sink系统必须提供事务支持,或者sink任务必须能够模拟外部系统上的事务。
(2)在checkpoint的间隔期间里,必须能够开启一个事务并接受数据写入。
(3)在收到checkpoint完成的通知之前,事务必须是“等待提交”的状态。在故障恢复的情况下
十、不同Source和Sink的一致性保证
十一、Flink + Kafka端到端状态一致性保证
十二、Exactly-once 两阶段提交
— 业精于勤荒于嬉,行成于思毁于随 —