Flink 状态一致性

当在分布式系统中引入状态时，自然也引入了一致性问题。一致性实际上是"正确性级别"的另一种说法，也就是说在成功处理故障并恢复之后得到的结果，与没有发生任何故障时得到的结果相比，前者到底有多正确？举例来说，假设要对最近一小时登录的用户计数。在系统经历故障之后，计数结果是多少？如果有偏差，是有漏掉的计数还是重复计数？

1、一致性级别

在流处理中，一致性可以分为3个级别：

• at-most-once: 故障发生后，计数结果可能丢失
• at-least-once: 计算程序在发生故障后可能重复计算，但是绝不会少算
• exactly-once: 发生故障后得到的结果与正确值一致

曾经，at-least-once非常流行。第一代流处理器(如Storm和Samza)刚问世时只保证at-least-once，原因有二:

• 保证exactly-once的系统实现起来更复杂。这在基础架构层(决定什么代表正确，以及exactly-once的范围是什么)和实现层都很有挑战性。

• 流处理系统的早期用户愿意接受框架的局限性，并在应用层想办法弥补(例如使应用程序具有幂等性，或者用批量计算层再做一遍计算)。

最先保证exactly-once的系统(Storm Trident和Spark Streaming)在性能和表现力这两个方面付出了很大的代价。为了保证exactly-once，这些系统无法单独地对每条记录运用应用逻辑，而是同时处理多条(一批)记录，保证对每一批的处理要么全部成功，要么全部失败。这就导致在得到结果前，必须等待一批记录处理结束。因此，用户经常不得不使用两个流处理框架(一个用来保证exactly-once，另一个用来对每个元素做低延迟处理)，结果使基础设施更加复杂。曾经，用户不得不在保证exactly-once与获得低延迟和效率之间权衡利弊。Flink避免了这种权衡。

Flink的一个重大价值在于，它既保证了Exactly-once，也具有低延迟和高吞吐的处理能力

从根本上说，Flink通过使自身满足所有需求来避免权衡，它是业界的一次意义重大的技术飞跃。尽管这在外行看来很神奇，但是一旦了解，就会恍然大悟。

2、端到端（end-to-end）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。

具体可以划分如下：

• source端 —— 需要外部源可重设数据的读取位置
• flink内部 —— 依赖checkpoint
• sink端 —— 需要保证从故障恢复时，数据不会重复写入外部系统

（1）幂等写入

所谓幂等操作，就是一个操作，可以重复执行很多次，但只导致一次结果更改，也就是后面再重复执行不起作用了

（2）事务写入

需要构建事务来写入外部系统，构建的事务对应着checkpoint，等到checkpoint真在完成的时候，才能把所有对应的结果写入sink系统中

对于事务性写入，具体又有两种实现方式 ：

• 预写日志（WAL）和
• 两阶段提交（2PC）

DataStream API 提供了GenericWriteAheadSink模板类和TwoPhaseCommitSinkFunction接口，可以方便的实现这两种方式的事务性写入

不同 Source 和 Sink 的一致性保证可以用下表说明 ：