Flink-运行组件和框架了解

Flink运行框架

Flink 运行时的组件

Flink 运行时架构主要包括四个不同的组件,它们会在运行流处理应用程序时协同工作:作业管理器(JobManager)、资源管理器(ResourceManager)、任务管理器(TaskManager),以及分发器(Dispatcher)。因为 Flink 是用 Java 和 Scala 实现的,所以所有组件都会运行在Java 虚拟机上。

每个组件的职责如下:

作业管理器(JobManager)

控 制 一 个 应 用 程 序 执 行的 主 进 程 , 也 就 是 说 ,每 个 应 用 程 序 都 会 被 一个 不 同 的JobManager 所控制执行。

JobManager 会先接收到要执行的应用程序,这个应用程序会包括:作业图(JobGraph)、逻辑数据流图(logical dataflow graph)和打包了所有的类、库和其它资源的 JAR 包。

JobManager 会把 JobGraph 转换成一个物理层面的数据流图,这个图被叫做“执行图”(ExecutionGraph),包含了所有可以并发执行的任务。

JobManager 会向资源管理器(ResourceManager)请求执行任务必要的资源,也就是任务管理器(TaskManager)上的插槽(slot)。一旦它获取到了足够的资源,就会将执行图分发到真正运行它们的TaskManager 上。

而在运行过程中,JobManager 会负责所有需要中央协调的操作,比如说检查点(checkpoints)的协调。

负责管理整个作业的角色。

任务管理器(TaskManager)

Flink 中的工作进程。通常在 Flink 中会有多个 TaskManager 运行,每一个 TaskManager都包含了一定数量的插槽(slots)。插槽的数量限制了 TaskManager 能够执行的任务数量。

启动之后,TaskManager 会向资源管理器注册它的插槽;收到资源管理器的指令后,TaskManager 就会将一个或者多个插槽提供给 JobManager 调用。JobManager 就可以向插槽分配任务(tasks)来执行了。

在执行过程中,一个 TaskManager 可以跟其它运行同一应用程序的 TaskManager 交换数据。

负责具体执行任务的。

资源管理器(ResourceManager)

主要负责管理任务管理器(TaskManager)的插槽(slot),TaskManger 插槽是 Flink 中定义的处理资源单元。

Flink 为不同的环境和资源管理工具提供了不同资源管理器,比如YARN、 Mesos、 K8s,以及 standalone 部署。

当 JobManager 申请插槽资源时, ResourceManager会将有空闲插槽的 TaskManager 分配给 JobManager。如果 ResourceManager 没有足够的插槽来满足 JobManager 的请求,它还可以向资源提供平台发起会话,以提供启动 TaskManager进程的容器。另外,ResourceManager 还负责终止空闲的 TaskManager,释放计算资源。

负责进行资源的调配。

分发器(Dispatcher)

可以跨作业运行,它为应用提交提供了 REST 接口。

当一个应用被提交执行时,分发器就会启动并将应用移交给一个 JobManager。由于是 REST 接口,所以 Dispatcher 可以作为集群的一个 HTTP 接入点,这样就能够不受防火墙阻挡。

Dispatcher 也会启动一个 Web UI,用来方便地展示和监控作业执行的信息。

Dispatcher 在架构中可能并不是必需的,这取决于应用提交运行的方式。

任务提交流程

当一个应用提交执行时,Flink 的各个组件是如何交互协作的，以下是job模式：

Yarn模式任务提交流程

1、Flink 任务提交后,Client 向 HDFS 上传 Flink 的 Jar 包和配置

2、向 Yarn-ResourceManager 提 交 任 务

3、ResourceManager 分 配 Container 资 源 并 通 知 对 应 的NodeManager 启动 ApplicationMaster, ApplicationMaster 启动后加载 Flink 的 Jar 包和配置构建环境,然后启动 JobManager

4、ApplicationMaster 向 ResourceManager申 请 资 源 启 动 TaskManager ,

5、ResourceManager 分 配 Container 资 源 后 , 由ApplicationMaster 通 知 资 源 所 在 节 点 的 NodeManager 启 动 TaskManager

6、NodeManager 加载 Flink 的 Jar 包和配置构建环境并启动 TaskManager

7、TaskManager启动后向 JobManager 发送心跳包,并等待 JobManager 向其分配任务。

任务调度原理

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(JobGraph)给 Master(JobManager),然后 ,客户端断开连接或者维持连接以等待接收计算结果。

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 。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。

实现并行计算的方法：

对每一个任务对设置对应的并行度，然后根据并行度进行任务的拆分，最后分配到不同的slot去执行（多线程）。

并行的任务，需要占用多少slot：

任务中并行度最高的那个并行度就是需要占用的slot。

TaskManger 与 Slots

Flink 中每一个 worker(TaskManager)都是一个 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，但是推荐使用CPU的核数去设置slot的个数，这样的目的是为了一个slot占用一个CPU，不用和别的slot共享。

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。

TaskManager与slot

Flink 中每一个 TaskManager 都是一个JVM进程,它可能会在独立的线程上执行一个或多个子任务

为了控制一个 TaskManager 能接收多少个 task, TaskManager 通过 taskslot 来进行控制(一个 TaskManager 至少有一个 slot)

子任务的共享slot

默认情况下,Flink 允许子任务共享 slot,即使它们是不同任务的子任务(前提是它们来自同一个 job)。 这样的结果是,一个 slot 可以保存作业的整个管道。

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。

前后发生的不同的任务才能共享同一个slot，同一个任务不能放到同一个slot当中，必须放到不同的slot才能做到并行执行。

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。

并行子任务的分配

程序与数据流(DataFlow)

所有的 Flink 程序都是由三部分组成的: Source 、Transformation 和 Sink。

Source 负责读取数据源,Transformation 利用各种算子进行处理加工,Sink 负责输出。

在运行时,Flink 上运行的程序会被映射成“逻辑数据流”(dataflows),它包含了这三部分。

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)。

在大部分情况下,程序中的转换运算(transformations) 跟 dataflow 中的算子(operator)是一一对应的关系,但有时候,一个 transformation 可能对应多个 operator。

执行图(ExecutionGraph)

由 Flink 程序直接映射成的数据流图 是 StreamGraph,也被称为逻辑流图,因为它们表示的是计算逻辑的高级视图。为了执行一个 流处理程序,Flink 需要将逻辑流图转换为物理数据流图(也叫执行图),详细说明程序的执行方式。

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。

并行度

Flink 程序的执行具有并行、 分布式 的特性。

在执行过程中,一个流(stream)包含一个或多个分区(stream partition),而每一个算子(operator)可以包含一个或多个子任务(operator subtask),这些子任务在不同的线程、不同的物理机或不同的容器中彼此互不依赖地执行。

**一个特定算子的 子任务(subtask)的个数被称之为其并行度(parallelism)，**所谓并行度就是并行执行任务的个数。

一般情况下,一个 stream 的并行度,可以认为就是其所有算子中最大的并行度。

一个程序中,不同的算子可能具有不同的并行度。

Stream 在算子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,取决于算子的种类。

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 算子的子任务看到的元素的个数以及顺序跟 source 算子的子任务生产的元素的个数、顺序相同, map、fliter、flatMap 等算子都是 one-to-one 的对应关系。类似于 spark 中的窄依赖

Redistributing:stream(map()跟 keyBy/window 之间或者 keyBy/window 跟 sink之间)的分区会发生改变。每一个算子的子任务依据所选择的 transformation 发送数据到不同的目标任务。例如,keyBy() 基于 hashCode 重分区、broadcast 和 rebalance(轮询)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 。类似于 spark 中的宽依赖，但是spark的宽依赖等于洗牌，要等到所有的牌齐了才开始洗，而Redistributing相当于发牌，根据发牌规则，牌到了就发。

任务链(Operator Chains)

Flink 采用了一种称为任务链的优化技术,可以在特定条件下减少本地通信的开销。为了满足任务链的要求,必须将两个或多个算子设为相同的并行度,并通过本地转发(local forward)的方式进行连接

相同 并行度 的 one to one 操 作 , Flink 这样相连的算子链接在一起形成一个 task,原来的算子成为里面的一部分(subtask)（并行度相同、并且是 one-to-one 操作,两个条件缺一不可）。将算子链接成 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。

可以在keyAgg那一步执行disableChaining()，那么keyAgg就不会和Sink进行任务的合并了，如果之前有的话，也不会与keyAgg进行合并了，也就是两边都会断；或者通过全局配置env.disableOperateChaining()全局的task都不会进行合并了；如果在keyAgg那一步执行了startNewChain()则表示后面的Sink的任务会断开，Sink自己需要重新开启一个任务。