Flink 原理与实现：理解 Flink 中的计算资源

今天药忘吃喽~ 2022-03-24 15:49 288阅读 0赞

### 1. 前言 ###

本文所讨论的计算资源是指用来执行 Task 的资源，是一个逻辑概念。本文会介绍 Flink 计算资源相关的一些核心概念，如：`Slot`、`SlotSharingGroup`、`CoLocationGroup`、`Chain`等。并会着重讨论 Flink 如何对计算资源进行管理和隔离，如何将计算资源利用率最大化等等。理解 Flink 中的计算资源对于理解 Job 如何在集群中运行的有很大的帮助，也有利于我们更透彻地理解 Flink 原理，更快速地定位问题。

### 2. Operator Chains ###

为了更高效地分布式执行，Flink会尽可能地将operator的subtask链接（chain）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，减少消息的序列化/反序列化，减少数据在缓冲区的交换，减少了延迟的同时提高整体的吞吐量。

#### 2.1 定义 ####

我们仍以经典的 WordCount 为例（参考前文Job例子），下面这幅图，展示了Source并行度为1，FlatMap、KeyAggregation、Sink并行度均为2，最终以5个并行的线程来执行的优化过程。  
![在这里插入图片描述][TB18Gv5JFXXXXcDXXXXXXXXXXXX]

上图中将KeyAggregation和Sink两个operator进行了合并，因为这两个合并后并不会改变整体的拓扑结构。但是，并不是任意两个 operator 就能 chain 一起的。其条件还是很苛刻的：

*  上下游的并行度一致
 *  下游节点的入度为1 （也就是说下游节点没有来自其他节点的输入）
 *  上下游节点都在同一个 slot group 中（下面会解释 slot group）
 *  下游节点的 chain 策略为 ALWAYS（可以与上下游链接，map、flatmap、filter等默认是ALWAYS）
 *  上游节点的 chain 策略为 ALWAYS 或 HEAD（只能与下游链接，不能与上游链接，Source默认是HEAD）
 *  两个节点间数据分区方式是 forward（参考理解数据流的分区）
 *  用户没有禁用 chain

Operator chain的行为可以通过编程API中进行指定。可以通过在DataStream的operator后面（如`someStream.map(..)`)调用`startNewChain()`来指示从该operator开始一个新的chain（与前面截断，不会被chain到前面）。或者调用`disableChaining()`来指示该operator不参与chaining（不会与前后的operator chain一起）。在底层，这两个方法都是通过调整operator的 chain 策略（HEAD、NEVER）来实现的。另外，也可以通过调用`StreamExecutionEnvironment.disableOperatorChaining()`来全局禁用chaining。

#### 2.2 原理与实现 ####

那么 Flink 是如何将多个 operators chain在一起的呢？chain在一起的operators是如何作为一个整体被执行的呢？它们之间的数据流又是如何避免了序列化/反序列化以及网络传输的呢？下图展示了operators chain的内部实现：  
![在这里插入图片描述][TB1cFbJJFXXXXaIXVXXXXXXXXXX]  
如上图所示，Flink内部是通过`OperatorChain`这个类来将多个operator链在一起形成一个新的operator。`OperatorChain`形成的框框就像一个黑盒，Flink 无需知道黑盒中有多少个`ChainOperator`、数据在chain内部是怎么流动的，只需要将input数据交给 `HeadOperator` 就可以了，这就使得`OperatorChain`在行为上与普通的operator无差别，上面的`OperaotrChain`就可以看做是一个入度为1，出度为2的operator。所以在实现中，对外可见的只有HeadOperator，以及与外部连通的实线输出，这些输出对应了JobGraph中的JobEdge，在底层通过`RecordWriterOutput`来实现。另外，框中的虚线是operator chain内部的数据流，这个流内的数据不会经过序列化/反序列化、网络传输，而是直接将消息对象传递给下游的 `ChainOperator` 处理，这是性能提升的关键点，在底层是通过 `ChainingOutput` 实现的，源码如下方所示，

> 注：  
> HeadOperator和ChainOperator并不是具体的数据结构，前者指代chain中的第一个operator，后者指代chain中其余的operator，它们实际上都是StreamOperator。

private static class ChainingOutput<T> implements Output<StreamRecord<T>> {
      // 注册的下游operator
      protected final OneInputStreamOperator<T, ?> operator;
      public ChainingOutput(OneInputStreamOperator<T, ?> operator) {
        this.operator = operator;
      }
      @Override
      // 发送消息方法的实现，直接将消息对象传递给operator处理，不经过序列化/反序列化、网络传输
      public void collect(StreamRecord<T> record) {
        try {
          operator.setKeyContextElement1(record);
          // 下游operator直接处理消息对象
          operator.processElement(record);
        }
        catch (Exception e) {
          throw new ExceptionInChainedOperatorException(e);
        }
      }
      ...
    }

### 3. Task Slot ###

在架构概览中我们介绍了 TaskManager 是一个 JVM 进程，并会以独立的线程来执行一个task或多个subtask。为了控制一个 TaskManager 能接受多少个 task，Flink 提出了 Task Slot 的概念。

#### 3.1 定义 ####

Flink 中的计算资源通过 Task Slot 来定义。每个 task slot 代表了 TaskManager 的一个固定大小的资源子集。例如，一个拥有3个slot的 TaskManager，会将其管理的内存平均分成三分分给各个 slot。将资源 slot 化意味着来自不同job的task不会为了内存而竞争，而是每个task都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的内存。

通过调整 task slot 的数量，用户可以定义task之间是如何相互隔离的。每个 TaskManager 有一个slot，也就意味着每个task运行在独立的 JVM 中。每个 TaskManager 有多个slot的话，也就是说多个task运行在同一个JVM中。而在同一个JVM进程中的task，可以共享TCP连接（基于多路复用）和心跳消息，可以减少数据的网络传输。也能共享一些数据结构，一定程度上减少了每个task的消耗。

每一个 TaskManager 会拥有一个或多个的 task slot，每个 slot 都能跑由多个连续 task 组成的一个 pipeline，比如 MapFunction 的第n个并行实例和 ReduceFunction 的第n个并行实例可以组成一个 pipeline。

如上文所述的 WordCount 例子，5个Task可能会在TaskManager的slots中如下图分布，2个TaskManager，每个有3个slot：  
![在这里插入图片描述][TB1Q4zUJFXXXXXnXVXXXXXXXXXX]

#### 3.2 SlotSharingGroup 与 CoLocationGroup ####

默认情况下，Flink 允许subtasks共享slot，条件是它们都来自同一个Job的不同task的subtask。结果可能一个slot持有该job的整个pipeline。允许slot共享有以下两点好处：

*  Flink 集群所需的task slots数与job中最高的并行度一致。也就是说我们不需要再去计算一个程序总共会起多少个task了。
 *  更容易获得更充分的资源利用。如果没有slot共享，那么非密集型操作source/flatmap就会占用同密集型操作 keyAggregation/sink 一样多的资源。如果有slot共享，将基线的2个并行度增加到6个，能充分利用slot资源，同时保证每个TaskManager能平均分配到重的subtasks。  
    ![在这里插入图片描述][TB1VTj4JFXXXXX8XFXXXXXXXXXX]  
    我们将 WordCount 的并行度从之前的2个增加到6个（Source并行度仍为1），并开启slot共享（所有operator都在default共享组），将得到如上图所示的slot分布图。首先，我们不用去计算这个job会其多少个task，总之该任务最终会占用6个slots（最高并行度为6）。其次，我们可以看到密集型操作 keyAggregation/sink 被平均地分配到各个 TaskManager。

`SlotSharingGroup`是Flink中用来实现slot共享的类，它尽可能地让subtasks共享一个slot。相应的，还有一个 `CoLocationGroup` 类用来强制将 subtasks 放到同一个 slot 中。`CoLocationGroup`主要用于迭代流中，用来保证迭代头与迭代尾的第i个subtask能被调度到同一个TaskManager上。这里我们不会详细讨论`CoLocationGroup`的实现细节。

怎么判断operator属于哪个 slot 共享组呢？默认情况下，所有的operator都属于默认的共享组default，也就是说默认情况下所有的operator都是可以共享一个slot的。而当所有input operators具有相同的slot共享组时，该operator会继承这个共享组。最后，为了防止不合理的共享，用户也能通过API来强制指定operator的共享组，比如：`someStream.filter(...).slotSharingGroup("group1");`就强制指定了filter的slot共享组为group1。

#### 3.3 原理与实现 ####

那么多个tasks（或者说operators）是如何共享slot的呢？

我们先来看一下用来定义计算资源的slot的类图：  
![在这里插入图片描述][TB1NxjUJFXXXXXoaXXXXXXXXXXX]

抽象类Slot定义了该槽位属于哪个TaskManager（instance）的第几个槽位（`slotNumber`），属于哪个Job（`jobID`）等信息。最简单的情况下，一个slot只持有一个task，也就是`SimpleSlot`的实现。复杂点的情况，一个slot能共享给多个task使用，也就是`SharedSlot`的实现。`SharedSlot`能包含其他的`SharedSlot`，也能包含`SimpleSlot`。所以一个`SharedSlot`能定义出一棵slots树。

接下来我们来看看 Flink 为subtask分配slot的过程。关于Flink调度，有两个非常重要的原则我们必须知道：

*  同一个operator的各个subtask是不能呆在同一个SharedSlot中的，例如FlatMap\[1\]和FlatMap\[2\]是不能在同一个SharedSlot中的。
 *  Flink是按照拓扑顺序从Source一个个调度到Sink的。例如WordCount（Source并行度为1，其他并行度为2），那么调度的顺序依次是：Source -> FlatMap\[1\] -> FlatMap\[2\] -> KeyAgg->Sink\[1\] -> KeyAgg->Sink\[2\]。假设现在有2个TaskManager，每个只有1个slot（为简化问题），那么分配slot的过程如图所示：  
    ![在这里插入图片描述][TB1TM_3JFXXXXb8XVXXXXXXXXXX]

> 注：图中 SharedSlot 与 SimpleSlot 后带的括号中的数字代表槽位号（slotNumber）
> 
> 1.  为Source分配slot。首先，我们从TaskManager1中分配出一个SharedSlot。并从SharedSlot中为Source分配出一个SimpleSlot。如上图中的①和②。
> 2.  为FlatMap\[1\]分配slot。目前已经有一个SharedSlot，则从该SharedSlot中分配出一个SimpleSlot用来部署FlatMap\[1\]。如上图中的③。
> 3.  为FlatMap\[2\]分配slot。由于TaskManager1的SharedSlot中已经有同operator的FlatMap\[1\]了，我们只能分配到其他SharedSlot中去。从TaskManager2中分配出一个SharedSlot，并从该SharedSlot中为FlatMap\[2\]分配出一个SimpleSlot。如上图的④和⑤。
> 4.  为Key->Sink\[1\]分配slot。目前两个SharedSlot都符合条件，从TaskManager1的SharedSlot中分配出一个SimpleSlot用来部署Key->Sink\[1\]。如上图中的⑥。
> 5.  为Key->Sink\[2\]分配slot。TaskManager1的SharedSlot中已经有同operator的Key->Sink\[1\]了，则只能选择另一个SharedSlot中分配出一个SimpleSlot用来部署Key->Sink\[2\]。如上图中的⑦。

> 最后Source、FlatMap\[1\]、Key->Sink\[1\]这些subtask都会部署到TaskManager1的唯一一个slot中，并启动对应的线程。FlatMap\[2\]、Key->Sink\[2\]这些subtask都会被部署到TaskManager2的唯一一个slot中，并启动对应的线程。从而实现了slot共享。

### 4. 总结 ###

本文主要介绍了Flink中计算资源的相关概念以及原理实现。最核心的是 Task Slot，每个slot能运行一个或多个task。为了拓扑更高效地运行，Flink提出了Chaining，尽可能地将operators chain在一起作为一个task来处理。为了资源更充分的利用，Flink又提出了SlotSharingGroup，尽可能地让多个task共享一个slot。

--------------------

##### 转自：[http://wuchong.me/blog/2016/05/09/flink-internals-understanding-execution-resources/][http_wuchong.me_blog_2016_05_09_flink-internals-understanding-execution-resources] #####

[TB18Gv5JFXXXXcDXXXXXXXXXXXX]: /images/20220323/6950362a95124becaa73fa8fcdb09531.png
[TB1cFbJJFXXXXaIXVXXXXXXXXXX]: /images/20220323/a86d5390d7f84959b795778c2bf1cc2e.png
[TB1Q4zUJFXXXXXnXVXXXXXXXXXX]: /images/20220323/ab5a1a072afc433790495406937927dd.png
[TB1VTj4JFXXXXX8XFXXXXXXXXXX]: /images/20220323/72bfc342370e41f58619c6c5d92f144c.png
[TB1NxjUJFXXXXXoaXXXXXXXXXXX]: /images/20220323/56ae9aca09c54280b8a73c86000349c9.png
[TB1TM_3JFXXXXb8XVXXXXXXXXXX]: /images/20220323/6149a3bc52cd434db2c77873325726a3.png
[http_wuchong.me_blog_2016_05_09_flink-internals-understanding-execution-resources]: http://wuchong.me/blog/2016/05/09/flink-internals-understanding-execution-resources/