Exactly Once 语义在 Flink 中的实现 | 青训营笔记

用户6314092977324
65 阅读6分钟

这是我参与「第四届青训营 」笔记创作活动的第4天

01.数据流和动态表

动态表转数据流概述

流经动态表的数据，往往要经过flinksql的处理，此处便需要连续查询处理，下图显示了流，动态表和连续查询之间的关系：

image.png

  1. 流将转换为动态表。
  2. 在动态表上进行连续查询，生成新的动态表。
  3. 生成的动态表将转换回流。（toAppendStream和toRetractStream）

image.png

数据流转动态表概述

image.png

  • 动态表：与表示批处理数据的静态表不同，动态表是随时间变化的。可以像查询静态批处理表一样查询它们。

连续查询

连续查询： 查询从不终止 查询结果会不断更新，产生一个新的动态表

统计用户在此网页上点击的所有次数

image.png 在任何时候，连续查询的结果在语义上与以批处理模式在输入表快照上执行的相同查询的结果相同。

统计用户在某连续没有重叠的一小时内的点击次数

image.png

两者对比： 这两个示例查询看起来非常相似（都计算分组计数聚合），但它们在一个重要方面不同：

  1. 第一个查询更新先前输出的结果，即定义结果表的 changelog 流包含 INSERT 和UPDATE 操作；
  2. 第二个查询只附加到结果表，即结果表的 changelog 流只包含 INSERT 操作。

不同数据处理保证的语义：

  1. At-mest-onoe：出现故障的时候，啥也不做。数据处理不保证任何语义，处理时延低；
  2. At-least-once :保证每条数据均至少被处理一次，一条数据可能存在重复消费。
  3. Exactly-once ：最严格的处理语义，从输出结果来看，每条数据均被消费且仅消费一次，仿佛故障从未发生。

02.Exactly-Once 和 Checkpoint

1.状态快照与恢复

简单例子：

image.png

状态恢复的时间点是有要求的，随机会导致数据丢失。

状态恢复的时间点：需要等待所有处理逻辑消费完成source 保留状态及之前的数据。

一个简单的快照制作算法：

  • 1．暂停处理输入的数据；
  • 2．等待后续所有处理算子消费当前已经输入的数据；
  • 3．待2处理完后，作业所有算子复制自己的状态并保存到远端可靠存储；
  • 4．恢复对输入数据的处理

2.Chandy-Lamport算法

Chandy-Lamport算法的目标是让多个分布式节点能一起完成snapshot保存全局状态。我们知道单机要完成一次snapshot非常简单，在特定时间停止处理新数据然后dump内存状态并记录时间点即可，而分布式系统在多个节点上运行，而且互相之间都有通信，要让所有节点“同时”dump内存保存所有状态信息也是不可能的。这个算法基本原理就是让某个节点做global snapshot时发送一个marker，每个节点在处理数据时遇到marker执行下面的判断来做local snapshot，最后所有节点接收到marker并正确处理后就可以组成一个global snapshot。

  • Checkpoint 对作业性能的影响
  1. 解耦了快照制作和数据处理过程，各个算子制作完成状态快照后就可以正常处理数据，不用等下游算子制作制作完成快照；
  2. 在快照制作和 Barrier Alignment 过程中需要暂停处理数据，仍然会增加数据处理延迟；
  3. 快照保存到远端也有可能极为耗时。

03.端到端Exactly-Once实现

在多个节点参与执行的分布式系统中，为了协调每个节点都能同时执行或者回滚某个事务性的操作，引入了一个中心节点来统一处理所有节点的执行逻辑，这个中心节点叫做办作者（coordinator),被中心节点调度的其他业务节点叫做参与者（ participant )。

image.png

预提交阶段

  1. 协作者向所有参与者发送一个commit消息；
  2. 每个参与的协作者收到消息后，执行事务，但是不真正提交；
  3. 若事务成功执行完成，发送一个成功的消息（ vote yes )；执行失败，则发送一个失败的消息（vote no )

提交阶段

若协作者成功接收到所有的参与者vote yes消息：

  1. 协作者向所有参与者发送一个 commit 消息；
  2. 每个收到 commit 消息的参与者释放执行事务所需的资源，并结束这次事务的执行；
  3. 完成步骤2后，参与者发送一个 ack 消息给协作者；
  4. 协作者收到所有参与者的 ack 消息后，标识该事务执行完成。

若协作者有收到参与者vote no的消息（或发生等待超时时）：

  1. 协作者向所有参与者发送一个 rolback 消息；
  2. 每个收到 rollback 消息的参与者回滚事务的执行操作，并释放事务所占资源；
  3. 完成步骤2后，参与者发送一个 ack 消息给协作者；
  4. 协作者收到所有参与者的 ack 消息后，标识该事务成功完成回滚。

两阶段提交总结：

  • 事务开启：在sink task向下游写数据之前，均会开启一个事务，后续所有写数据的操作均在这个事务中执行，事务未提交前，事务写入的数据下游不可读；
  • 预提交阶段：JobManager 开始下发 Checkpoint Barrier ,当各个处理逻辑接收到 barier 后停止处理后续数据，对当前状态制作快照，此时 sink 也不在当前事务下继续处理数据（处理后续的数据需要新打开下一个事务）。状态制作成功则向 JM 成功的消息，失败则发送失败的消息；
  • 提交阶段：若 JM 收到所有预提交成功的消息，则向所有处理逻辑（包括 sink ）发送可以提交此次事务的消息， sink 接收到此消息后，则完成此次事务的提交，此时下游可以读到这次事务写入的数据；若 JM 有收到预提交失败的消息，则通知所有处理逻辑回滚这次事务的操作，此时 sink 则丟弃这次事务提交的数据下。

总结：

  • 数据流可以转换成动态表，动态表也能重新转换成数据流
  • 处理无限数据流的算子可以是有状态的
  • Flink 通过 Checkpoint 机制实现故障前后的状态快照制作和恢复
  • 支持两阶段提交协议的下游存储可以结合 Flink Checkpoint 机制实现严格意义上端到端的Exactly-Once语义实现
avatar
文章
阅读
粉丝