Exactly Once 语义在 Flink 中的实现｜青训营笔记

二个二个二
89 阅读7分钟

这是我参与「第四届青训营」笔记创作活动的第 4 天。

一、笔记内容

1. 数据流和动态表

2. Exactly-Once 和 Checkpoint

3. 端到端 Exactly-Once 实现

4. Flink 案例讲解

二、数据流和动态表

1.传统SQL和流处理

特征SQL流处理
处理数据的有界性处理的表是有界的流是一个无限元组序列
处理数据的完整性执行查询可以访问完整数据执行查询无法访问所有数据
执行时间批处理查询产生固定大小结果后终止查询不断更新结果，永不终止

2.数据流和动态表的转换

graph TD
Stream1 --> DynamicTable1 --> ContinuousQueries(state) --> DynamicTable2 -->Stream2

1.动态表

下图显示了单击事件流如何转换为表。当插入更多的单击流记录时，结果表将不断增长。

image.png

动态表： 随时间不断变化的表，在任意时刻，可以像查询静态批处理表一样查询它们。 

2.连续查询

连续查询特点：

  • 查询从不终止。

  • 查询结果会不断更新，并且会产生一个新的动态表。

  • 结果的动态表也可转换成输出的实时流。

1、查询产生追加并更新数据的动态表：更新先前表的输出结果，即定义结果表的changelog流包含INSERT和UPDATE操作。

image.png   2.查询产生仅追加数据的动态表：查询结果只附加到结果表，即结果表的changelog流只包含INSERT操作。

image.png

3.Retract消息

1.Append-only Stream: Append-only 流，只有 INSERT 消息。

2.Retract Stream: Retract 流，同时包含 INSERT 消息和 DELETE 消息。如下图，Mary查询出一次，Bob查询出一次，当再次查询到Mary时，Retract 前面的Mary记录，新增一条记录，表示Mary被查询到了两次。

image.png 3.Upsert Stream::Upsert 流，同时包含 UPSERT 消息和 DELETE 消息，如下图。

image.png

4.状态

在流式计算中，会存在有状态的计算逻辑（算子），有状态的算子典型处理逻辑如下图所示：

image.png

查询时的状态，用来不断更新查询结果。如需要计算某个用户在网上的点击量，该用户在网站当前的总点击次数就是算子状态，对于新的输入数据，先判断是否是该用户的点击行为，如果是，则将保留的点击次数（状态）增加一，并将当前累加结果输出。

三、Exactly-Once 和 Checkpoint

1.不同数据处理保证的语义

  • At-most-once：每条数据消费至多一次。

    • 出现故障时，什么也不做。

    • 数据处理不保证任何语义，处理延迟低。

  • At-least-once：每条数据消费至少一次；

    • 一条数据可能存在重复消费。

  • Exactly-once: 每条数据都被消费且仅被消费一次。

    • 最严格的处理语义，仿佛故障从未发生。

2.状态快照与恢复

如下图：判断输入元素的奇偶，进而计算奇数和和偶数和。

从图我们可知，对7进行奇数求和时失败。重启应用后，计算结果和将进行计算的数据都消失了。此时我们从CheckPoint中重启应用状态，应用回退到计算失败的上一步，并从中取出上一步的计算结果和待计算的数据。一切准备就绪后，计算继续进行。

image.png

 

3.制作快照的时间点

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。

image.png

3.Chandy-Lamport算法

1. Checkpoint barrier 的下发

每一个source算子都接收到JM发送的 Checkpoint Barrier，标识状态快照制作的开始。

image.png

2. 算子状态制作和 barrier 传递

各个source保存自己状态后，向所有连接的下游继续发送Checkpoint Barrier，同时告知JM自己状态已经制作完成。

image.png

3. 多个上游的等待 barrier 对齐现象

  • 算子会等待所有上游的barrier 到达后才开始快照的制作;

  • 已经制作完成的上游算子会继续处理数据，并不会被下游算子制作快照的过程阻塞。

image.png

4. Checkpoint 并不阻塞算子数据处理

快照制作和处理数据的解耦。

image.png

image.png

5. Checkpoint ACK和制作完成

所有算子都告知JM状态制作完成后，整个Checkpoint就结束了。

image.png  

4.Checkpoint 对作业性能的影响

  • 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完成快照；

  • 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；

  • 快照保存到远端也有可能极为耗时。

四、端到端 Exactly-Once 实现

image.png

  • Checkpoint能保证每条数据都对各个有状态的算子更新—次，sink 输出算子仍然可能下发重复的数据；

  • 严格意义的端到端的Exactly-once语义需要特殊的sink算子实现。

1.两阶段提交协议（2PC）

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，这个中心节点叫做协作者(coordinator) ,被中心节点调度的其他业务节点叫做参与者(participant) 。

image.png

  • Coordinator：同步和协调所有节点处理逻辑的中心节点；

  • Participant：被中心节点调度的其他执行处理逻辑的业务节点。

1.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)。

2.提交阶段

1. 若协作者成功接收到所有的参与者vote yes的消息：

  • 协作者向所有参与者发送一个commit 消息；

  • 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；

  • 完成步骤2后，参与者发送一个ack消息给协作者；

  • 协作者收到所有参与者的ack消息后，标识该事务执行完成。

2. 若协作者有收到参与者vote no的消息（或者发生等待超时)：

  • 协作者向所有参与者发送一个rollback 消息；

  • 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；

  • 完成步骤2后，参与者发送一个ack 消息给协作者；

  • 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。

2.两阶段提交协议在 Flink 中的应用

1.Flink 中协作者和参与者的角色分配

image.png

2.协作者（JobManager）发起提交

image.png

3.各算子 Checkpoint 的制作

image.png

4.提交阶段及 Checkpoint 的制作完成

image.png

五、Flink 案例讲解

账单计算服务：从 Kafka中读取账单消息，进行处理后写入到MySQL中。

执行步骤

1. 在上次记录的位点之后，从 Kafka中读取固定大小的数据；

2. 对该批数据进行去重和聚合计算；

3. 处理完成后写入 Mysql中，若全部写入成功，则记录下当前读取到的消息的终止位置；若处理或者写入失败，则不记录位点；

4. 跳回步骤1。

存在问题

1. 非严格意义上的端到端的Exactly-Once语义：若该批数据处理完成后，在写入MySQL中发生异常，则存在部分数据写入的情况，下次作业启动后，这部分数据仍然会重复写入；

2. 去重能力有限：只能在当前处理的一批数据内进行去重，无法在批与批之间进行去重。

使用Flink解决方案的优势

1、严格意义上的端到端的 Exactly-Once语义：下游读到的数据是不丢不重的；

2、增强的去重能力：可以在更长的时间维度对数据进行去重。

参考文章：juejin.cn/post/712275…

avatar
文章
阅读
粉丝