这是我参与「第四届青训营 」笔记创作活动的的第3天
01 数据流和动态表
如何在数据流上执行SQL语句，说明流式处理中状态的概念
1.1 随处可见的流式数据
1.2 传统SQL和流处理
1.3 概述
数据流和动态表转换
在流上定义表
下图显示了单击事件流（左侧）如何转换为表（右侧）。当插入更多的单击流记录时，结果表将不断增长。
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。
数据库表是INSERT、UPDATE和DELETE DML语句的stream 的结果，通常称为shangelog stream。
1.4 连续查询
动态表到动态表的转化
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
1.5 查询产生仅追加数据的动态表
1.6 两个连续查询对比
虽然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：
- 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；
- 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。
1.7 Retract消息的产生
1.8 状态
1.9 数据流和动态表转换回顾
- 数据流和动态表之间的转换；
- 在数据流的查询不会终止；
- 查询可能会有状态，用来不断更新查询的结果。
1.10 不同数据处理保证的语义
- At-most-once：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；
- 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。
- 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
当故障发生时，Flink自身如何从故障中恢复，保证对数据消费的不丢不重
2.1 状态快照与恢复
2.2 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：
- 暂停处理输入的数据；
- 等待后续所有处理算子消费当前已经输入的数据；
- 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；
- 恢复对输入数据的处理
2.3 Chandy-Lamport算法
2.3.1 快照制作的开始
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
2.3.2 Source算子的处理
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。
2.3.3 Barrier Alignment
- 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。
2.3.4 快照制作和处理数据的解耦
2.3.5 checkpoint的结束
所有算子都告知JM状态制作完成后，整个Checkpoint就结束了。
2.4 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。
03 端到端Exactly-Once 实现
Flink本身的Checkpoint机制如何和外部存储结合，实现端到端的不丢不重语义
3.1 端到端Exactly-once 语义
- Checkpoint能保证每条数据都对各个有状态的算子更新一次，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。
3.2 两阶段提交协议
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）。
3.2.1 两阶段提交协议（一）- 预提交阶段
- 协作者向所有参与者发送一个commit消息；
- 每个参与的协作者收到消息后，执行事务，但是不真正提交；
- 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）
3.2.2 两阶段提交协议（二）- 提交阶段
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。
3.2.3 两阶段提交协议（二）- 提交阶段
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。
3.3 Flink中 2PC Sink
协作者：Job Manager
参与者：Data Source, Window, Data Sink
3.4.Flink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barrier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则丢弃这次事务提交的数据下。
04 Flink 案例讲解
选择字节内部真实的案例场景，介绍 Flink 如何解决和实现账单计费服务
4.1 账单计算服务：
场景简介
从Kafka中读取账单消息，进行处理后写入到MySQL中
当前方案
执行步骤：
- 在上次记录的位点之后，从Kafka中读取固定大小的数据；
- 对该批数据进行去重和聚合计算；
- 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；
- 跳回步骤1
存在的问题
存在的问题：
- 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；
- 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；
Flink解决方案
优势：
- 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；
- 增强的去重能力：可以在更长的时间维度对数据进行去重。
课程总结
- 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
