【笔记二】Exactly Once 语义在 Flink 中的实现|青训营笔记

小小冰青松
61 阅读7分钟

这是我参与「第四届青训营 」笔记创作活动的第2天

Exactly Once 语义在 Flink 中的实现

01.数据流和动态表转换

1.1流式数据

银行，GPS，物联网等等

1.png

1.2传统SQL和流处理

2.png

1.3概述-数据流和动态表转换

3.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。

1.4 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

4.png

动态表-->动态表

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。

1.5 Retract消息的产生

5.png

  • Append-only Stream: Append-only 流（只有 INSERT 消息）

  • Retract Stream: Retract 流（同时包含 INSERT 消息和 DELETE 消息）

  • 算子状态

    •   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：

比如，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。

1.6不同数据处理保证的语义【一致性保证语义】

1.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;
2. At-least-once:保证每条数据均至少被处理次，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

2.1状态快照与恢复

Checkpoint

Chandy-Lamport算法

  • 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

  • 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。

  • 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。

  • Checkpoint 并不阻塞算子数据处

  • 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。

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. 快照保存到远瑞也有可能极为耗时。

03.Flink 端到端的Exactly-once语义

  1. 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;

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

两阶段提交协议（2PC）

  • Coordinator：协作者，同步和协调所有节点处理逻辑的中心节点
  • Participant：参与者，被中心节点调度的其他执行处理逻辑的业务节点

3.2.1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)

3.2.2 提交阶段

若协作者成功接收到所有的豢与者vote yes的消息:

  1. 协作者向所有参与者发送一个commit消息;
  2. 每个收到commit消怠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消启给协作者;
  4. 协作者收到所有参与者的ack消忘后，标识该事务执行完成。

若协作者有收到荟与者vote no的消息(或者发生等待超时):

  1. 协作者向所有参与者发送一个 rollback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 消启给协作者;
  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。

两阶段提交协议在 Flink 中的应用

  • Flink 中协作者和参与者的角色分配

  • 协作者（JobManager）发起阶段一提交

  • 各算子 Checkpoint 的制作

  • 提交阶段及 Checkpoint 的制作完成

Flink两阶段提交总结

1.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；
2.预提交阶段：JobManager开始下发Checkpoint Barier，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;
3.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

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

6.png

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

存在的问题：

  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—批数据内进行去重,无法在批与批之间进行去重;

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。

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