这是我参与「第四届青训营 」笔记创作活动的第11天！
一、概述。
1.流式计算VS批式计算：
2.批处理：
批处理模型典型的数仓架构为T+1架构，即数据计算时天级别的，当天只能看到前一天的计算结果
通常使用的计算引擎为Hive或者Spark等。计算的时候，数据是完全ready的，输入和输出都是确定性的
3.处理时间窗口：
- 实时计算:处理时间窗口
- 数据实时流动，实时计算，窗口结束直接发送结果，不需要周期调度任务。
4.处理时间VS事件时间：
- 处理时间(Processing time) :数据在流式计算系统中真正处理时所在机器的当前时间。（处理时间这是在系统中观察事件的时间）
- 事件时间(Event time) :数据产生的时间，比如客户端、传感器、后端代码等上报数据时的时间。（事件时间是事件实际发生的时间）
5.事件时间窗口：
实时计算:事件时间窗口(传入,运算,到输出时间总和)。
数据实时进入到真实事件发生的窗口中进行计算，可以有效的处理数据延迟和乱序。
6.Watermark：
- 窗口真实结束时间(延迟与乱序)衡量:watermark
- 在数据中插入—些watermark，来表示当前的真实时间。
- 在数据存在乱序的时候，watermark就比较重要了，它可以用来在乱序容忍和实时性之间做一个平衡。
二、Watermark。
1.什么是Watermark？
- 表示系统认为的当前真实的事件时间。
2.如何产生Watermark？
可以通过Watermark Generator 来生成。
一般是从数据的事件时间来产生，产生策略可以灵活多样，最常见的包括使用当前事件时间的时间减去一个固定的delay(下列-5s,-20s,即延迟)，来表示可以可以容忍多长时间的乱序。
SQL：
DataStream：
3.如何传递Watermark？
每个算子根据上游传递watermark最小值作为自己的数值（依次递减(类Checkpoint快照传递)），同时还要给下游传播数值。
4.如何通过Flink UI 观察 Watermark？
- 一般通过Flink Web UI上的信息来观察当前任务的watermark情况
- (没有输出) ,是生产实践中最容易遇到的问题，开发事件时间的窗口任务的时候，经常会忘记了设置watermark，或者数据太少，watermark没有及时的更新，导致窗口一直不能触发。
5.典型问题：
Per-partition(分区) Vs per-subtask(子任务) watermark生成：
- Per-subtask watermark生成(子任务)
- 早期版本都是这种机制。典型的问题是如果一个source subtask(源任务)消费多个partition(下游的区)，那么多个partition之间的数据读取可能会加剧乱序程度。
- Per-partition watermark生成(分区)
- 新版本引入了基于每个 partition单独的watermark生成机制，这种机制可以有效避免上面的问题。
部分partition/subtask断流：
- 根据上面提到的watermark传递机制，下游subtask 会将上游所有subtask的watermark值的最小值作为自身的watermark值。如果上游有一个subtask的 watermark不更新了，则下游的watermark都不更新。
- 解决方案:ldle source(空闲)
- 当某个subtask断流超过配置的idle超时时间时，将当前subtask置为idle，并下发一个idle的状态给下游。下游在计算自身watermark的时候，可以忽略掉当前是idle的那些subtask(子任务)。
迟到数据处理：
因为watermark表示当前事件发生的真实时间，那晚于watermark的数据到来时，系统会认为这种数据是迟到的数据。
- 算子自身来决定如何处理迟到数据:
- Window聚合，默认会丢弃迟到数
- 双流join，如果是outer join，则可以认为它不能join到任何数据
- CEP，默认丢弃
三、Window-基本功能。
1.Window分类：
- 典型的Window：
- Tumble Window（滚动窗口）
- Sliding Window（滑动窗口）
- Session Window（会话窗口）
- 其它Window：
- 全局Window
- Count Window
- 累计窗口 等
Window使用：
- API应用程序编程接口,抽象分层
- 抽象程度越高,用户使用成本低,表达能力低(有限)
滚动窗口：
- 窗口划分:
- 1.每个key单独划分
- 2.每条数据只会属于一个窗口
窗口触发:
Window结束时间到达的时候一次性触发。
滑动窗口：
- 窗口划分:
- 1.每个key单独划分
- 2.每条数据可能会属于多个窗口
窗口触发: Window结束时间到达的时候一次性触发。
全话窗口：
窗口划分:
- 1.每个key单独划分
- 2.每条数据会单独划分为一个窗口，如果window之间有交集,则会对窗口进行merge(合并)
窗口触发: Window结束时间到达的时候一次性触发。
迟到数据处理：
怎样定义迟到数据？
迟到数据定义：
- 一条数据到来后，会用WindowAssigner 给它划分一个 window(start,end)，一般时间窗口是一个时间区间，比如[10：00，11：00），如果划分出来的 window end 比当前的 watermark 值还小，说明这个窗口已经触发了计算了，这条数据会被认为是迟到数据。
什么情况下会产生迟到数据？
迟到数据产生:
- 只有事件时间,（实际时间）下才会有迟到的数据。
迟到数据默认处理？
- 丢掉
1.Allow lateness：
- 这种方式需要设置一个允许迟到的时间。设置之后，窗口正常计算结束后，不会马上清理状态，而是会多保留 allowLateness 这么长时间，在这段时间内如果还有数据到来，则继续之前(先retreat回滚，然后在缓存区继续，参考快照)的状态进行计算。
- 适用于：DataStream、SQL
2.SideOutput（侧输出流）：
- 这种方式需要对迟到数据打一个 tag，然后在 DataStream 上根据这个 tag 获取到迟到数据流，然后业务层面自行选择进行处理。
- 适用于：DataStream
增量VS全量计算：
增量计算（更优,平缓,保存少,只保存中间结果）：
- 每条数据到来，直接进行计算，window只存储计算结果。 比如计算sum，状态中只需要存储sum的结果，不需要保存每条数据。
- 典型的reduce、aggregate等函数都是增量计算
- SQL中的聚合只有增量计算
全量计算（保存全体数据，大量缓存）：
- 每条数据到来，会存储到window的state中。等到window触发计算的时候，将所有数据(缓存，数据量，数据类型)拿出来一起计算。
- 典型的process函数就是全量计算
EMIT触发：
什么叫EMIT？
- 通常来讲，Window 都是在结束的时候才能输出结果，比如 1h 的 tumble window，只有在 1 个小时结束的时候才能统一输出结果。
- 如果窗口比较大，比如 1h 或者 1 天，甚至于更大的话，那计算结果输出的延迟就比较高，失去了实时计算的意义。
- EMIT 输出指的是，在 window 没有结束的时候，提前把 window 计算的部分结果输出出来。
怎么实现？
在DataStream里面可以通过自定义Trigger来实现，Trigger的结果可以是：
- CONTINUE
- FIRE(触发计算，但是不清理窗口状态)
- PURGE
- FIRE_AND_PURGE
SQL也可以使用，通过配置：
- table.exec.emit.early-fire.enabled=true
- table.exec.emit.early-fire.delay=（time）
2.高级优化：
Mini-batch优化：
Mini-batch优化解决频繁访问状态的问题： （多数据批处理）
即攒一小批数据再进行计算，这批数据每个key的state访问只有一次，这样在单个key的数据比较集中的情况下，对于状态访问可以有效的降低频率，最终提升性能。
倾斜优化-local-global：
- local-global优化是分布式系统中典型的优化，主要是可以降低数据shuffle的量，同时也可以缓解数据的倾斜。
- Local-global优化即将原先的Aggregate分成Local和Global两阶段聚合，即MapReduce模型中Combine+Reduce处理模式。第一阶段在上游节点本地攒一批数据进行聚合（localAgg），并输出这次微批的增量值（Accumulator）。第二阶段再将收到的Accumulator merge起来，得到最终的结果（globalAgg）。
Distinct计算状态复用：
Pane优化：
- Pane 优化降低滑动窗口的状态存储量
- 将窗口的状态划分成更小粒度的pane,最小单位，可组合为窗口
- 将这个窗口对应的pane的结果merge(合并，归并)起来就可以了
四、案例分析。
1.需求一：使用Flink SQL 计算抖音的日活曲线 DAU。
- 问题：所有数据都需计算，无法并行。
- 解决方案：通过两阶段聚合来把数据打散，完成第一轮聚合，第二轮聚合只需要对各个分桶的结果求和即可。
2.需求二：计算大数据任务的资源使用
- 问题描述：
- 大数据任务（特指离线任务）运行时通常会有多个 container 启动并运行，每个 container 在运行结束的时候，YARN 会负责将它的资源使用（CPU、内存）情况上报。一般大数据任务运行时间从几分钟到几小时不等。
- 需求：
- 根据 YARN 上报的各个 container 的信息，在任务结束的时候，尽快的计算出一个任务运行所消耗的总的资源。 假设前后两个 container 结束时间差不超过 10min
- 典型的可以通过会话窗口来将数据划分到一个window中，然后再将结果求和即可。
总结
本次课程主要学习了流式计算和批式计算的区别、介绍了Watermark的概念以及其如何产生传递等问题、还介绍了三种最基本的window类型以及他们的实现原理等。但这学习过程中对Distinct的状态复用优化不是非常理解。
