这是我参与「第四届青训营 」笔记创作活动的第1天
数据流和动态表
传统SQL和流处理
-
如何在实时数据流中定义 SQL 语义中的表？
- 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
-
实时流的查询特点？
- 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
-
动态表到实时流的转换
- 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）
数据流和动态表的转换关系图
Exactly-Once 和 Checkpoint
一致性保证语义
- At-most-once：每条数据消费至多一次，处理延迟低（出现故障，啥也不做，处理延时低）
- 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，仿佛故障从未发生（最严格的处理语义）
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
Chandy-Lamport 算法
- 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
- 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。
- 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。
快照制作和处理数据的解耦
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。
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。
端到端 Exactly-Once 实现
- 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;
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）
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(coordin
被中心节点调度的其他业务节点叫做参与者(participant)。
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
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;
⒉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;
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。
