流式计算中的Window机制 ｜ 青训营笔记

一只兔兔
77 阅读9分钟

这是我参与「第五届青训营 」伴学笔记创作活动的第 20 天

概述

  • 流批计算的对比：

数据价值：实时性越高，数据价值越高

image-20230204104746652

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。

image-20230204105031834

小时级别批处理

核心问题：如何做到更实时？

image-20230204105204157

技术没有问题，但是遇到了其他的问题：

  • 资源的调度和释放，耗费资源。
  • 很多场景下，小时是做不到的（例如一个任务本来就要跑 > 1h）

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。

image-20230204105423109

处理时间 VS 事件时间

image-20230204105500812

  • 处理时间: 数据在流式计算系统中真正处理时所在机器的当前时间。
  • 事件时间: 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。

事件时间窗口

  • 实时计算:事件时间窗口
  • 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。

核心问题：什么时候窗口才算结束呢?

image-20230204105641534

Watermark

简介&使用

  • Watermark本质上是：系统认为的当前真实的事件时间。
  • 在数据中插入一些watermark,来表示当前的真实时间。

image-20230204105723064

  • 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。

image-20230204105816529

产生Watermark

  • SQL

image-20230204110127195

  • Datastream

image-20230204110210704

如何传递Watermark

image-20230204110233264

用的就是Flink消息传递的模型

  • 一对一很简单，向下传递就行。
  • 多对一很复杂，下游的等于min{所有上游的watermark}

Flink UI观察Watermark

image-20230204110614464

典型问题一

Per-partition VS per-subtask watermark生成：

  • Per-subtask watermark生成：早期版本都是这种机制。典型的问题是如果一个source subtask消费多个partition,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：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。

典型问题二

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

    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。

典型问题三

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，默认会丢弃迟到数据
  • 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

小结：

  1. 含义: 表示系统认为的当前真实时间
  2. 生成: 可以通过Watermark Generator来生成
  3. 传递: 取上游所有subtask的最小值
  4. 部分数据断流: ldle Source
  5. 迟到数据处理: Window算子是丢弃; Join 算子认为跟之前的数据无法join到

Window

基本功能

  • 典型的Window：
  1. Tumble Window ( 滚动窗口)
  2. Sliding Window ( 滑动窗口)
  3. Session Window ( 会话窗口)
  • 其它Window：
  1. 全局Window
  2. Count Window
  3. 累计窗口
  4. ......

Window使用

image-20230204111315069

滚动窗口

image-20230204111527499

  • 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

image-20230204111629639

  • 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

会话窗口

image-20230204111738842

  • 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

  • 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

  • 怎么定义迟到？条数据到来后，会用WindowAssigner给它划分一个window,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？只有事件时间下才会有迟到的数据。
  • 迟到数据默认处理？丢弃

迟到数据处理方式

  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allow_lateness这么长时间，在这段时间内如果还有数据到来，则继续之前的状态进行计算。适用于: DataStream、 SQL

窗口继续进行处理的同时，可以同时对于窗口运算结果进行输出，覆盖之前的输出昂！！！

  1. SideOutput ( 侧输出流) 这种方式需要对迟到数据打- -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

image-20230204112024338

增量 VS 全量计算

  • 增量计算:

    • 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

image-20230204112511088

  • 全量计算:

    • 每条数据到来，会存储到window的state中。等到 window触发计算的时候，将所有数据拿出来一起计算 。
    • 典型的process函数就是全量计算

image-20230204112612569

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)
      • 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}

高级优化

Mini-batch优化

image-20230204113429449

image-20230204113553628

倾斜优化-Local-Global

image-20230204113753050

Distinct计算状态

image-20230204113900944

image-20230204114048379

Pane优化

image-20230204114121933

image-20230204114211480

小结

  1. Mini-batch 优化解决频繁访问状态的问题
  2. local-global 优化解决倾斜问题
  3. Distinct 状态复用降低状态量
  4. Pane 优化降低滑动窗口的状态存储量

案例分析

使用Flink SQL计算抖音的日活曲线

  • 处理代码：

image-20230204151855036

table.exec.emit.early -fire.enabled-true table.exec emit.early-fire.delay-5min

  • 问题:所有数据都需要在一个subtask中完成窗口计算，无法并行。并行度太低，数据太大，性能差。
  • 解决方案：

image-20230204151915057

table.exec.emit.early-fire.enabled-true table.exec.emit.early-fire.delay-5min table.exec.window.allow-retract-input=true

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。

使用Flink SQL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

image-20230204152114401

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

  1. 第一部分介绍了流式计算基本概念，以及和批式计算的区别
  2. 第二部分介绍了watermark的含义、如何生成、如何传递，以及如何处理部分partition断流的问题
  3. 第三部分介绍了三种基本的window的定义，以及迟到数据处理、增量计算VS全量计算、EMIT输出;同时也介绍了local-global优化、mini-batch优化、distinct状态优化、滑动窗口的pane的优化等
  4. 两个案例介绍滚动窗口、会话窗口，以及两阶段聚合解决倾斜问题
avatar
文章
阅读
粉丝