[大数据] Flink运行架构分析

资源管理器（ResourceManager）

????????1：主要负责管理任务管理器（TaskManager）的插槽（slot）， TaskManger 插槽是Flink中定义的处理资源单元。

????????2：Flink为不同的环境和资源管理工具提供了不同资源管理器，比如YARN、 Mesos、K8s，以及standalone部署。

????????3：当JobManager申请插槽资源时，ResourceManager会将有空闲插槽的TaskManager分配给JobManager。如果ResourceManager没有足够的插槽来满足JobManager的请求，它还可以向资源提供平台发起会话，以提供启动TaskManager进程的容器

分发器（Dispatcher）

????????1：可以跨作业运行，它为应用提交提供了REST接口。当一个应用被提交执行时，分发器就会启动并将应用移交给一个 JobManager。

????????2：Dispatcher也会启动一个Web UI，用来方便地展示和监控作业执行的信息。

????????3：Dispatcher在架构中可能并不是必需的，这取决于应用提交运行的方式

任务提交流程图

任务提交流程图（Yarn）

?并行度（Parallelism）

一个特定算子的子任务（subtask）的个数被称之为其并行度（parallelism）。

一般情况下，一个 stream 的并行度，可以认为就是其所有算子中最大的并行度

TaskManager 和 Slots

????????1：Flink 中每一个 TaskManager 都是一个 JVM 进程，它可能会在独立的线程上执行一个或多个子任务

????????2：为了控制一个TaskManager 能接收多少个 task ， TaskManager 通过 task slot 来进行控制（一个 TaskManager 至少有一个 slot ）

????????3：默认情况下，Flink 允许子任务共享 slot ，即使它们是不同任务的子任务。这样的结果是，一个slot 可以保存作业的整个管道

????????4：Task Slot 是静态的概念，是指 TaskManager 具有的并发执行能力

并行子任务的分配

说明：A4表明A算子4个并行度，从小往上输入到输出，该程序需要四个slot?

程序与数据流（DataFlow）

????????1：所有的Flink程序都是由三部分组成的：Source 、Transformation 和Sink。? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??2：Source 负责读取数据源，Transformation 利用各种算子进行处理加工，Sink 负责输出

????????1：在运行时，Flink 上运行的程序会被映射成“逻辑数据流”（ dataflows），它包含了这三部分??

????????2：每一个dataflow 以一个或多个 sources 开始以一个或多个 sinks 结束。 dataflow类似于任意的有向无环图（DAG）

????????3：在大部分情况下，程序中的转换运算（transformations ）跟 dataflow 中的算子（operator ）是一一对应的关系

执行图（ExecutionGraph）

????????1：Flink 中的执行图可以分成四层： StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图

? StreamGraph ：是根据用户通过 Stream API 编写的代码生成的最初的图。用来表示程序的拓扑结构。

? JobGraph ： StreamGraph 经过优化后生成了 JobGraph ，提交给 JobManager 的数据结构。主要的优化为，将多个符合条件的节点chain 在一起作为一个节点

? ExecutionGraph ： JobManager 根据 JobGraph 生成 ExecutionGraph 。 ExecutionGraph是 JobGraph 的并行化版本，是调度层最核心的数据结构。

? 物理执行图： JobManager 根据 ExecutionGraph 对 Job 进行调度后，在各个TaskManager 上部署 Task 后形成的“图”，并不是一个具体的数据结构。

数据传输形式

????????1：一个程序中，不同的算子可能具有不同的并行度

????????2：算子之间传输数据的形式可以是one-to-one (forwarding) 的模式也可以是 redistributing 的模式，具体是哪一种形式，取决于算子的种类

? One-to-one ： stream 维护着分区以及元素的顺序（比如 source 和 map 之间）。

这意味着 map 算子的子任务看到的元素的个数以及顺序跟 source 算子的子任务生产的元素的个数、顺序相同。map 、 fliter 、 flatMap 等算子都是 one-to-one 的对应关系。

? Redistributing ： stream 的分区会发生改变。每一个算子的子任务依据所选择的 transformation发送数据到不同的目标任务。例如， keyBy 基于 hashCode 重分区、而broadcast 和 rebalance 会随机重新分区，这些算子都会引起redistribute过程，而 redistribute 过程就类似于 Spark 中的 shuffle 过程。

任务链（Operator Chains）

????????Flink 采用了一种称为任务链的优化技术，可以在特定条件下减少本地通信的开销。为了满足任务链的要求，必须将两个或多个算子设为相同的并行度，并通过本地转发（local forward）的方式进行连接

????????相同并行度的 one-to-one 操作， Flink 这样相连的算子链接在一起形成一个task ，原来的算子成为里面的subtask 。并行度相同、并且是 one-to-one和同一个slot共享组操作，两个条件缺一不可