Flink架构

作者: 寇寇寇先森 | 来源:发表于2020-01-16 17:59 被阅读0次

    一、整体架构

    Flink整体由JobManager和TaskManager组成,遵循主从设计原则,JobManager为Master节点,TaskManager为worker节点,组件之间通信是借助Akka Framework;

    1. JobManager:负责整个Flink集群任务的调度和资源分配。从client获取提交的任务后,JobManager根据TaskManager中资源(TaskSlots)使用的情况,分配资源并命令TaskManager启动任务。在这个过程中,JobManager会触发checkpoint操作,Taskmanager执行checkpoint操作,其中所有的checkpoint协调的过程都是在JobManager中完成。此外,如果任务失败了,也有JobManager协调失败任务的恢复。
    2. TaskManager:负责具体任务执行和节点上资源申请和管理,多节点之间数据交换也是在TaskManager上执行;Flink中每个TaskManager对应一个JVM进程。
    3. task slot:每个task slot是TaskManager的一部分,若一个taskManager有三个taskSlot,则这三个taskSlot会均分这个TaskManager的资源(仅内存,不包括CPU)。有多个slot意味着同一个JVM中会有多个子任务,这些任务会共享JVM的TCP连接和心跳信息。这里要说明的是,slot的个数不是subtask的个数是一一对应,一个slot中可以有多个subtask。在默认情况下,同一个job中的子任务(subtask)是可以共享一个slot的。
      参考:flink solt和并行度
    4. client客户端:不是runtime的一部分,换句话说,Flink集群启动client提交的任务之后,client客户端时可以断开的,是可以不需要的。client不像JobManager和TaskManager对应着 flink集群中的结点(或是物理机、或是虚拟机、或是容器),是触发执行的一个抽象化,若程序在JobManager所在结点执行,则称client在JobManager结点上,同样,其也可以在TaskManager结点上。
    • 提交一个任务的正常流程是:client与JobManager构建Akka连接,将任务提交到JobManager上,JobManager根据已经注册在JobManager中TaskManager的资源(TaskSlot)情况,将任务分配给有资源的TaskManager,并命令TaskManager启动任务,TaskManager则从JobManager接受需所部属的任务,使用slot资源启动task,建立数据接入的网络连接,然后接受数据并开始处理。

    二、资源管理

    一、集群部署阶段

    集群部署这里指的是Flink standalone模式,因为在Yarn模式(包括session、single job模式也成Per-job模式)是可以仅通过Flink client提交任务到Yarn上,所以是否手动部署Flink集群对任务的执行是没有影响的。下图[1]是简单的Flink的集群构成情况,包括一个master(JobManager)、两个worker(TaskManager)。至于Flink standalone模式的HA(一般有两个JobManager加上若干个TaskManager组成)是通过zookeeper实现的,其主要思想是通过zookeeper选举出JobManager的active节点,该结点负责资源分配等,另一个节点为standby。Flink的Yarn模式的高可用的通过在container中对JobManager的重启实现的,其具体过程在此不详细说明。
    部署阶段主要有以下两个参数:

    #每个TaskManager中slot的个数,在conf/flink-conf.yaml中,默认为1
    2 taskmanager.numberOfTaskSlots
    3 #任务的并行度,默认为1
    4 parallelism.default
    
    1. taskmanager.numberOfTaskSlots:每个TaskManager中slot的数量,官方文档推荐:和每个TaskManager中物理CPU的个数成比例,比如:等于CPU的个数,或者是CPU个数的一半;
    2. parallelism.default:任务的并行度,默认值为1,该值可以通过在程序中设定setParallesim()改变,并行度与slot的关系见下详解;

    二、任务提交阶段

    Flink集群资源的使用情况除了和已分配的资源有关外,还与并行度有关,已分配的资源表示Flink可以利用这么多资源,而实际能利用多少资源还和并行度有关。任务并行度的最大值由TaskManager集群的Slot总数决定,如:slot总数为10,则任务最大的并行度为10.
    在standalone模式中,Flink任务能利用的总资源已在启动集群时确定,其并行通过在执行./flink run 时,通过可选参数[-p]确定(不指定则为默认值1)。
    在Yarn模式中,均是先Yarn集群中分配资源给新建的Flink集群,如下图,其详细过程见文档[2]。

    Yarn资源分配

    Flink的Yarn模式session、single job模式在实现方法上还是存在一定的区别:
    1)session模式是先利用yarn-session.sh在yarn新建一个Flink集群,然后利用./flink run flinkExample.jar提交任务,其资源分配的方式和standalone模式一致;

    ./yarn-session.sh -n 4 -s 8 -jm 3072 -tm 32768 
    

    -n:在yarn上分配了4个container,即分配了4个TaskManager;
    -s:每个TaskManager有8个slot;
    -jm:每个JobManager中的内存数;
    -tm:每个TaskManager中的内存数;
    2)single job模式在命令中在申请资源的同时,提交任务,常用命令如下:

    ./flink run -m yarn-cluster -yn 7 -ys 8 -yjm 1024 -ytm 1024 example.jar
    

    -yn:yarn上分配的container个数,即TaskManager的个数;
    -ys:每个TaskManager中slot的个数
    其他参数的具体使用方法可以在控制台中执行./flink、./yarn-session.sh得到说明。
    说明:session模式和single job的区别:
    1)session模式:Flink任务运行结束后,从yarn上申请到的资源是不被释放的,等待下一个Flink的提交,类似一个常住在yarn上永远不会结束的yarn任务。因为,yarn的资源分配模式中比如fair策略还是存在资源的竞争的,session模式资源的不释放性,这样可以在Yarn提供资源分配上的基础上进行实现资源隔离,也实现了对集群物理环境的屏蔽,但在一定的程度上造成了资源的浪费;
    2)single job模式和一般的yarn任务一样,任务结束后就会释放申请到的资源,使资源得到重复利用。

    • 所以session、single job模式的实际应用应根据需求使用,一般情况下:
    1. single job模式是按需申请资源,一般适合执行时间较长的大任务。此外,该模式下,每次提交任务都需单独启动Flink集群自己的ResourceManager会造成一定的时延;
    2. session模式共享资源,一般适合执行时间短的小任务。此模式下,会共享ResourceManager,所以启动快。

    【说明】这里所说的ResourceManager不是Yarn的组件,是Flink本身的,关于深层的分析,见后续博客。

    三、任务运行阶段

    假定一个3个TaskManager的集群,每个TaskManager有3个slot,集群一个9个slot,从下图中可以得到[3]:任务的并行度为1时,只会用一个slot,并行度为2会用2个slot,依次类推,当并行度为9时,9个slot都会被利用,当然从example4中可知,可以针对不同的算子(operator)定义并行度。


    taskmanager和slot关系.png

    三、 常见概念:Task,Operator Chain(算子链)

    一、Task和Operator Chains
      Flink会在生成JobGraph阶段,将代码中可以优化的算子优化成一个算子链(Operator Chains)以放到一个task(一个线程)中执行,以减少线程之间的切换和缓冲的开销,提高整体的吞吐量和延迟。


    Operator Chain.png

    算子之间是否可以组成一个Operator Chains,看是否满足以下条件:

    • 上下游算子的并行度一致
    • 下游节点的入度为1
    • 上下游节点都在同一个 slot group 中
    • 下游节点的 chain 策略为 ALWAYS(可以与上下游链接,map、flatmap、filter等默认是ALWAYS)
    • 上游节点的 chain 策略为 ALWAYS 或 HEAD(只能与下游链接,不能与上游链接,Source默认是HEAD)
    • 两个节点间数据分区方式是 forward
    • 用户没有禁用 chain(代码中是否配置disableChain())

    算子被定义后,先根据条件优化算子链 ,然后组成一个个subtask,最后根据是否可以共享slot分布在taskManager的slot中执行。

    Operator Chain参考:Operator Chains
    未完待续!!!

    相关文章

      网友评论

        本文标题:Flink架构

        本文链接:https://www.haomeiwen.com/subject/datqzctx.html