《Streaming Systems》第二章: 数据处理中的 W

本章中，我们将通过对 What，Where，When，How 这 4 个问题的回答，逐步揭开流处理过程的全貌。

• What：计算什么结果？
  也就是我们进行数据处理的目的，答案是转换（transformations），例如求和、训练机器学习模型，都是转换。是批处理和流处理都需要面对的问题。

• Where：在哪里计算结果？
  答案是窗口（windowing）。是批处理和流处理都需要面对的问题。

• When：何时计算结果？
  答案是触发器 + 水位线（triggers + watermarks）。这是一个只有流处理需要面对的问题，批处理不需要考虑此问题的原因是：批处理计算结果的时间是确定的 —— 数据集输入结束的时候。

• How：如何修正结果？
  答案是累积（accumulation）。批处理不需要考虑这个问题，批处理只有在数据输入结束时才输出计算结果，只输出一次结果因此不存在修正问题。流处理则不同，输入数据是无界的，随着数据不断输入，实时结果不断被更新，新的结果如何修正之前的结果是必须要考虑的。

批处理基础: What and Where

What: Transformations

第一个问题：计算什么结果？答案是 转换（Transformations）。转换的概念很宽泛，求和运算是一种转换，训练机器学习模型也是一种转换。为了便于下文描述，我们引入一个样例数据集。数据集记录了某次手游比赛战队中每个成员的得分情况。

数据集中各字段含义如下：

• Name：队员名
• Team：战队名
• Score：得分
• EventTime：得分记录的事件时间，即产生得分记录的时间
• ProcTime：得分记录的处理时间，即得分记录流入管道进行计算的时间

样例数据集

以 EventTime 为横坐标，ProcTime 为纵坐标，将样例数据集中的 9 条记录标注在平面直角坐标系中，如下图所示：

图 2-1. 测试数据在平面直角坐标系中的分布

比赛是以战队为单位进行的，为了计算哪个战队胜出，需要统计战队中所有队员的得分的和。完整的处理逻辑是：读入原始数据；将原始数据解析成为格式化数据便于后续计算；以 Team 为主键，对 Score 做求和操作。示例代码如下：

示例 2-1. 求和转换

这段逻辑在样例数据集上的执行过程如下图所示。图中，X 轴是 EventTime，Y 轴是 Processing Time。黑色实线自下而上推进，表示随着时间的推移数据依次流入系统中进行计算。Pipeline 每捕获一条记录，就将其累加到当前结果中，作为当前 Processing time 时间点上的中间结果，用白色数字表示，处理时间 12:06 中间结果是 12，12:08 中间结果是 30，当扫描完整个数据集之后，输出最终结果 48。

图 2-3. 经典批处理

这就是整个经典批处理的处理过程。由于数据是有界的，因此在 Processing time 上处理完所有数据后，就能得到正确结果。但是如果数据集是无界数据的话，这样处理就有问题，因为理论上来说，无界数据集的输入永远不会停止。

Where: Windowing

处理无界数据的有效办法还是 窗口，这也是第二个问题 “在哪里计算结果?” 的答案——窗口。

窗口的划分策略，在 第一章 中已有提及，下图所示为常用的三种窗口划分策略：固定窗口、滑动窗口、会话窗口。

图 2-4. 窗口划分策略

在示例 2-1 的基础上添加窗口，窗口类型选择 Fixed，窗口大小设置为 2 分钟，于是就有了示例 2-2：

示例2-2. 窗口求和

示例 2-2 在样例数据集上的执行过程如下图所示。从时序图上可以看出，在事件时间上，以 2 分钟为步长，数据被划分到相应的窗口，求和运算在窗口内部进行，每个窗口都有独立的求和结果，当处理完整个数据集时，将每个窗口的输出进行累加就可以得到最终的求和结果。

图 2-5. 批处理引擎上的窗口求和

窗口的引入似乎能帮助我们在一定程度上解决无界数据处理的问题，因为它能把大的数据拆分成小的，但是还没有从根本上解决的问题是：依然需要等待整个数据集输入完成才能输出最终结果。

流处理进阶: When and How

目前为止我们还停留在批处理层面，依然要等待整个数据集输入完成才能给出最终计算结果。这在无界数据流计算中是不可行的，为此我们引入 触发器（Trigger）和水印（Watermark） 的概念，这也是第三个问题 “何时触发计算结果” 这个问题的答案。

When: Triggers

一般而言，触发器分为两种类型：

• 重复更新式触发器：积累到一定数量的记录后触发（每累计 n 条记录），或每隔一段时间周期性地触发（每秒钟/每分钟）。
• 完整性触发器：当属于某个窗口的数据全部到达时触发。

重复更新式触发器最简单也最常用，我们在 示例 2-2 的基础上增加一个触发器，每遇到一条新记录就更新一次计算结果：

示例 2-3. 重复更新式触发器

示例 2-3 在样例数据集上的运行时序图如下：

图 2-6. 重复更新触发器

有了触发器，每个窗口的结果能够比较实时地更新了，并且随着时间的推移，在不断向正确结果收敛。不过，每遇到一个新记录就更新一次结果的方式太过频繁了，如果样例数据集中有很多 Team，每个 Team 中都有很多活跃的玩家，可想而知这种触发方式给系统带来的负载会很大。那 每隔一段时间周期性更新结果 的触发方式怎么样呢，例如 每秒钟/每分钟 更新一次？

这种类型的触发器又可以分为 对齐延时触发 （将处理时间上切分成固定大小的时间片，然后按照固定时间来触发计算） 和 非对齐延时触发 （延时时间与窗口内数据有关，是按照数据进入系统的时间+延时时间触发计算）。

引入对齐延时触发器的程序如 示例 2-4 所示，运行结果如 图 2-7 所示。

示例 2-4. 对齐延时触发器 图 2-7. 对齐延时触发器

可以看到，每间隔 2min，各窗口更新一次计算结果，这样的更新触发分别发生在处理时间轴的 12:07，12:09。与逐条记录更新的方式相比，对齐延时触发器更新不再那么频繁了，但也有缺点：要更新所有窗口同时更新，每当更新时间到达，系统负载会突发性地增加。与之相比，非对齐延时触发器则能很好的避免这个问题。

引入非对齐延时触发器的程序如 示例 2-5 所示，运行结果如 图 2-8 所示。

示例 2-5. 非对齐延时触发器 图 2-8. 非对齐延时触发器

可以看到，非对齐延时触发器是以有数据进入窗口的时间作为起点开始计时，在 进入时间 + 延时时间 触发计算。至于平均延迟，应该和对齐延时触发器是一致的。从这个角度来看，未对齐延时触发器通常是大规模数据处理的更好选择，因为随着时间的推移，它能更好的均分负载。

有了触发器的窗口，能够比较实时的更新计算结果而不用等待整个数据集输入完成了，但是还有一个问题亟待解决：这些窗口什么时候关闭呢？一直处于开启状态的窗口会很占用资源的。
什么时候可以关闭窗口呢？就是当属于这个窗口的所有数据都到齐了的时候。
那如何判断属于这个窗口的数据都到齐了呢？
由于这是事件时间窗口，事件时间本身可能就是乱序到达的，由于网络传输等原因，数据迟到也不是啥稀奇事，如何判断窗口中事件的完整性可是个难题，这时就需要完整性触发器了，watermark 就是一种完整性触发器。

When: Watermarks

什么是 watermarks？
看一下《Streaming Systems》中原文是怎样描述的：

Watermarks are temporal notions of input completeness in the event-time domain. Worded differently, they are the way the system measures progress and completeness relative to the event times of the records being processed in a stream of events (either bounded or unbounded, though their usefulness is more apparent in the unbounded case).

Flink 官方文档中 对 watermark 的定义如下：

The mechanism in Flink to measure progress in event time is watermarks. Watermarks flow as part of the data stream and carry a timestamp t. A Watermark(t) declares that event time has reached time t in that stream, meaning that there should be no more elements from the stream with a timestamp t' <= t (i.e. events with timestamps older or equal to the watermark).

综合以上，Watermarks 在事件时间域衡量数据完整性的概念，Watermarks 作为数据流的一部分流动并携带时间戳 t，Watermark(t) 断言数据流中不会再有小于时间戳 t 的事件出现。换言之，当 Watermark(t) 到达时，标志着所有小于时间戳 t 的事件都已到齐，可放心地对时间戳 t 之前的所有事件执行聚合、窗口关闭等动作。

从概念上讲，可以把 watermark 理解成一个函数 ，向这个函数输入一个处理时间 P，就返回对应的事件时间 E，含义是事件时间小于 E 的数据都已经到齐，换言之，断言事件时间小于 E 的数据不会再出现。

结合 watermark 的定义，回顾一下 第一章 中 事件时间和处理时间的关系图，红色的代表 Reality 的曲线，实际上不就是 watermark 吗？

图 2-9. 事件时间进度、偏差和水印

如果按照 Flink 官方文档的理解，可以把 watermark 想象成如下图所示：

补图 1. watermark.png

Watermark 是一种判断数据完整性的理念，是一种断言，既然是断言，就有可能是 100% 严格保证或仅仅是有根据的猜测，前者我们称之为 完美型水位线（Perfect watermark），后者我们称之为 启发式水位线（Heuristic watermarks）。

• 完美型水位线（Perfect watermark）
  当我们完全了解所有输入数据的情况时，是可以构建完美型水位线。 在这种情况下，没有诸如数据迟到之类的情况发生，所有数据都是提前或准时到达的。

• 启发式水位线（Heuristic watermarks）
  对于许多分布式数据源来说，100% 掌握输入数据的先验知识是不切实际的，在这种情况下，我们只能退而求其次选择相对准确的启发式水印。 可以利用的启发式信息包括但不限于分区信息、网络带宽、网络拓扑、数据增长速率。相对准确 的含义是可能会出错，可能会存在迟到数据，至于如何处理迟到数据，我们后面展开讨论。

Watermarks 本身是一个复杂的话题，我们在 第三章 中详细展开讨论。我们先来看看，引入了 watermark 之后，可否真的解决前文遇到的 数据完整性 问题。引入 watermark 后的程序如 示例 2-6 所示。

示例 2-6. watermark 触发

注意 AfterWatermark() 是一个函数，意味着我们需要根据具体情况具体实现，作为对比，假设我们同时实现了完美型水位线和启发式水位线，两种类型水位线在同一样例数据集上的运行结果如 图 2-10 所示：

图 2-10. watermark 触发

图中左侧为 Perfect Watermark，右侧为 Heuristic Watermark。每次 watermark 经过窗口右界时，窗口都会输出计算结果。区别是 Perfect Watermark 的结果始终是正确的（书中插图存在一处笔误，Perfect Watermark 在窗口 [12:00, 12:02] 的结果应该是14），而 Heuristic Watermark 在时间窗口 [12:00, 12:02] 的结果是错误的，少计算了 “9” 这个数据。

通过对比 图2-10 和 图2-6 图2-7 图2-8，Watermark 和重复更新式触发器的最大不同之处在于：watermarks give us a way to reason about the completeness of our input。如果您想要推断输入中是否 缺少数据/丢失数据，这一点就显得尤其重要了。一个典型的例子就是 outer join，试想如果没有 watermark，你怎么知道什么时候该放弃等待输出 partial join 结果，什么时候该继续等待另一部分数据的到来？ 你无从知道。

当然，从 图 2-10 中我们可以看到 watermark 也存在缺点：

• 输出太慢
  如果数据流中有晚到数据，越趋近于 perfect 的 watermark，将会一直等待这个 late event，而不会输出结果，这会导致输出的延时增加。

• 输出太快
  启发式 watermark 的问题是输出太快，会导致结果不准。

因此，水印并不能同时保证数据处理过程中的低延时和正确性。既然重复更新触发器（Repeated update triggers）可以保证低延时，完整性触发器（Completeness triggers），能保证结果正确。那能不能将两者结合起来呢?

When: Early/On-Time/Late Triggers FTW!

注：FTW（For The Win）作用是表达对某一事物喜欢到极致的心情，属于网络用词。

如果将两种触发器的优势结合，即允许在 watermark 之前/之时/之后 使用标准的重复更新触发器。就产生了 3 种新的触发器：Early/On-time/Late trigger：

• Early
  在 watermark 经过窗口之前就周期性的输出结果。这些结果可能是不准确的，但是避免了 watermark 输出太慢的问题。

• On-time
  仅在 watermark 通过窗口右界时触发一次。这时的结果可以看作是准确的。

• Late
  在 watermark 通过窗口结束边界之后，如果这个窗口有 late event，也可以触发计算。允许迟到数据更新窗口结果，避免了输出太快导致的结果不对的问题。

引入 Early/On-Time/Late 触发器，于是就有了 示例 2-7：

示例 2-7. Early/On-Time/Late 触发器

示例 2-7 在样例数据集上的运行结果如 图 2-11 所示，在 watermark 到来之前采用对齐延时方式每隔 1 分钟触发一次结果更新，在 watermark 经过窗口右界时触发一次结果更新，在 watermark 经过之后每累计超过 1 个事件也触发一次结果更新。

图2-11. Early/On-time/Late 触发

通过对比 图2-11 和 图 2-10 可以发现 Early/On-Time/Late 触发器改善了 watermark 的 输出太慢 和 输出太快 的问题，无论是 Perfect Watermark 还是 Heuristic Watermark 最终都得到了正确的计算结果。

完美型 watermark 和启发式 watermark 一个非常大的区别是，在完美型 watermark 例子中，当 watermark 经过窗口结束边界时，这个窗口里的数据一定是完整的，因此得出该窗口计算结果之后，就可以把这个窗口的状态和数据全部删除了。但启发式 watermark 中，由于 late event 的存在，为了保证结果的正确性，需要把窗口的数据保存一段时间。但其实我们根本不知道要把这个窗口的状态保存多长时间。这就需要引入一个新的概念：Allowed Lateness。

When: Allowed Lateness

实际生产环境中，由于磁盘大小等限制，窗口的状态不可能无限的保存下去。因此，需要为窗口状态定义一个最大保存时间，换言之，就是为窗口中的数据定义一个最大允许延迟时间 Allowed Lateness，过了这个时间，窗口的状态和数据会被清理掉，之后到来的 late event 也不会被处理了。流处理系统选择将 Allowed Lateness 参数开放给用户，让用户决定是否耗费更多资源去保证结果的准确性。

在 示例 2-7 的基础上，引入 Allowed Lateness 就有了 示例 2-8：

示例 2-8. 允许时延

本例中设置 Allowed Lateness 为 1 分钟，也就是说当 watermark 经过窗口右界时开始计时，1 分钟后窗口将关闭，与窗口有关的状态全部丢弃进行垃圾回收。图中所示数值 “9” 由于迟到时间超过 1 分钟将不会合并到最终结果中。

图2-12. 允许时延

How: Accumulation

引入了触发器的窗口，结果会被触发多次，自然也会更新多次。新的结果如何修正旧的结果呢？这就是我们面对的第 4 个问题。修正方法分为 3 种：

• 丢弃（Discarding）
  窗口每次产生新的输出结果之后，相关 state 都被丢弃。适用于窗口中每次输出的结果都互相独立的场景，比较适合下游是聚合类的运算。

• 累积（Accumulating）
  从 示例 2-2 到 示例 2-7 都是采用的累积模式，窗口每次输出的中间结果都会被保存，新的数据到达之后，和上一次的保存结果做累积运算作为新的结果输出。这种方式适合下游是可更新式的数据存储，比如 HBase/Bigtable。

• 累积 & 撤回（Accumulating and retracting）
  累积与上文第 2 点一样，即新的数据到达之后，与上一次保存的结果做累积运算。撤回是指，得到新的计算结果之后，还要把上一次窗口输出的结果撤回。含义类似 “我上次告诉你的结果是 X 吧，不好意思是我弄错了，把上次结果 X 丢弃吧，正确结果应该是 Y”。什么时候会用到这种模式呢？
  比如会话窗口合并的时候。假设本来有两个会话窗口 Session window 1 和 Session window 2，后来到达一批迟到数据，迟到数据加入后把两个会话窗口之间的 gap 填充了，两个窗口原来是一个窗口，此时就要合并两个窗口得到一个新窗口。可是上次已经把两个会话窗口的结果发往下游了，这次得到的 1 个新窗口，只能覆盖掉上次的一个计算结果，还有一个错误的窗口依然在下游存在。这时候就只能撤回了：撤回两个错误窗口，发射一个新窗口。

补图2. 会话窗口合并

以 图 2-12 中的 [12:06, 12:08] 窗口为例，横向对比一下三种累积模式：

表2-1. 累积模式对比

• 如果采用的是 Discarding 模式，只对在特定期间内到达的数据做运算，第一个窗格的结果是 3，第二个窗格的结果是 9，不关心全局信息。如果在下游添加一个聚合算子对每个窗格的结果求和，能得到正确结果 12。这就是为什么说 Discarding 模式适合下游是聚合类的运算 的原因。

• 如果采用的是 Accumulating 模式，新结果是当前窗格的结果 + 之前窗格的累积结果，因此第一个窗格的结果是 3，第二个窗格的结果是 3 + 9 = 12。如果在下游再进行聚合计算，则会存在重复计算的情况，会得到错误的计算结果 15。Accumulating 模式只需用新值覆盖以前的值：新值已经包含了迄今为止看到的所有数据。

• 如果采用的是 Accumulating and retracting 模式，每个窗格的计算结果包含 累积结果 和 上一次的计算结果 两部分。第一个窗格的计算结果是 3，第二个窗格的计算结果是（12，-3）。最后一个窗格的计算结果和所有窗格的累积结果都是正确的结果：12。这就是 累积&撤回 模式强大之处了。

在 示例 2-7 的基础上，引入 Discarding 模式，就有了 示例 2-9：

示例 2-9. Discarding 模式

看一下 示例 2-9 在样例数据集上的运行结果：

图 2-13. Discarding 模式

再看一下 累积&撤回 模式的示例：

示例2-10. 累积&撤回模式

示例 2-10 在样例数据集上的运行结果：

图 2-14. 累积&撤回模式

最后将丢弃模式、累积模式、累积&撤回模式放在一起对比一下：

图 2-15. 丢弃模式、累积模式、累积&撤回模式

图中从左到右丢弃模式、累积模式、累积&撤回模式对存储的要求和计算复杂度依次递增。因此 How 的选择需要综合考虑结果正确性、延迟、内存、计算复杂度等综合因素。

本章小结

本章中，我们首先详细讨论了以下流处理核心概念：

• 窗口
  处理无界数据的有效方式是采用窗口的方式对无界数据进行切分。
• 触发器
  用于定义何时触发计算结果更新动作。
• 水位线
  一种推断数据完整性的理念，对于处理无界数据中的乱序、迟到、缺失等问题非常有效。
• 累积
  当窗口结果需要多次更新时如何修正之前的结果。

其次，我们通过对 what，where，when，how 这 4 个问题的回答，逐步揭开流处理过程的全貌：

• What：计算什么结果？—— 转换
• Where：在哪里计算结果？—— 窗口
• When：在什么时间计算结果？—— 触发器 + 水位线
• How：如何修正计算结果？—— 累积