大数据开发：Flink内存模型与参数讲解

对Flink的内部运行机制的理解，是整个框架的学习当中，是非常关键的一部分，其中Flink基于内存的数据存储和管理，也是非常重要的知识点。今天的大数据开发学习分享，我们来讲讲Flink内存模型与参数。

Flink社区在FLIP-49提出了新版统一的TaskManager内存模型及配置，这也是Flink 1.10版本最主要的改进与优化点之一。

由于内存模型发生了变化，所以Flink 1.10作业的内存配置参数也与1.9版本之前有比较大的区别，本文就来具体看一看，防止生产环境中踩坑。

新版内存模型与参数概览

官方给出的图示如下——

下面看图说话，分区域介绍之。

Flink总内存（Total Flink Memory）

含义

TaskManager进程占用的所有与Flink相关的内存（不包括JVM元空间和其他额外开销）。具体包含4大块：Flink框架内存（堆内、堆外）、托管内存（仅堆外）、网络缓存（仅堆外）、任务内存（堆内、堆外）。

参数

taskmanager.memory.flink.size：无默认值，需要用户指定。

Flink框架（Framework）内存

含义

Flink Runtime底层占用的内存，一般来讲相对固定，不需要更改。极特殊情况下才需要调大一些，比如非常高的算子并行度，或者与外部系统（如Hadoop）有密集交互等等。

参数

taskmanager.memory.framework.heap.size：堆内部分（Framework Heap），默认值128MB；

taskmanager.memory.framework.off-heap.size：堆外部分（Framework Off-Heap），以直接内存形式分配，默认值128MB。

托管（Managed）内存

含义

纯堆外内存，由MemoryManager管理，用于中间结果缓存、排序、哈希表等，以及RocksDB状态后端。可见，RocksDB消耗的内存可以由用户显式控制了，不再像旧版本一样难以预测和调节。

参数

taskmanager.memory.managed.fraction：托管内存占Flink总内存taskmanager.memory.flink.size的比例，默认值0.4；

taskmanager.memory.managed.size：托管内存的大小，无默认值，一般也不指定，而是依照上述比例来推定，更加灵活。

网络（Network）缓存

含义

纯堆外内存，用于TaskManager之间（shuffle、广播等）及与外部组件的数据传输，以直接内存形式分配。

参数

taskmanager.memory.network.min：网络缓存的最小值，默认64MB；

taskmanager.memory.network.max：网络缓存的最大值，默认1GB；

taskmanager.memory.network.fraction：网络缓存占Flink总内存taskmanager.memory.flink.size的比例，默认值0.1。若根据此比例算出的内存量比最小值小或比最大值大，就会限制到最小值或者最大值。

任务（Task）内存

含义

顾名思义，是算子逻辑和用户代码、自定义数据结构真正占用的内存。

参数

taskmanager.memory.task.heap.size：堆内部分（Task Heap），无默认值，一般不建议设置，会自动用Flink总内存减去框架、托管、网络三部分的内存推算得出。

taskmanager.memory.task.off-heap.size：堆外部分（Task Off-Heap），以直接内存形式分配，默认值为0，即不使用。

TaskManager进程总内存（Total Process Memory）

含义

在容器化部署（on YARN/K8s/Mesos）环境下使用，是Flink总内存、JVM元空间与JVM额外内存开销的和，也就是容器本身的内存大小。

参数

taskmanager.memory.process.size：无默认值，需要用户指定。

JVM元空间（Metaspace）

含义

不用多费口舌了吧。

参数

taskmanager.memory.jvm-metaspace.size：默认值256MB。

JVM额外开销（Overhead）

含义

为JVM预留的其他本地内存，用于线程栈、代码缓存等，作用有些类似于之前版本中为容器预留的截断（cutoff）内存。当然在1.10版本中，原先的containerized.heap-cutoff-ratio与containerized.heap-cutoff-min参数对TM就不再生效了。

参数

taskmanager.memory.jvm-overhead.min：JVM额外开销的最小值，默认192MB；

taskmanager.memory.jvm-overhead.max：JVM额外开销的最大值，默认1GB；

taskmanager.memory.jvm-overhead.fraction：JVM额外开销占TM进程总内存taskmanager.memory.process.size（注意不是Flink总内存）的比例，默认值0.1。若根据此比例算出的内存量比最小值小或比最大值大，就会限制到最小值或者最大值。

Flink内存参数与JVM参数的关系

上述内存参数会直接影响启动TaskManager时使用的JVM参数，使用相关工具可以观察到。

-Xmx/-Xms：对应堆内框架内存与任务内存之和；

-XX:MaxDirectMemorySize：对应三块直接内存，即堆外框架内存、任务内存与网络缓存之和；

-XX:MaxMetaspaceSize：对应JVM元空间设置。

到底该如何配置？

一大堆参数看得人眼花缭乱，但实际用起来并不需要管那么多。简而言之：

如果是Standalone部署，就指定Flink总内存taskmanager.memory.flink.size；

如果是容器化部署，就指定TM进程总内存taskmanager.memory.process.size。

其他部分内存的分配大可交给Flink本身去决定。如果需要依照业务特点做微调的话，建议首先修改网络缓存占比taskmanager.memory.network.fraction（根据网络流量大小）与托管内存占比taskmanager.memory.managed.fraction（根据RocksDB状态大小等），进而能够间接影响任务内存的配额。手动指定较多的参数——特别是固定内存量的参数——容易使内存配额出现冲突，导致部署失败，要小心。

关于大数据开发，Flink内存模型与参数，以上就为大家做了大致的讲解了。Flink的内存模型与参数的配置，是入门阶段必须要掌握的，这部分多去熟悉，才能更快掌握。