前言

微信搜【Java3y】關注這個樸實無華的男人，點贊關注是對我最大的支援！

文字已收錄至我的GitHub：https://github.com/ZhongFuCheng3y/3y，有300多篇原創文章，最近在連載面試和專案系列！

最近一直在遷移Flink相關的工程，期間也踩了些坑，checkpoint和反壓是其中的一個。

敖丙太菜了，Flink都不會，只能我自己來了。看敖丙只能圖一樂，學技術還是得看三歪

平時敖丙黑我都沒啥水平，拿點簡單的東西來就說我不會。我是敖丙的頭號黑粉

今天來分享一下 Flink的checkpoint機制和背壓原理，我相信通過這篇文章，大家在玩Flink的時候可以更加深刻地瞭解Checkpoint

上一篇已經寫過Flink的入門教程了，如果還不瞭解Flink的同學可以先去看看：《Flink入門教程》

前排提醒，本文基於Flink 1.7

《淺入淺出學習Flink的背壓知識》

開胃菜

在講解Flink的checkPoint和背壓機制之前，我們先來看下checkpoint和背壓的相關基礎，有助於後面的理解。

作為使用者，我們寫好Flink的程式，上管理平臺提交，Flink就跑起來了(只要程式程式碼沒有問題），細節對使用者都是遮蔽的。

實際上大致的流程是這樣的：

1. Flink會根據我們所寫程式碼，會生成一個StreamGraph

   的圖出來，來代表我們所寫程式的拓撲結構。
2. 然後在提交的之前會將StreamGraph這個圖優化一把(可以合併的任務進行合併），變成JobGraph
3. 將JobGraph提交給JobManager
4. JobManager收到之後JobGraph之後會根據JobGraph生成ExecutionGraph（ExecutionGraph 是 JobGraph 的並行化版本）
5. TaskManager接收到任務之後會將ExecutionGraph生成為真正的物理執行圖

可以看到物理執行圖真正執行在TaskManager上Transform和Sink之間都會有ResultPartition和InputGate這倆個元件，ResultPartition

遮蔽掉這些Graph，可以發現Flink的架構是：Client->JobManager->TaskManager

從名字就可以看出，JobManager是幹「管理」，而TaskManager是真正幹活的。回到我們今天的主題，checkpoint就是由JobManager發出。

而Flink本身就是有狀態的，Flink可以讓你選擇執行過程中的資料儲存在哪裡，目前有三個地方，在Flink的角度稱作State Backends：

• MemoryStateBackend（記憶體）
• FsStateBackend（檔案系統，一般是HSFS）
• RocksDBStateBackend（RocksDB資料庫）

同樣的，checkpoint資訊也是儲存在State Backends上

耗子屎

最近在Storm遷移Flink的時候遇到個問題，我來簡單描述一下背景。

我們從各個資料來源從清洗出資料，藉助Flink清洗，組裝成一個寬模型，最後交由kylin做近實時資料統計和展示，供運營實時檢視。

遷移的過程中，發現訂單的topic消費延遲了好久，初步懷疑是因為訂單上游的併發度不夠所影響的，所以調整了兩端的並行度重新發布一把。

釋出的過程中，系統起來以後，再去看topic 消費延遲的監控，就懵逼了。什麼？怎麼這麼久了啊？絲毫沒有降下去的意思。

這時候只能找組內的大神去尋求幫忙了，他排查一番後表示：這checkpoint一直沒做上，都堵住了，重新發布的時候只會在上一次checkpoint開始，由於checkpoint長時間沒完成掉，所以重新發布資料量會很大。這沒啥好辦法了，只能在這個堵住的環節下扔掉吧，估計是業務邏輯出了問題。

畫外音：接收到訂單的資料，會去溯源點選，判斷該訂單從哪個業務來，經過了哪些的業務，最終是哪塊業務致使該訂單成交。

畫外音：外部真正使用時，依賴「訂單結果HBase」資料

我們認為點選的資料有可能會比訂單的資料處理要慢一會，所以找不到的資料會間隔一段時間輪詢，又因為Flink提供State「狀態」 和checkpoint機制，我們把找不到的資料放入ListState按一定的時間輪詢就好了（即便系統由於重啟或其他原因掛了，也不會把資料丟了）。

理論上只要沒問題，這套方案是可行的。但現在結果告訴我們：訂單資料報來了以後，一小批量資料一直在「訂單結果HBase」沒找到資料，就放置到ListState上，然後來一條資料就去遍歷ListState。導致的後果就是：

• 資料消費不過來，形成反壓
• checkpoint一直沒成功

當時處理的方式就是把ListState清空掉，暫時丟掉這一部分的資料，讓資料追上進度。

後來排查後發現是上游在訊息報欄位上做了「手腳」，解析失敗導致點選丟失，造成這一連鎖的後果。

排查問題的關鍵是理解Flink的反壓和checkpoint的原理是什麼樣的，下面我來講述一下。

反壓

反壓backpressure是流式計算中很常見的問題。它意味著資料管道中某個節點成為瓶頸，處理速率跟不上「上游」傳送資料的速率，上游需要進行限速

上面的圖代表了是反壓極簡的狀態，說白了就是：下游處理不過來了，上游得慢點，要堵了！

最令人好奇的是：“下游是怎麼通知上游要發慢點的呢？”

在前面Flink的基礎知識講解，我們可以看到ResultPartition用來發送資料，InputGate用來接收資料。

而Flink在一個TaskManager內部讀寫資料的時候，會有一個BufferPool（緩衝池）供該TaskManager讀寫使用（一個TaskManager共用一個BufferPool），每個讀寫ResultPartition/InputGate都會去申請自己的LocalBuffer

以上圖為例，假設下游處理不過來，那InputGate的LocalBuffer是不是被填滿了？填滿了以後，ResultPartition是不是沒辦法往InputGate發了？而ResultPartition沒法發的話，它自己本身的LocalBuffer 也遲早被填滿，那是不是依照這個邏輯，一直到Source就不會拉資料了...

這個過程就猶如InputGate/ResultPartition都開了自己的有界阻塞佇列，反正“我”就只能處理這麼多，往我這裡發，我滿了就堵住唄，形成連鎖反應一直堵到源頭上...

上面是隻有一個TaskManager的情況下的反壓，那多個TaskManager呢？（畢竟我們很多時候都是有多個TaskManager在為我們工作的）

我們再看回Flink通訊的總體資料流向架構圖：

從圖上可以清洗地發現：遠端通訊用的Netty，底層是TCP Socket來實現的。

所以，從巨集觀的角度看，多個TaskManager只不過多了兩個Buffer（緩衝區）。

按照上面的思路，只要InputGate的LocalBuffer被打滿，Netty Buffer也遲早被打滿，而Socket Buffer同樣遲早也會被打滿（TCP 本身就帶有流量控制），再反饋到ResultPartition上，資料又又又發不出去了...導致整條資料鏈路都存在反壓的現象。

現在問題又來了，一個TaskManager的task可是有很多的，它們都共用一個TCP Buffer/Buffer Pool，那隻要其中一個task的鏈路存在問題，那不導致整個TaskManager跟著遭殃？

在Flink 1.5版本之前，確實會有這個問題。而在Flink 1.5版本之後則引入了credit機制。

從上面我們看到的Flink所實現的反壓，巨集觀上就是直接依賴各個Buffer是否滿了，如果滿了則無法寫入/讀取導致連鎖反應，直至Source端。

而credit機制，實際上可以簡單理解為以「更細粒度」去做流量控制：每次InputGate會告訴ResultPartition自己還有多少的空閒量可以接收，讓ResultPartition看著發。如果InputGate告訴ResultPartition已經沒有空閒量了，那ResultPartition就不發了。

那實際上是怎麼實現的呢？擼原始碼！

在擼原始碼之前，我們再來看看下面物理執行圖：實際上InPutGate下是InputChannel，ResultPartition下是ResultSubpartition（這些在原始碼中都有體現）。

InputGate(接收端處理反壓)

我們先從接收端看起吧。Flink接收資料的方法在org.apache.flink.streaming.runtime.io.StreamInputProcessor#processInput

隨後定位到處理反壓的邏輯：

finalBufferOrEventbufferOrEvent=barrierHandler.getNextNonBlocked();

進去getNextNonBlocked()方法看（選擇的是BarrierBuffer實現）：

我們就直接看null的情況，看下從初始化階段開始是怎麼搞的，進去getNextBufferOrEvent()

進去方法裡面看到兩個比較重要的呼叫：

requestPartitions();

result=currentChannel.getNextBuffer();

先從requestPartitions()看起吧，發現裡邊套了一層（從InputChannel下獲取到subPartition）：

於是再進requestSubpartition()（看RemoteInputChannel的實現吧）

在這裡看起來就是建立Client端，然後接收上游傳送過來的資料：

先看看client端的建立姿勢吧，進createPartitionRequestClient()方法看看（我們看Netty的實現）。

點了兩層，我們會進到createPartitionRequestClient()方法，看原始碼註釋就可以清晰發現，這會建立TCP連線並且創建出Client供我們使用

我們還是看null的情況，於是定位到這裡：

進去connect()方法看看：

我們就看看具體生成邏輯的實現吧，所以進到getClientChannelHandlers上

意外發現原始碼還有個通訊簡要流程圖給我們看（哈哈哈）：

好了，來看看getClientChannelHandlers方法吧，這個方法不長，主要判斷了下要生成的client是否開啟creditBased機制：

publicChannelHandler[]getClientChannelHandlers(){
NetworkClientHandlernetworkClientHandler=
creditBasedEnabled?newCreditBasedPartitionRequestClientHandler():
newPartitionRequestClientHandler();
returnnewChannelHandler[]{
messageEncoder,
newNettyMessage.NettyMessageDecoder(!creditBasedEnabled),
networkClientHandler};
}

於是我們的networkClientHandler例項是CreditBasedPartitionRequestClientHandler

到這裡，我們暫且就認為Client端已經生成完了，再退回去getNextBufferOrEvent()這個方法，requestPartitions()方法是生成接收資料的Client端，具體的例項是CreditBasedPartitionRequestClientHandler

下面我們進getNextBuffer()看看接收資料具體是怎麼處理的:

拿到資料後，就會開始執行我們使用者的程式碼了呼叫process方法了（這裡我們先不看了）。還是回到反壓的邏輯上，我們好像還沒看到反壓的邏輯在哪裡。重點就是receivedBuffers這裡，是誰塞進去的呢？

於是我們回看到Client具體的例項CreditBasedPartitionRequestClientHandler，開啟方法列表一看，感覺就是ChannelRead()沒錯了：

@Override
publicvoidchannelRead(ChannelHandlerContextctx,Objectmsg)throwsException{
try{
decodeMsg(msg);
}catch(Throwablet){
notifyAllChannelsOfErrorAndClose(t);
}
}

跟著decodeMsg繼續往下走吧：

繼續下到decodeBufferOrEvent()

繼續下到onBuffer：

所以我們往onSenderBacklog上看看：

最後呼叫notifyCreditAvailable將Credit往上游傳送：

publicvoidnotifyCreditAvailable(finalRemoteInputChannelinputChannel){
ctx.executor().execute(()->ctx.pipeline().fireUserEventTriggered(inputChannel));
}

最後再畫張圖來理解一把（關鍵鏈路）：

ResultPartition(傳送端處理反壓)

傳送端我們從org.apache.flink.runtime.taskexecutor.TaskManagerRunner#startTaskManager開始看起

於是我們進去看fromConfiguration()

進去start()去看，隨後進入connectionManager.start()（還是看Netty的例項）：

進去看service.init()方法做了什麼（又看到熟悉的身影）：

好了，我們再進去getServerChannelHandlers()看看吧：

有了上面經驗的我們，直接進去看看它的方法，沒錯，又是channnelRead，只是這次是channelRead0。

ok，我們進去addCredit()看看：

reader.addCredit(credit)只是更新了下數量

publicvoidaddCredit(intcreditDeltas){
numCreditsAvailable+=creditDeltas;
}

重點我們看下enqueueAvailableReader() 方法，而enqueueAvailableReader()的重點就是判斷Credit是否足夠傳送

isAvailable的實現也很簡單，就是判斷Credit是否大於0且有真實資料可發

而writeAndFlushNextMessageIfPossible實際上就是往下游傳送資料：

拿資料的時候會判斷Credit是否足夠，不足夠拋異常：

再畫張圖來簡單理解一下：

背壓總結

「下游」的處理速度跟不上「上游」的傳送速度，從而降低了處理速度，看似是很美好的（畢竟看起來就是幫助我們限流了）。

但在Flink裡，背壓再加上Checkponit機制，很有可能導致State狀態一直變大，拖慢完成checkpoint速度甚至超時失敗。

當checkpoint處理速度延遲時，會加劇背壓的情況（很可能大多數時間都在處理checkpoint了）。

當checkpoint做不上時，意味著重啟Flink應用就會從上一次完成checkpoint重新執行（...

舉個我真實遇到的例子：

我有一個Flink任務，我只給了它一臺TaskManager去執行任務，在更新DB的時候發現會有併發的問題。

只有一臺TaskManager定位問題很簡單，稍微定位了下判斷：我更新DB的Sink 並行度調高了。

如果Sink的並行度設定為1，那肯定沒有併發的問題，但這樣處理起來太慢了。

於是我就在Sink之前根據userId進行keyBy（相同的userId都由同一個Thread處理，那這樣就沒併發的問題了）

看似很美好，但userId存在熱點資料的問題，導致下游資料處理形成反壓。原本一次checkpoint執行只需要30~40ms，反壓後一次checkpoint需要2min+。

checkpoint執行間隔相對頻繁（6s/次），執行時間2min+，最終導致資料一直處理不過來，整條鏈路的消費速度從原來的3000qps到背壓後的300qps，一直堵住（程式沒問題，就是處理速度大大下降，影響到資料的最終產出）。

最後

本來想著這篇文章把反壓和Checkpoint都一起寫了，但寫著寫著發現有點長了，那checkpoint開下一篇吧。

相信我，只要你用到Flink，遲早會遇到這種問題的，現在可能有的同學還沒看懂，沒關係，先點個贊