一、Checkpoints的算法原理
Checkpoints是flink自动存储快照
//1. 启用Checkpoint
env.enableCheckpointing(200);
//2. 高级选项
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
env.getCheckpointConfig().setCheckpointTimeout(60000);//checkpoint超时时间
env.getCheckpointConfig().setMaxConcurrentCheckpoints(1); //最大并行checkpoint数
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(100); //最小checkpoint的间隔时间，让两个checkpoint之间留出一定时间
env.getCheckpointConfig().setTolerableCheckpointFailureNumber(2); //容忍checkpoint失败多少次，默认0，不容忍
//3. 重启策略配置
env.setRestartStrategy(RestartStrategies.fixedDelayRestart(3,10000));//每隔10s重启1次，固定延迟重启
env.setRestartStrategy(RestartStrategies.failureRateRestart(3, Time.minutes(10),Time.minutes(1)));//失败率重启，在10分钟内重启，每隔1分钟重启一次，重启3次
1. Barrier(checkpoint分割线)
二、Savepoints（保存点）
Savepoints是手动存储快照，多出了一些额外元数据；
Savepoints一般是手动使用命令保存当前flink任务快照到HDFS上指定目录中，重启或恢复故障时可以使用指定的Savepoints进行启动
$ ./bin/flink savepoint \
$JOB_ID \
/tmp/flink-savepoints
使用 YARN 触发 Savepoint
#$ bin/flink savepoint :jobId [:targetDirectory] -yid :yarnAppId
使用 Savepoint 取消作业
$ bin/flink cancel -s [:targetDirectory] :jobId
从 Savepoint 恢复
$ bin/flink run -s :savepointPath [:runArgs]
跳过无法映射的状态恢复
$ bin/flink run -s :savepointPath -n [:runArgs]
- 保存点除了故障恢复外，保存点还可以用于：有计划的手动备份，更新应用程序，版本迁移，暂停和重启应用等等
三、状态一致性
- 有状态的流处理，内部每个算子任务都可以有自己的状态
- 对于流处理器内部来说，所谓的状态一致性，就是所说的计算结果要保证准确
- 一条数据不应该丢失，也不应该重复计算
- 在遇到故障时可以恢复状态，恢复以后的重新计算，结果应该也是完全正确的。
状态一致性分类
- AT-MOST-ONCE（最多一次）
- AT-LEAST-ONCE (至少一次)
- EXACTLY-ONCE (精确一次)
一致性检查点（checkpoints）
- Flink使用了一种轻量级快照机制---checkpoint保证exactly-once
- 有状态流应用的一致性检查点，其实就是：所有任务的状态，在某个时间点的一份拷贝（一份快照）。而这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候。(使用checkpoint的Barrier实现，Barrier对下游分发是广播出去的，下游需要所有的Barrier都到了才checkpoint，这也叫Barrier对齐）
- 应用状态的一致检查点，是Flink故障恢复机制的核心
端到端（end-to-end）状态一致性
目前我们看到的一致性保证都是由流处理器实现的，也就是说都是在Flink流处理器内部保证的；而在真实应用中，流处理应用除了流处理器以外还包含了数据源（例如Kafka）和输出到持久化系统
端到端的一致性保证，意味着结果的正确性贯穿了整个流处理应用的始终；每一个组件都保证了它自己的一致性
整个端到端的一致性级别取决于所有组件中一致性最弱的组件
exactly-once怎么保证，状态一致就行，不是操作一致内部保证 ---checkpoint
source端---可重设数据的读取位置
sink端---从故障恢复时，数据不会重复写入外部系统
- 幂等写入
- 事务写入
幂等写入（Idempotent Writes）
- 所谓幂等操作，是说一个操作，可以重复执行很多次，但只导致一次结果更改，也就是说，后面再重复执行就不起作用了
典型应用：hashmap，key-value Pairs, Redis的hash表，ES指定_id都满足幂等操作
幂等写入只保证最终结果不变，中间过程会有重复写入
事务写入（Transactional Writes）
- 事务（Transaction）
1.应用程序中一系列严密的操作，所有操作必须成功完成，否则在每个操作中所作的所有更改都会被撤销- 具有原子性：一个事务中的一系列的操作要么全部成功，要么一个都不做
- 实现思想：构建的事务对应着checkpoint，等到checkpoint真正完成的时候，才把所有对应的结果写入sink系统中
- 实现方式
- 预写日志
- 两阶段提交
预写日志（Write-Ahead-Log, WAL）
- 把结果数据先当成状态保存，然后在收到checkpoint完成的通知时，一次性写入sink系统
- 简单易于实现，由于数据提前在状态后端中做了缓存，所以无论什么sink系统，都能用这种方式一批搞定
- DataStream API提供了一个模板类：GenericWriteAheadSink,来实现这种事务性sink
缺点：会加大延迟，不能严格意义实现Exactly once
两阶段提交（Two-Phase-Commit, 2PC）
- 对于每个checkpoint, sink任务会启动一个事务，并将接下来所有接收的数据添加到事务里
- 然后将这些数据写入外部sink系统，但不提交他们 ---这时只是“预提交”
- 当它收到checkpoint完成的通知时，它才正式提交事务，实现结果的真正写入
- 这种方式真正实现了exactly-once,他需要一个提供事务支持的外部sink系统。flink提供了TwoPhaseCommitSinkFunction接口（关系型数据库，mysql，SQL server，Oracle，Posteglsql, kafka）
2PC对外部sink系统的要求
- 外部sink系统必须提供事务支持，或者sink任务必须能够模拟外部系统上的事务
- 在checkpoint的间隔期间里，必须能够开启一个事务并接受数据写入
- 在收到checkpoint完成的通知之前，事务必须是“等待提交”的状态，在故障恢复的情况下，这可能需要一些时间。如果这个时候sink系统关闭事务（例如超时了），那么未提交的数据就会丢失。
- sink任务必须能够在进程失败后恢复事务
- 提交事务必须是幂等操作
优点：对性能影响比较低
四、kafka的Exactly-once两阶段提交步骤
- 第一条数据来了之后，开启一个kafka的事务（tranasaction）,正常写入kafka分区日志但标记为未提交，这就是“预提交”
- jobmanager触发checkpoint操作，barrier从source开始向下传递，遇到barrier的算子讲状态存入状态后端，并通知jobmanager
- sink连接器收到barrier，保存当前状态，存入checkpoint，通知jobmanager，并开启下一个阶段的事务，用于提交下个检查点的数据
- jobmanager收到所有任务的通知，发出确认信息，表示checkpoint完成
- sink任务收到jobmanager的确认信息，正式提交这段时间数据
- 外部kafka关闭事务，提交的数据可以正常消费了
