1.前言
- 解决问题的能力：生产环境中，如何快速判断哪个算子存在反压呢？
- 解决问题的能力：反压有哪些危害？
- 解决问题的能力：经常碰到哪些问题会任务反压？
- 解决问题的能力：怎么缓解、解决任务反压的情况？
- 数据保障的能力：实时数据延迟是怎么监控的？报警策略又是怎么制定的？
- 数据保障的能力：通过什么样的监控及保障手段来保障实时指标的质量？
- 原理理解的能力：operator-state 和 keyed-state 两者的区别？最大并行度又和它们有什么关系？举个生产环境中经常出现的案例，当用户停止任务、更新代码逻辑并且改变任务并发度时，两种 state 都是怎样进行恢复的？
- 你认为以后 Flink SQL 的发展趋势是 unbounded 类 SQL 为主还是窗口类 SQL 为主？原因？
2.生产环境中，如何快速判断哪个算子存在反压呢？或者说哪个算子出现了性能问题？
将这个问题拆解成多步来分析：
- ⭐ 如何知道算子是否有反压？
在 Flink web ui 中，定位到一个具体的算子之后，查看 BackPressure 模块，通过颜色和数值来判断任务的繁忙和反压情况。
若颜色为红色，表示当前算子繁忙，有反压的情况；若颜色为绿色，标识当前算子不繁忙，没有反压。
- ⭐ 举个实际 Flink 任务案例，这个 Flink 任务中有 Source、FlatMap、Sink 算子，如果 Source 算子有反压，那到底是哪个算子有性能问题呢？
上游算子在 web ui 显示有反压时，一般为下游算子存在性能问题。可以继续往下游排查，如果 FlatMap 也显示有反压，大概率是 Sink 算子存在性能问题；如果 FlatMap 没有显示有反压，大概率是 FlatMap 算子存在性能问题。
- ⭐ 大多数时候，Flink 会自动将算子 chain 在一起，那怎么判断具体是哪一个算子有问题？
第一种方式：Flink 提供了断开算子链的能力。
- ⭐ DataStream API 中：可以使用
disableChaining()将 chain 在一起的算子链断开。或者配置pipeline.operator-chaining: false
.process(xxx)
.uid("process")
.disableChaining() // 将算子链进行断开
.addSink(xxx)
.uid("sink");
- ⭐ SQL API 中：配置
pipeline.operator-chaining: false
CREATE TABLE source_table (
order_number BIGINT,
price DECIMAL(32,2)
) WITH (
'connector' = 'datagen',
'rows-per-second' = '10',
'fields.order_number.min' = '10',
'fields.order_number.max' = '11'
);
CREATE TABLE sink_table (
order_number BIGINT,
price DECIMAL(32,2)
) WITH (
'connector' = 'print'
);
insert into sink_table
select * from source_table
where order_number = 10;
我们来看看一个 SQL 任务在配置 pipeline.operator-chaining: false 前后的差异。
在配置 pipeline.operator-chaining: false 前，可以看到所有算子都 chain 在一起：
在配置 pipeline.operator-chaining: false 后，可以看到所有算子都没有 chain 在一起：
第二种方式：在 Flink 1.13 中，提供了火焰图，可以通过火焰图定位问题。火焰图需要配置 rest.flamegraph.enabled: true 打开
3.反压有哪些危害？
- ⭐ 任务处理性能出现瓶颈：以消费 Kafka 为例，大概率会出现消费 Kafka Lag。
- ⭐ Checkpoint 时间长或者失败：因为某些反压会导致 barrier 需要花很长时间才能对齐，任务稳定性差。
- ⭐ 整个任务完全卡住。比如在 TUMBLE 窗口算子的任务中，反压后可能会导致下游算子的 input pool 和上游算子的 output pool 满了，这时候如果下游窗口的 watermark 一直对不齐，窗口触发不了计算的话，下游算子就永远无法触发窗口计算了。整个任务卡住。
4.经常碰到哪些问题会任务反压？
总结就是：算子的 sub-task 需要处理的数据量 > 能够处理的数据量。一般会实际中会有以下两种问题会导致反压。
- ⭐ 数据倾斜：当前算子的每个 sub-task 只能处理 1w qps 的数据，而由于数据倾斜，这个算子的其中一些 sub-task 平均算下来 1s 需要处理 2w 条数据，但是实际只能处理 1w 条，从而反压。比如有时候 keyby 的 key 设置的不合理。
- ⭐ 算子性能问题：下游整个整个算子 sub-task 的处理性能差，输入是 1w qps，当前算子的 sub-task 算下来平均只能处理 1k qps，因此就有反压的情况。比如算子需要访问外部接口，访问外部接口耗时长。
5.怎么缓解、解决任务反压的情况？
- ⭐ 事前：解决上述介绍到的
数据倾斜、算子性能问题。 - ⭐ 事中：在出现反压时：
- ⭐ 限制数据源的消费数据速度。比如在事件时间窗口的应用中，可以自己设置在数据源处加一些限流措施，让每个数据源都能够够匀速消费数据，避免出现有的 Source 快，有的 Source 慢，导致窗口 input pool 打满，watermark 对不齐导致任务卡住。
- ⭐ 关闭 Checkpoint。关闭 Checkpoint 可以将 barrier 对齐这一步省略掉，促使任务能够快速回溯数据。我们可以在数据回溯完成之后，再将 Checkpoint 打开。
6.实时数据延迟是怎么监控的？报警策略又是怎么制定的？
几乎我问到的所有的小伙伴都能回到到 Flink 消费 Source 的 Lag 监控，我们可以把这个监控项升级一下，即 Kafka 到 Flink 延迟。原因如下：
以 Flink 消费 Kafka 为例，几乎所有的任务性能问题都最终能反映到 Kafka 消费 Flink 延迟，所以几乎 100% 的任务性能问题都能由 Kafka 到 Flink 延迟 这个监控发现。
大家可以没有其他监控手段，但是这一项非常建议搞。
当然也有小伙伴问，具体的实操时，监控项应该怎么设置呢？
很多小伙伴也回答到：Flink 本地时间戳 - Kafka 中自带的时间戳。
这时候有小伙伴提到，这个只能反映出 Flink 消费 Kafka 的延迟，那具体数据上的延迟怎么反映出来呢。
群里有小伙伴也回达到：Flink 本地时间戳 - 数据事件时间戳。
不说了，小伙伴萌都是 YYDS。
7.通过什么样的监控及保障手段来保障实时指标的质量？
当我提出这个问题的时候。群里的小伙伴给出了建设性意见：
那就是：等着用户工单投诉。
但是在博主的正确引导之下，小伙伴萌走上了正轨。
这里总结群里小伙伴的一些意见，得出了一个大多数企业都可以 快速构建 实时数据质量保障体系，从 事前、事中、事后 x 任务层面、指标层面 进行监控、保障：
- ⭐ 事前：
- ⭐ 任务层面：根据峰值流量进行压力测试，并且留一定 buffer，用于事前保障任务在资源层面没有瓶颈
- ⭐ 指标层面：根据业务要求，上线实时指标前进行相同口径的实时、离线指标的验数，在实时指标的误差不超过业务阈值时，才达到上线要求
- ⭐ 事中：
- ⭐ 任务层面：贴源层监控 Kafka 堆积延迟等报警检测手段，用于事中及时发现问题。比如的普罗米修斯监控 Lag 时长
- ⭐ 指标层面：根据指标特点实时离线指标结果对比监控。检测到波动过大就报警。比如最简单的方式是可以通过将实时结果导入到离线，然后定时和离线指标对比
- ⭐ 事后：
- ⭐ 任务层面：对于可能发生的故障类型，构建用于故障修复、数据回溯的实时任务备用链路
- ⭐ 指标层面：构建指标修复预案，根据不同的故障类型，判断是否可以使用实时任务进行修复。如果实时无法修复，构建离线恢复链路，以便使用离线数据进行覆写修复
8.operator-state 和 keyed-state 两者的区别？
详细描述一下上面的问题：
operator-state 和 keyed-state 两者的区别？最大并行度又和它们有什么关系？举个生产环境中经常出现的案例，当用户停止任务、更新代码逻辑并且改变任务并发度时，两种 state 都是怎样进行恢复的？
- ⭐ 总结如下：
- ⭐ operator-state：
⭐ 状态适用算子：所有算子都可以使用 operator-state，没有限制。
⭐ 状态的创建方式：如果需要使用 operator-state，需要实现 CheckpointedFunction（建议） 或 ListCheckpointed 接口
⭐ DataStream API 中，operator-state 提供了 ListState、BroadcastState、UnionListState 3 种用户接口
⭐ 状态的存储粒度：以单算子单并行度粒度访问、更新状态
⭐ 并行度变化时：
a. ListState：均匀划分到算子的每个 sub-task 上，比如 Flink Kafka Source 中就使用了 ListState 存储消费 Kafka 的 offset，其 rescale 如下图
- b. BroadcastState：每个 sub-task 的广播状态都一样 c. UnionListState：将原来所有元素合并，合并后的数据每个算子都有一份全量状态数据
- ⭐ keyed-state：
- ⭐ 状态适用算子：keyed-stream 后的算子使用。注意这里很多同学会犯一个错误，就是大家会认为 keyby 后面跟的所有算子都使用的是 keyed-state，但这是错误的 ❌，比如有 keyby.process.flatmap，其中 flatmap 中使用状态的话是 operator-state
- ⭐ 状态的创建方式：从 context 接口获取具体的 keyed-state
- ⭐ DataStream API 中，keyed-state 提供了 ValueState、MapState、ListState 等用户接口，其中最常用 ValueState、MapState
- ⭐ 状态的存储粒度：以单 key 粒度访问、更新状态。举例，当我们使用 keyby.process，在 process 中处理逻辑时，其实每一次 process 的处理 context 都会对应到一个 key，所以在 process 中的处理都是以 key 为粒度的。这里很多同学会犯一个错 ❌，比如想在 open 方法中访问、更新 state，这是不行的，因为 open 方法在执行时，还没有到正式的数据处理环节，上下文中是没有 key 的。
- ⭐ 并行度变化时：keyed-state 的重新划分是随着 key-group 进行的。其中 key-group 的个数就是最大并发度的个数。其中一个 key-group 处理一段区间 key 的数据，不同 key-group 处理的 key 是完全不同的。当任务并行度变化时，会将 key-group 重新划分到算子不同的 sub-task 上，任务启动后，任务数据在做 keyby 进行数据 shuffle 时，依然能够按照当前数据的 key 发到下游能够处理这个 key 的 key-group 中进行处理，如下图所示。注意：最大并行度和 key-group 的个数绑定，所以如果想恢复任务 state，最大并行度是不能修改的****。大家需要提前预估最大并行度个数。
