状态一致性
有状态的流处理，内部每隔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，其实就是我们所说的计算结果保证准确。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
当任务故障时，最简单的做法是什么都不干，既不恢复丢失的状态，也不重播丢失的数据。at-most-once 语义的含义是最多处理一次事件。 - at-least-once 至少一次
在大多数的真实应用场景，我们希望不丢失事件。这种类型的保证称为 at-least-once ，意思是所有的事件都得到了处理，而一些事件还可能被处理多次。 - exactly0once 精确一次
恰好处理一次是最严格的保证，也是最难实现的。恰好处理一次语义不仅仅意味着没有事件丢失，还意味着针对每一个数据，内部状态仅仅更新一次。
一致性检查点（checkpoint）
flink 使用了一种轻量级快照机制—检查点（checkpoint）来保证exactly-once 语义，有状态流应用的一致检查点，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输入数据的时候。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来实现的，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意外还包含了数据源（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时钟；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。
端到端的精确一次（exactlu-once）保证
- 内部保证
checkpoint - source保证
可重设数据的读取位置，或富有灵活的ACK机制，如kafka，rabbitmq等 - sink 保证
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
幂等写入（Idempotent Writes）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。Redis 可以防止幂等写入(可能有回放显示问题，但相同数据不会导致)
事务写入
事务写入（Transactional Writes）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得所有更改都会被撤销，具有原子性，即一个事务中的一系列操作要么全部成功，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
把结果数据先当成状态保存，然后再收到checkpoint 完成的通知时，一次性写入sink系统。简单易于实现，由于数据提前再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。DataStreamAPI 提供了一个模板类：GenericWriteAheadSink 来实现这种事务性sink。
两阶段提交 2pc
对于每隔 checkpoint，sink 任务回启动一个事务，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，它需要一个提供事务支持的外部sink系统。flink 提供了 TwoPhaseCommitSinkFunction 接口。
2pc对外部sink系统有一定的要求，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收数据写入，在收到 checkpoint 完成的通知之前，事务必须时"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，提交事务必须时幂等操作。
flink+kafka 端到端状态一致性的保证
内部——利用checkpoint 机制，把状态存盘，发生故障的时候可以恢复，保证内部的状态一致性
source——kafka consumer 作为 source，可以将偏移量保存下来，如果后续任务出现了故障，恢复的时候可以由连接器重置偏移量，重新消费数据，保证一致性。不做配置会默认把提交的偏移量当作状态保存下来。
sink——kafka producer 作为 sink，采用两阶段提交sink，需要实现一个 TwoPhaseCommitSinkFunction
JObManager 协调各个 TaskManager 进行 checkpoint 存储，checkpoint 保存在 StateBackend中，默认 StateBackend 是内存级别的，也可以改为文件级的进行持久化保存。
当 checkpoint 启动时，JobManager 会将检查点分界线（barrier）注入数据流，barrier 会在算子间传递下去
每个算子会对当前的状态做个快照，保存到状态后端， checkpoint 机制可以保证内部的状态一致性。datasource 会先保存状态，然后向下游算子传递.
每个内部的 transform 任务遇到 barrier 时，都会把状态存到 checkpoint 里，sink任务首先把数据写入外部kafka，这些数据都属于预提交的事务；遇到 barrier 时，把状态保存到状态后端，并开启新的预提交事务。
当所有算子任务的快照完成，也就是这次的 checkpoint 完成时，JobManager会向所有任务发通知，确认这次 checkpoint 完成。sink 任务收到确认通知，正式提交之前的事务，kafka 中未确认数据改为"已确认"
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，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，标识 checkpoint 完成
- sink 任务收到 jobmanager 的确认信息，正式提交这段时间的数据
- 外部 kafka 关闭事务，提交的数据可以正常消费了。
