1 概述
Apache Flink是可以进行有状态的流处理，然而，在流处理中什么是状态呢？状态是有过去事件的在内存中的一些操作需要存储，这些存储的信息会影响未来事件的处理。
状态是基础，可以在流出中处理很多比较复杂的场景，如下：
- 当应用需要搜索一种特定的时间模式，那么就需要保存数据的次序状态；
- 当聚合每分钟的时间，状态需要保存未完成的聚合信息；
- 当在线训练一个机器学习模型是，需要当前模型版本的参数。
然而，有状态的流处理只有在状态可以进行容错的时候才可用于生产环境，容错意味着即使出现软件或者硬件故障，计算结果也要保证准确，没有出现数据丢失或者重复计算等情况。
在flink中通过chekpointing来实现容错，checkpoint是一个全局的，提供异步快照机制，定期的对当前应用进行快照并存储到可靠存储上，当出现异常时，flink重启应用，并使用最近完成的checkpoint作为起点。一些用户实际可能保存的状态很大，占用上GB空间，这种情况下checkpoint的创建会非常慢，而且执行时占用的资源也比较多，从而提出incremental checkpointing，即增量方式。
在增量方式之前，每次都是进行全量的checkpoint，但是每次快照都是基于上次的更新，不会很大，所以使用增量方式只要保持上一次与当前的差距即可。
2 示例
当前，可以使用RocksDB来作为增量checkpoint的存储，并在其中不是持续增大，可以进行定期合并清楚历史状态。
increment-checkpoint-example.png
该例子中，子任务的操作是一个keyed-state，一个checkpoint文件保存周期是可配置的，本例中是2，配置方式state.checkpoints.num-retained,上面展示了每次checkpoint时RocksDB示例中存储的状态以及文件引用关系等。
- 对于checkpoint CP1，本地RocksDB目录包含两个磁盘文件（sstable），它基于checkpoint的name来创建目录。当完成checkpoint，将在共享注册表(shared state registry)中创建两个实体并将其count置为1.在共享注册表中存储的Key是由操作、子任务以及原始存储名称组成，同时注册表维护了一个Key到实际文件存储路径的Map。
- 对于checkpoint CP2，RocksDB已经创建了两个新的sstable文件，老的两个文件也存在。在CP2阶段，新的两个生成新文件，老的两个引用原来的存储。当checkpoint结束，所有引用文件的count加1。
- 对于checkpoint CP3，RocksDB的compaction将sstable-(1)，sstable-(2)以及sstable-(3)合并为sstable-(1,2,3)，同时删除了原始文件。合并后的文件包含原始文件的所有信息，并删除了重复的实体。除了该合并文件，sstable-(4)还存在，同时有一个sstable-(5)创建出来。Flink将新的sstable-(1,2,3)和sstable-(5)存储到底层，sstable-(4)引用CP2中的，并对相应引用次数count加1.老的CP1的checkpoint现在可以被删除，由于其retained已达到2，作为删除的一部分，Flink将所有CP1中的引用文件count减1.
- 对于checkpoint CP4，RocksDB合并sstable-(4)、sstable-(5)以及新的sstable-(6)成sstable-(4,5,6)。Flink将该新的sstable存储，并引用sstable-(1,2,3)，并将sstable-(1,2,3)的count加1，删除CP2中retained到2的。由于sstable-(1), sstable-(2), 和sstable-(3)降到了0，Flink将其从底层删除。
