一、Apache Flink 的命脈

"命脈" 即生命與血脈，常喻極為重要的事物。系列的首篇，首篇的首段不聊Apache Flink的歷史，不聊Apache Flink的架構，不聊Apache Flink的功能特性，我們用一句話聊聊什么是 Apache Flink 的命脈?我的答案是：Apache Flink 是以"批是流的特例"的認知進行系統設計的。

二、唯快不破

我們經常聽說 "天下武功，唯快不破"，大概意思是說 "任何一種武功的招數都是有拆招的，唯有速度快，快到對手根本來不及反應，你就將對手KO了，對手沒有機會拆招，所以唯快不破"。 那么這與Apache Flink有什么關系呢?Apache Flink是Native Streaming(純流式)計算引擎，在實時計算場景最關心的就是"快",也就是 "低延時"。

就目前最熱的兩種流計算引擎Apache Spark和Apache Flink而言，誰最終會成為No1呢?單從 "低延時" 的角度看，Spark是Micro Batching(微批式)模式，***延遲Spark能達到0.5~2秒左右，Flink是Native Streaming(純流式)模式，***延時能達到微秒。很顯然是相對較晚出道的 Apache Flink 后來者居上。 那么為什么Apache Flink能做到如此之 "快"呢?根本原因是Apache Flink 設計之初就認為 "批是流的特例"，整個系統是Native Streaming設計，每來一條數據都能夠觸發計算。相對于需要靠時間來積攢數據Micro Batching模式來說，在架構上就已經占據了絕對優勢。

那么為什么關于流計算會有兩種計算模式呢?歸其根本是因為對流計算的認知不同，是"流是批的特例" 和 "批是流的特例" 兩種不同認知產物。

1. Micro Batching 模式

Micro-Batching 計算模式認為 "流是批的特例"， 流計算就是將連續不斷的批進行持續計算，如果批足夠小那么就有足夠小的延時，在一定程度上滿足了99%的實時計算場景。那么那1%為啥做不到呢?這就是架構的魅力，在Micro-Batching模式的架構實現上就有一個自然流數據流入系統進行攢批的過程，這在一定程度上就增加了延時。具體如下示意圖：

很顯然Micro-Batching模式有其天生的低延時瓶頸，但任何事物的存在都有兩面性，在大數據計算的發展歷史上，最初Hadoop上的MapReduce就是優秀的批模式計算框架，Micro-Batching在設計和實現上可以借鑒很多成熟實踐。

2. Native Streaming 模式

Native Streaming 計算模式認為 ""批是流的特例"，這個認知更貼切流的概念，比如一些監控類的消息流，數據庫操作的binlog，實時的支付交易信息等等自然流數據都是一條，一條的流入。Native Streaming 計算模式每條數據的到來都進行計算，這種計算模式顯得更自然，并且延時性能達到更低。具體如下示意圖：

很明顯Native Streaming模式占據了流計算領域 "低延時" 的核心競爭力，當然Native Streaming模式的實現框架是一個歷史先河，***個實現Native Streaming模式的流計算框架是***個吃螃蟹的人，需要面臨更多的挑戰，后續章節我們會慢慢介紹。當然Native Streaming模式的框架實現上面很容易實現Micro-Batching和Batching模式的計算，Apache Flink就是Native Streaming計算模式的流批統一的計算引擎。

三、豐富的部署模式

Apache Flink 按不同的需求支持Local，Cluster，Cloud三種部署模式，同時Apache Flink在部署上能夠與其他成熟的生態產品進行***集成，如 Cluster模式下可以利用YARN(Yet Another Resource Negotiator)/Mesos集成進行資源管理，在Cloud部署模式下可以與GCE(Google Compute Engine), EC2(Elastic Compute Cloud)進行集成。

1. Local 模式

該模式下Apache Flink 整體運行在Single JVM中，在開發學習中使用，同時也可以安裝到很多端類設備上。

2. Cluster模式

該模式是典型的投產的集群模式，Apache Flink 既可以Standalone的方式進行部署，也可以與其他資源管理系統進行集成部署，比如與YARN進行集成。

這種部署模式是典型的Master/Slave模式，我們以Standalone Cluster模式為例示意如下：

其中JM(JobManager)是Master，TM(TaskManager)是Slave，這種Master/Slave模式有一個典型的問題就是SPOF(single point of failure), SPOF如何解決呢?Apache Flink 又提供了HA(High Availability)方案，也就是提供多個Master，在任何時候總有一個JM服役，N(N>=1)個JM候選,進而解決SPOF問題，示意如下：

在實際的生產環境我們都會配置HA方案，目前Alibaba內部使用的也是基于YARN Cluster的HA方案。

3. Cloud 模式

該模式主要是與成熟的云產品進行集成，Apache Flink官網介紹了Google的GCE 參考，Amazon的EC2 參考，在Alibaba我們也可以將Apache Flink部署到Alibaba的ECS(Elastic Compute Service)。

四、完善的容錯機制

1. 什么是容錯

容錯(Fault Tolerance) 是指容忍故障，在故障發生時能夠自動檢測出來并使系統能夠自動回復正常運行。當出現某些指定的網絡故障、硬件故障、軟件錯誤時，系統仍能執行規定的一組程序，或者說程序不會因系統中的故障而中止，并且執行結果也不會因系統故障而引起計算差錯。

2. 容錯的處理模式

在一個分布式系統中由于單個進程或者節點宕機都有可能導致整個Job失敗，那么容錯機制除了要保證在遇到非預期情況系統能夠"運行"外，還要求能"正確運行",也就是數據能按預期的處理方式進行處理，保證計算結果的正確性。計算結果的正確性取決于系統對每一條計算數據處理機制，一般有如下三種處理機制：

• At Most Once：最多消費一次，這種處理機制會存在數據丟失的可能。
• At Least Once：最少消費一次，這種處理機制數據不會丟失，但是有可能重復消費。
• Exactly Once：精確一次，無論何種情況下，數據都只會消費一次，這種機制是對數據準確性的***要求，在金融支付，銀行賬務等領域必須采用這種模式。

3. Apache Flink的容錯機制

Apache Flink的Job會涉及到3個部分，外部數據源(External Input), Flink內部數據處理(Flink Data Flow)和外部輸出(External Output)。如下示意圖:

目前Apache Flink 支持兩種數據容錯機制：

• At Least Once
• Exactly Once

其中 Exactly Once 是最嚴格的容錯機制，該模式要求每條數據必須處理且僅處理一次。那么對于這種嚴格容錯機制，一個完整的Flink Job容錯要做到 End-to-End 的 容錯必須結合三個部分進行聯合處理，根據上圖我們考慮三個場景：

• 場景一：Flink的Source Operator 在讀取到Kafla中pos=2000的數據時候，由于某種原因宕機了，這個時候Flink框架會分配一個新的節點繼續讀取Kafla數據，那么新的處理節點怎樣處理才能保證數據處理且只被處理一次呢?

 

• 場景二：Flink Data Flow內部某個節點，如果上圖的agg()節點發生問題，在恢復之后怎樣處理才能保持map()流出的數據處理且只被處理一次?

• 場景三：Flink的Sink Operator 在寫入Kafka過程中自身節點出現問題，在恢復之后如何處理，計算結果才能保證寫入且只被寫入一次?

4. 系統內部容錯

Apache Flink利用Checkpointing機制來處理容錯，Checkpointing的理論基礎 Stephan 在 Lightweight Asynchronous Snapshots for Distributed Dataflows 進行了細節描述，該機制源于有K. MANI CHANDY和LESLIE LAMPORT 發表的 Determining-Global-States-of-a-Distributed-System Paper。Apache Flink 基于Checkpointing機制對Flink Data Flow實現了At Least Once 和 Exactly Once 兩種容錯處理模式。

Apache Flink Checkpointing的內部實現會利用 Barriers，StateBackend等后續章節會詳細介紹的技術來將數據的處理進行Marker。Apache Flink會利用Barrier將整個流進行標記切分，如下示意圖：

這樣Apache Flink的每個Operator都會記錄當前成功處理的Checkpoint，如果發生錯誤，就會從上一個成功的Checkpoint開始繼續處理后續數據。比如 Soruce Operator會將讀取外部數據源的Position實時的記錄到Checkpoint中，失敗時候會從Checkpoint中讀取成功的position繼續精準的消費數據。每個算子會在Checkpoint中記錄自己恢復時候必須的數據，比如流的原始數據和中間計算結果等信息，在恢復的時候從Checkpoint中讀取并持續處理流數據。

5. 外部Source容錯

Apache Flink 要做到 End-to-End 的 Exactly Once 需要外部Source的支持，比如上面我們說過 Apache Flink的Checkpointing機制會在Source節點記錄讀取的Position，那就需要外部數據提供讀取的Position和支持根據Position進行數據讀取。

6. 外部Sink容錯

Apache Flink 要做到 End-to-End 的 Exactly Once 相對比較困難，如上場景三所述，當Sink Operator節點宕機，重新恢復時候根據Apache Flink 內部系統容錯 exactly once的保證,系統會回滾到上次成功的Checkpoin繼續寫入，但是上次成功Checkpoint之后當前Checkpoint未完成之前已經把一部分新數據寫入到kafka了. Apache Flink自上次成功的Checkpoint繼續寫入kafka，就造成了kafka再次接收到一份同樣的來自Sink Operator的數據,進而破壞了End-to-End 的 Exactly Once 語義(重復寫入就變成了At Least Once了)，如果要解決這一問題，Apache Flink 利用Two phase commit(兩階段提交)的方式來進行處理。本質上是Sink Operator 需要感知整體Checkpoint的完成，并在整體Checkpoint完成時候將計算結果寫入Kafka。

五、流批統一的計算引擎

批與流是兩種不同的數據處理模式，如Apache Storm只支持流模式的數據處理，Apache Spark只支持批(Micro Batching)模式的數據處理。那么Apache Flink 是如何做到既支持流處理模式也支持批處理模式呢?

1. 統一的數據傳輸層

開篇我們就介紹Apache Flink 的 "命脈"是以"批是流的特例"為導向來進行引擎的設計的，系統設計成為 "Native Streaming"的模式進行數據處理。那么Apache FLink將批模式執行的任務看做是流式處理任務的特殊情況，只是在數據上批是有界的(有限數量的元素)。

Apache Flink 在網絡傳輸層面有兩種數據傳輸模式：

• PIPELINED模式 - 即一條數據被處理完成以后，立刻傳輸到下一個節點進行處理。
• BATCH 模式 - 即一條數據被處理完成后，并不會立刻傳輸到下一個節點進行處理，而是寫入到緩存區，如果緩存寫滿就持久化到本地硬盤上，***當所有數據都被處理完成后，才將數據傳輸到下一個節點進行處理。

對于批任務而言同樣可以利用PIPELINED模式，比如我要做count統計，利用PIPELINED模式能拿到更好的執行性能。只有在特殊情況，比如SortMergeJoin，這時候我們需要全局數據排序，才需要BATCH模式。大部分情況流與批可用統一的傳輸策略，只有特殊情況，才將批看做是流的一個特例繼續特殊處理。

2. 統一任務調度層

Apache Flink 在任務調度上流與批共享統一的資源和任務調度機制(后續章節會詳細介紹)。

3. 統一的用戶API層

Apache Flink 在DataStremAPI和DataSetAPI基礎上，為用戶提供了流批統一的上層TableAPI和SQL，在語法和語義上流批進行高度統一。(其中DataStremAPI和DataSetAPI對流和批進行了分別抽象，這一點并不優雅，在Alibaba內部對其進行了統一抽象)。

4. 求同存異

Apache Flink 是流批統一的計算引擎，并不意味著流與批的任務都走統一的code path，在對底層的具體算子的實現也是有各自的處理的，在具體功能上面會根據不同的特性區別處理。比如 批沒有Checkpoint機制，流上不能做SortMergeJoin。

六、Apache Flink 架構

1. 組件棧

我們上面內容已經介紹了很多Apache Flink的各種組件，下面我們整體概覽一下全貌，如下：

TableAPI和SQL都建立在DataSetAPI和DataStreamAPI的基礎之上，那么TableAPI和SQL是如何轉換為DataStream和DataSet的呢?

2. TableAPI&SQL到DataStrem&DataSet的架構

TableAPI&SQL最終會經過Calcite優化之后轉換為DataStream和DataSet，具體轉換示意如下：

對于流任務最終會轉換成DataStream，對于批任務最終會轉換成DataSet。

3. ANSI-SQL的支持

Apache Flink 之所以利用ANSI-SQL作為用戶統一的開發語言，是因為SQL有著非常明顯的優點，如下：

• Declarative - 用戶只需要表達我想要什么，不用關心如何計算。
• Optimized - 查詢優化器可以為用戶的 SQL 生成***的執行計劃，獲取***的查詢性能。
• Understandable - SQL語言被不同領域的人所熟知，用SQL 作為跨團隊的開發語言可以很大地提高效率。
• Stable - SQL 是一個擁有幾十年歷史的語言，是一個非常穩定的語言，很少有變動。
• Unify - Apache Flink在引擎上對流與批進行統一，同時又利用ANSI-SQL在語法和語義層面進行統一。

4. ***擴展的優化機制

Apache Flink 利用Apache Calcite對SQL進行解析和優化，Apache Calcite采用Calcite是開源的一套查詢引擎，實現了兩套Planner：

• HepPlanner - 是RBO(Rule Base Optimize)模式，基于規則的優化。
• VolcanoPlanner - 是CBO(Cost Base Optimize)模式，基于成本的優化。

Flink SQL會利用Calcite解析優化之后，最終轉換為底層的DataStrem和Dataset。上圖中 Batch rules和Stream rules可以根據優化需要***添加優化規則。

七、豐富的類庫和算子

Apache Flink 優秀的架構就像一座摩天大廈的地基一樣為Apache Flink 持久的生命力打下了良好的基礎，為打造Apache Flink豐富的功能生態留下***的空間。

1. 類庫

• CEP - 復雜事件處理類庫，核心是一個狀態機，廣泛應用于事件驅動的監控預警類業務場景。
• ML - 機器學習類庫，機器學習主要是識別數據中的關系、趨勢和模式，一般應用在預測類業務場景。
• GELLY - 圖計算類庫，圖計算更多的是考慮邊和點的概念，一般被用來解決網狀關系的業務場景。

2. 算子

Apache Flink 提供了豐富的功能算子，對于數據流的處理來講，可以分為單流處理(一個數據源)和多流處理(多個數據源)。

3. 多流操作

• UNION - 將多個字段類型一致數據流合并為一個數據流，如下示意：

• JOIN - 將多個數據流(數據類型可以不一致)聯接為一個數據流，如下示意：

如上通過UION和JOIN我們可以將多流最終變成單流，Apache Flink 在單流上提供了更多的操作算子。

4. 單流操作

將多流變成單流之后，我們按數據輸入輸出的不同歸類如下：

如上表格對單流上面操作做簡單歸類，除此之外還可以做 過濾，排序，窗口等操作，我們后續章節會逐一介紹。

4. 存在的問題

Apache Flink 目前的架構還存在很大的優化空間，比如前面提到的DataStreamAPI和DataSetAPI其實是流與批在API層面不統一的體現，同時看具體實現會發現DataStreamAPI會生成Transformation tree然后生成StreamGraph，***生成JobGraph，底層對應StreamTask，但DataSetAPI會形成Operator tree，flink-optimize模塊會對Batch Plan進行優化，形成Optimized Plan 后形成JobGraph,***形成BatchTask。具體示意如下：

這種情況其實 DataStreamAPI到Runtime 和 DataSetAPI到Runtime的實現上并沒有得到***程度的統一和復用。在這一點上面Aalibab 對Apache Flink 的增強在架構和實現上都進行了進一步優化。

八、Alibaba對Apache Flink的增強架構

1. 組件棧

Alibaba 對Apache Flink進行了大量的架構優化，如下架構是一直努力的方向，大部分功能還在持續開發中，具體如下：

如上架構我們發現較大的變化是：

• Query Processing - 我們增加了Query Processing層，在這一層進行統一的流和批的查詢優化和底層算子的轉換。
• DAG API - 我們在Runtime層面統一抽象API接口，在API層對流與批進行統一。

2. TableAPI&SQL到Runtime的架構

Apache Flink執行層是流批統一的設計，在API和算子設計上面我們盡量達到流批的共享，在TableAPI和SQL層無論是流任務還是批任務最終都轉換為統一的底層實現。示意圖如下：

這個層面最核心的變化是批最終也會生成StreamGraph，執行層運行Stream Task。

九、特別說明

后續章節會以Alibaba對Apache Flink的增強為主介紹功能算子，篇章中分享的功能可能開源暫時沒有，但這些的內容后續Alibaba會共享給社區，需要大家耐心等待。

十、小結

本篇概要的介紹了"批是流的特例"這一設計觀點是Apache Flink的"命脈"，它決定了Apache Flink的運行模式是純流式的，這在實時計算場景的"低延遲"需求上，相對于Micro Batching模式占據了架構的絕對優勢，同時概要的向大家介紹了Apache Flink的部署模式，容錯處理，引擎的統一性和Apache Flink的架構，***和大家分享了Alibaba對Apache Flink的增強架構，以及對開源Apache Flink所作出的優化。

本篇沒有對具體技術進行詳細展開，大家只要對Apache Flink有初步感知，頭腦中知道Alibaba對Apache Flink進行了架構優化，增加了眾多功能就可以了，至于Apache Flink的具體技術細節和實現原理，以及Alibaba對Apache Flink做了哪些架構優化和增加了哪些功能后續章節會展開介紹!

# 關于點贊和評論

本系列文章難免有很多缺陷和不足，真誠希望讀者對有收獲的篇章給予點贊鼓勵，對有不足的篇章給予反饋和建議，先行感謝大家!

作者孫金城，花名 金竹，目前就職于阿里巴巴，自2015年以來一直投入于基于Apache Flink的阿里巴巴計算平臺Blink的設計研發工作。

【本文為51CTO專欄作者“金竹”原創稿件，轉載請聯系原作者】

戳這里，看該作者更多好文