07-Flink的状态一致性

目录
状态一致性
一致性检查点（checkpoint）
端到端（end-to-end）状态一致性
端到端的精确一次（exactly-once）保证
Flink+Kafka端到端状态一致性的保证

什么是状态一致性

（1）有状态的流处理，内部每个算子任务都可以有自己的状态
（2）对于流处理器内部来说，所谓的状态一致性，即计算结果要保证准确
（3）一条数据不应该丢失，也不应该重复计算
（4）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
（1）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。
（2）AT-LEAST-ONCE（至少一次）
在大多数的真实应用场景，我们希望不丢失数据，即所有的数据都得到了处理，而一些时间还可能被处理多次
（3）EXACTLY-ONCE（精确一次）
没有事件丢失，针对每个事件，内部状态仅仅更新一次

一致性检查点（Checkpoints）
(1)Flink使用了一种轻量级快照机制——检查点（checkpoint）来保证exactly-once语义
(2)有状态流应用的一直检查点，即：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
（3）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
（1）目前我们看到的一致性保证都是由流处理器实现的，即在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
（2）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
（3）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（exactly-once）
（1）内部保证——checkpoint
（2）source端——可重设数据的读取位置，数据不会重复写入外部系统
（3）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

事务写入（Transactional Writes）
（1）事务（Transaction）
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
（2）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
（3）实现方式
预写日志
两阶段提交

预写日志（Write-Ahead-Log , WAL）
（1）把结果数据先当成状态保存，然后在收到chekpoint完成的通知时，一次性写入sink系统
（2）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
（3）DataStream API 提供了一个模板类：GenericWriteAheadSink，来实现这种事务性sink

两阶段提交（Two-Phase-Commit , 2PC）
（1）对于每个checkpoint，sink任务会启动一个事务，并将接下来所有接受的数据添加到事务里
（2）然后将这些数据写入外部sink系统，但不提交他们——这是只是“预提交”
（3）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
（4）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系统的需求
（1）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
（2）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
（3）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
（4）sink任务必须能够在进程失败后恢复事务
（5）提交事务必须是幂等操作

不同Source和Sink的一致性保证

Flink+Kafka端到端状态一致性的保证
（1）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
（2）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
（3）sink——kafka producer作为sink，采用两阶段提交sink，需要实现一个TwoPhaseCommitSinkFunction

Exactly-once两阶段提交

（1）JobManager协调各个TaskManager进行checkpoint存储
（2）checkpoint保存在StateBackend中，默认StateBackend是内存级，也可以改为文件级的进行持久化保存

（1）当checkpoint启动时，JobManager会将检查点分界线（barrier）注入数据流
（2）barrier会在算子间传递下去

（1）每个算子会对当前的状态做个快照，保存到状态后端
（2）checkpoint机制可以保证内部的状态一致性

（1）每个内部的Transform任务遇到barrier时，都会把状态存到checkpoint里
（2）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

（1）当所有算子任务的快照完成时，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
（2）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
（1）第一条数据来了之后，开启一个Kafka的事务（transaction），正常写入Kafka分区日志但标记为未提交，这就是“预提交”
（2）JobManager触发checkpoint操作，barrier从source开始向下传递，遇到barrier的算子将状态存入状态后端，并通知JobManager
（3）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
（4）jobmanager收到所有任务的通知，发出确认信息，表示checkpoint完成
（5）sink任务收到jobmanager的确认信息，正式提交这段时间的数据
（6）外部kafka关闭事务，提交的数据可以正常消费了