30.Flink状态一致性

Leefs 2022-02-13 PM 1264℃ 0条

[TOC]

### 前言

当在分布式系统中引入状态时，自然也引入了一致性问题。

状态一致性的本质就是**成功处理故障并恢复前后的结果的正确性级别。**

也就是说在成功处理故障并恢复之后得到的结果，与没有发生任何故障时得到的结果相比，前者到底有多正确？

举例来说，假设要对最近一小时登录的用户计数。在系统经历故障之后，计数结果是多少？

如果有偏差，是有漏掉的计数（最多一次）还是重复计数（最少一次）？

### 一、一致性级别

在流处理中，一致性可以分为三个级别：

+ **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）**：这表示计数结果可能大于正确值，但绝不会小于正确值。也就是说，计数程序在发生故障后可能多算，但是绝不会少算。
+ **exactly-once（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。

Flink的一个重大价值在于，**它既保证了exactly-once，也具有低延迟和高吞吐的处理能力。**

### 二、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以外还包含了数据源（例如 Kafka）和输出到持久化系统。

即端到端一致性指的是从Source-Flink内部程序-Sink持久化系统，状态的一致性即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，**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。**

**具体可以划分如下：**

+ **内部保证**：依赖checkpoint
+ **source端**：需要外部源可重设数据的读取位置(kafka的offset)
+ **sink端**：需要保证从故障恢复时，数据不会重复写入外部系统

**而对于sink端，又有两种具体的实现方式：**

+ 幂等（Idempotent）写入。
+ 事务性（Transactional）写入。

#### 幂等写入

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。

但是它的结果会有一个渐变的流程，例如求最大温度：

**1->2->10**，此时故障从上一检查点处重新计算，**2->10->12**。最终的Sink数据流为**1->2->10->2->10->12**。虽然最终结果无误，但是流程看起来不好，如果这些数据要实时展示，则会给人误解。

#### 事务性写入

需要构建事务来写入外部系统，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。

对于事务性写入，具体又有两种实现方式：**预写日志（WAL）和两阶段提交（2PC）。**

`DataStream API`提供了`GenericWriteAheadSink`模板类和`TwoPhaseCommitSinkFunction` 接口，可以方便地实现这两种方式的事务性写入。

**注意**

+ 预写日志（Write-Ahead-Log,WAL）并不是真正的`exactly-once`，当批量写入Sink时，如果中途出错，从checkpoint回放数据，则会导致数据重复插入;	
+ 两阶段提交（2PC）才是真正的`exactly-once`，但是它需要写入的系统支持事务，并且事务的超时时间最好和checkpoint的超时时间一致。

**预写日志（Write-Ahead-Log，WAL）**

+ 把结果数据先当成状态保存，然后在收到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;
+ `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）**

+ 对于每个checkpoint，sink 任务会启动一个事务，并将接下来所有接收的数据添加到事务里;
+ 然后将这些数据写入外部 sink 系统，但不提交它们 —— 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。

**要求**

（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

### 三、不同 Source 和 Sink 的一致性保证

![30.Flink状态一致性01.png](https://lilinchao.com/usr/uploads/2022/02/3594468118.png)

### 四、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
+ **sink**： `kafka producer`作为sink，采用两阶段提交sink，需要实现一个`TwoPhaseCommitSinkFunction`

*附参考文章链接：*

*https://awslzhang.top/2021/01/02/Flink%E7%8A%B6%E6%80%81%E7%AE%A1%E7%90%86/*

标签: Flink

非特殊说明，本博所有文章均为博主原创。

如若转载，请注明出处：https://lilinchao.com/archives/1888.html

上一篇 29.Flink状态后端(State Backends)

下一篇 31.Flink容错机制介绍

30.Flink状态一致性

评论已关闭

栏目分类

标签云

友情链接申请

30.Flink状态一致性

评论已关闭

 栏目分类

标签云

友情链接申请

栏目分类

标签云

友情链接申请