0


【大数据】Flink 中的 Slot、Task、Subtask、并行度

Flink 中的 Slot、Task、Subtask、并行度 

我们在使用 Flink 时,经常会听到

task

slot

线程 以及 并行度 这几个概念,对于初学者来说,这几个概念以及它们与内存,CPU 之间的关系经常搞不清楚,下面我们就通过这篇文章来弄清楚这些概念。

1.并行度

特定算子的子任务(

subtask

)的 个数 称之为 并行度

parallel

)。一般情况下,一个 数据流的并行度 可以认为是其 所有算子中最大的并行度。Flink 中每个算子都可以在代码中通过

.setParallelism(n)

来重新设置并行度,而并行执行的

subtask

要发布到不同的

slot

中去执行。

2.Task 与线程

对于分布式执行的任务,Flink 将算子的

subtasks

链接成

tasks

。每个

subtask

由一个线程执行。如下图中样例数据流用 5 个

subtask

执行,因此就有 5 个并行线程。

在这里插入图片描述
上图中,

source

+

map

算子组成一个

subtask

,并行度为 2,

keyby

+

window

+

apply

算子组成一个

subtask

,并行度为 2,

sink

算子组成一个

subtask

,并行度为 1。

3.算子链与 slot 共享资源组

前面提到 Flink 会将算子的

subtask

链接成

task

,实际上就是通过算子链操作来实现的。将算子链接成

task

的好处:

  • ✅ 它减少线程间切换、缓冲的开销,并且减少延迟的同时增加整体吞吐量。
  • ✅ 链行为是可以配置的;将两个算子链接在一起能使得它们在同一个线程中执行,从而提升性能。

Flink 默认会将能链接的算子尽可能地进行链接(例如两个

map

转换操作)。 此外, Flink 还提供了对链接更细粒度控制的 API 以满足更多需求。

如果想对整个作业禁用算子链,可以调用

StreamExecutionEnvironment.disableOperatorChaining()

。下列方法还提供了更细粒度的控制。需要注意的是, 这些方法只能在 DataStream 转换操作后才能被调用,因为它们只对前一次数据转换生效。例如,可以

someStream.map(...).startNewChain()

这样调用,而不能

someStream.startNewChain()

这样。

另外,一个

slot

共享资源组对应着 Flink 中的一个

slot

槽, 可以根据需要手动地将各个算子隔离到不同的

slot

中。
Transformation
Description
Start new chain以当前

operator

为起点开始新的连接。如下的两个

mapper

算子会链接在一起而

filter

算子则不会和第一个

mapper

算子进行链接。

someStream.filter(...).map(...).startNewChain().map(...)

。Disable chaining任何算子不能和当前算子进行链接。

someStream.map(...).disableChaining()

。Set slot sharing group配置算子的资源组。Flink 会将相同资源组的算子放置到同一个

slot

槽中执行,并将不同资源组的算子分配到不同的

slot

槽中,从而实现

slot

槽隔离。如果所有输入操作都在同一个资源组,资源组将从输入算子开始继承。Flink 默认的资源组名称为

default

,算子可以显式调用

slotSharingGroup("default")

加入到这个资源组中

.someStream.filter(...).slotSharingGroup("name")

4.Task slots 与系统资源

每个

worker

(TaskManager)都是一个 JVM 进程,可以在单独的线程中执行一个或多个

subtask

。为了控制一个 TaskManager 中接受多少个

task

,就有了所谓的

task slot

(至少一个)。

每个

task slot

代表 TaskManager 中 资源的固定子集。例如,具有 3 个

slot

的 TaskManager,会将其托管内存

     1 
    
   
     / 
    
   
     3 
    
   
  
    1/3 
   
  
1/3 用于每个 
slot

。分配资源意味着

subtask

不会与其他作业的

subtask

竞争托管内存,而是具有一定数量的保留托管内存。注意此处没有 CPU 隔离;当前

slot

仅分离

task

的托管内存。

通过调整

task slot

的数量,用户可以定义

subtask

如何互相隔离。每个 TaskManager 有一个

slot

,这意味着每个

task

组都在单独的 JVM 中运行(例如,可以在单独的容器中启动)。具有多个

slot

意味着更多

subtask

共享同一 JVM。同一 JVM 中的

task

共享 TCP 连接(通过多路复用)和心跳信息。它们还可以共享数据集和数据结构,从而减少了每个

task

的开销。

在这里插入图片描述
上边例子,从图所示 5 个

subtask

用 5 个

task slot

来执行,一定是这样分配的吗?

这个还真不一定,默认情况下,上边例子只需要 2 个

slot

就可以了。

在这里插入图片描述
我们再看另外一个例子,当我们把并行度调大为 6。

在这里插入图片描述
按照并行度拆开这个任务(

task

),我们发现会有 13 个

subtask

,那么是不是就意味着需要 13 个

slot

才能执行该任务呢?

答案是否定的,实际是只需要 6 个

slot

就够了。

为什么会这样呢?我们来看两条规则:

  • 1️⃣ 默认情况下,Flink 允许子任务共享 slot,即使他们是不同任务的子任务。这样的结果就是一个 slot 可以保存作业的整个 pipeline
  • 2️⃣ Task Slot 是静态的概念,指的是 TaskManager 具有的并发执行能力。

在这里插入图片描述
实际上,第一个

slot

会运行 3 个

subtask

,也就是执行 3 个线程。

前面也提到了

slot

只是做了内存隔离,并没有做 CPU 隔离,但是 CPU 资源是有限的,所以我们在设置资源参数时,需要考虑一下集群可提供的资源。

在这里插入图片描述
那么问题又来了,上面这个图中所示需要 5 个

task slot

,但是默认情况下 Flink 会自动优化成为需要 2 个

slot

,如果我们不想使用默认的

slot

个数来执行呢,那就要通过

slot

共享组来实现了。

DataStream<String> inputDataStream = env.socketTextStream(host, port);DataStream<Tuple2<String,Integer>> resultStream = inputDataStream.flatMap(newWordCount.MyFlatMapper()).slotSharingGroup("green").keyBy(0).sum(1).setParallelism(2).slotSharingGroup("red");

resultStream.print().setParallelism(1);

这几行代码几个

subtask

?并行度是多少?用几个

task slot

看一下以上代码运行时 Flink Web UI:

在这里插入图片描述
从 Web UI 界面可以看出,该任务被切分成了 5 个子

task

,按照最大并行度算子来算,这个任务的并行度应该为 2,那么这 5 个

subtask

占用了几个

slot

呢?

通过设置

slotSharingGroup

,是手动干预

slot

分配的手段之一,默认情况下,整个 StreamGraph 都会用一个默认的

default
SlotSharingGroup

,即所有的

task

都可以共用一个

slot

上面代码里,

source

算子并没有显式分配

slot

共享组,所以它将被分在默认的

default

共享组里,而

flatMap

算子被显式指定到了

green

共享组里,聚合算子同样被显式指定到了

red

共享组里,那么最后的

sink

算子呢?注意,默认情况下,每一个算子会与其前一个算子保持在同一个共享组内,所以

sink

算子(也就是上边的打印算子)也会被分配在

red

共享组里,按照

slot

共享组进行分组,每个分组最大的并行度相加,就是这个任务所占用的总共

slot

,所以应该是 4 个。

在这里插入图片描述

5.总结

通过上面几个例子,我们已经很清楚的理解这些概念了,总结以下几点:

  • 1️⃣ Flink 中 slot 是任务执行所申请资源的最小单元,同一个 TaskManager 上的所有 slot 都只是做了内存分离,并没有做 CPU 隔离。
  • 2️⃣ 每一个 TaskManager 都是一个 JVM 进程,如果某个 TaskManager 上只有一个 slot,这意味着每个 task 组都在单独的 JVM 中运行,如果有多个 slot 就意味着更多 subtask 共享同一 JVM。
  • 3️⃣ 一般情况下有多少个 subtask,就是有多少个并行线程,而并行执行的 subtask 要发布到不同的 slot 中去执行。
  • 4️⃣ Flink 默认会将能链接的算子尽可能地进行链接,也就是算子链,Flink 会将同一个算子链分组内的 subtask 都发到同一个 slot 去执行,也就是说一个 slot 可能要执行多个 subtask,即多个线程。
  • 5️⃣ Flink 可以根据需要手动地将各个算子隔离到不同的 slot 中。
  • 6️⃣ 一个任务所用的总共 slot 为所有资源隔离组所占用的 slot 之和,同一个资源隔离组内,按照算子的最大并行度来分配 slot
标签: 大数据 flink slot

本文转载自: https://blog.csdn.net/be_racle/article/details/136049363
版权归原作者 G皮T 所有, 如有侵权,请联系我们删除。

“【大数据】Flink 中的 Slot、Task、Subtask、并行度”的评论:

还没有评论