【Flink】集群架构

Flink运行时架构

1. Flink按照整体划分有TaskManager、JobManager两个进程（Flink客户端用来将JobGraph提交到JobManager因此客户端不属于运行时架构中的进程）。
2. Actor System代表是Flink RPC底层通信（内部是通过Pekko、动态代理、异步编程实现）。
3. NetworkManager网络管理，在TaskManager运行Task的时候内部基于Netty封装了一套任务流转的代码（包含网络管理）。
4. Memory、IO Manager是Flink内存模型相关的封装。
5. Task Slot就是TaskManager执行时候的任务槽。
6. Task就是任务执行时候的线程任务。
7. Data Streams数据任务中间进行shuffle任务交换就用到了网络管理。
8. JobManager、TaskManager内部都有一个Actor System，两个进程之间任务状态、心跳、Checkpoint都是基于Flink RPC进行通信、而RPC底层内部封装了ActorySystem。

Flink任务提交流程

以Yarn运行为主说明执行流程

1. 用户通过客户端命令启动Session Cluster，会触发集群所有服务的启动。
2. ClusterManager会为运行时各个组件申请运行节点以及资源（比如Yarn的Container）。
3. 客户端（CliFronted）提交应用程序代码（代码最终转换成JobGraph结果），然后通过ClusterClient提交JobGraph到集群中运行。
4. 集群中的Dispatcher服务接收到JobGraph对象，根据JobGraph对象启动JobMaster。
5. JobMaster构建的时候会将JobGraph转换成ExecutionGraph对象。
6. JobMaster会向ResourceManager服务申请计算资源。
7. ResourceManager接收到申请后，先判断是否有足够的slot资源，如果有则直接分配给JobMaster，如果没有则向资源管理器申请（比如Yarn Container）。
8. 申请到资源以后就会启动TaskManager，TaskManager启动后会主动向ResourceManager汇报slot资源。
9. ResourceManager收到注册资源后，会立刻向TaskManager发送SlotRequest请求为任务分配资源。
10. TaskManager接收到ResourceManager的资源分配请求后，会对符合条件的SlotRequest进行处理，然后向JobMaster发送申请（offerslots）提供Slot资源。
11. JobMaster接收到offerslots的消息后，就会向slot所在的TaskManager申请提交Task任务。
12. TaskManager接收到JobMaster发送的启动Task任务申请后，会启动Task线程。
13. TaskManager中的Task线程周期性的向JobMaster汇报任务运行状态，直到任务结束。

Flink Clients客户端（CliFrontent）

Flink客户端负责将任务提交到集群，与JobManager构建RPC连接，然后将任务提交到JobManager，通过和JobManager之间进行交互获取任务执行状态。Flink客户端Clients不是Flink程序运行时的一部分，作用是向JobManager准备和发送JobGraph，之后，客户端可以断开（detached mode）连接或者保持连接(attached mode)。

客户端提交任务有以下几种方案

1. 可以采用CLI方式或者通过使用Flink WebUI提交。
2. 在应用程序中指定JobManager的RPC网络端口构建ExecutionEnvironment提交Flink应用。

JobManager

JobManager负责整个Flink集群任务的调度以及资源的管理，从客户端中获取提交的应用，然后根据集群中TaskManager上TaskSlot的使用情况，为提交的应用分配相应的TaskSlots资源并命令TaskManger启动从客户端中获取的应用。
JobManager相当于整个集群的Master节点，Flink HA 集群中可以有多个JobManager，但整个集群中有且仅有一个活跃的JobManager，其他的都是StandBy。JobManager和TaskManager之间通过Actor System进行通信，获取任务执行的情况并通过Actor System将应用的任务执行情况发送给客户端。同时在任务执行过程中，Flink JobManager会触发Checkpoints操作，每个TaskManager节点收到Checkpoint触发指令后，完成Checkpoint操作，所有的Checkpoint协调过程都是在Flink JobManager中完成。当任务完成后，Flink会将任务执行的信息反馈给客户端，并且释放掉TaskManager中的资源以供下一次提交任务使用。

1. 负责整个Flink集群任务的调度以及资源的管理
2. 为应用分配TaskSlots资源
3. 向TaskManager发送消息启动Task任务
4. 触发Checkpoints操作

JobManager 三个不同的组件

ResourceManager

这里说的ResourceManager不是Yarn资源管理中的ResourceManager，而是Flink中的ResourceManager，其主要负责Flink集群资源分配、管理和回收。在Flink中这里说的资源主要是TaskManager节点上的Task Slot计算资源，Flink中每个提交的任务最终会转换成task，每个task需要发送到TaskManager 上的slot中执行（slot是资源调度最小的单位），Flink为不同的环境和资源提供者（例如：Yarn/Kubernetes和Standalone）实现了对应的ResourceManager，这些ResourceManager负责申请启动TaskManager获取Slot资源。
在Standalone集群中，集群启动会同时启动TaskManager，不支持提交任务时启动TaskManager（没有Per-Job任务提交模式），ResourceManager只能分配可用TaskManager的slots，而不支持自行启动新的TaskManager，而基于其他资源调度框架执行任务时，当ResourceManager管理对应的TaskManager没有足够的slot，会申请启动新的TaskManager进程。

1. 负责Flink集群资源分配、管理、回收
2. 接收TaskManager节点注册Task Slot计算资源
3. 不同的集群模式对应不同的ResourceManager实现
4. 定时监听JobMaster、TaskManager的心跳

Dispatcher

Dispatcher提供了一个REST接口，用来提交Flink应用程序执行，例如CLI客户端或Flink Web UI提交的任务最终都会发送至Dispatcher组件，由Dispatcher组件对JobGraph进行分发和执行，并为每个提交的作业启动一个新的 JobMaster，它还运行 Flink WebUI 用来提供作业执行信息。

1. 提供Rest接口，如提交应用程序的接口（JobGraph）
2. 收到JobGraph进行分发、执行并启动JobMaster
3. 提供作业执行信息

JobMaster

JobMaster负责管理整个任务的生命周期，负责将Dispatcher提交上来的JobGraph转换成ExecutionGraph（执行图）结构，通过内部调度程序对ExecutionGraph执行图进行调度和执行，最终向TaskManager中提交和运行Task实例，同时监控各个Task的运行状况，直到整个作业中所有的Task都执行完毕。
JobManager和ResourceManager组件一样，JobManager组件本身也是RPC服务，具备通信能力，可以与ResourceManager进行RPC通信申请任务的计算资源，资源申请到位后，就会将对应Task任务发送到TaskManager上执行，当Flink Task任务执行完毕后，JobMaster服务会关闭，同时释放任务占用的计算资源。所以JobMaster与对应的Flink job是一一对应的。

1. 负责整个任务的声明周期。
2. 将JobGrach任务转换成ExecutionGraph
3. 通过Scheduler调度ExecutionGraph进行调度和执行
4. 向TaskManager中提交Task实例。
5. 监控Task运行状态
6. 定时向ResourceManager发送心跳

TaskManager

TaskManager负责向整个集群提供Slot计算资源，同时管理了JobMaster提交的Task任务。TaskManager会提供JobManager从ResourceManager中申请和分配的Slot计算资源，JobMaster最终会根据分配到的Slot计算资源将Task提交到TaskManager上运行。另外，TaskManager还可缓存数据，TaskManager之间可以进行DataStream数据的交换。
一个Flink集群中至少有一个TaskManager，在TaskManager中资源调度的最小单位是 task slot ,一个TaskManger中的task Slot个数决定了当前TaskManger最高支持的并发task个数，一个task Slot中可以执行多个算子。

1. 负责向ResourceManager注册slot计算资源
2. 管理JobMaster分配的Task任务
3. 缓存数据、中间计算结果数据交换
4. 定时向ResourceManager发送心跳

task slot

在 TaskManager 中资源调度的最小单位是 task slot。
每个任务槽 表示了TaskManager拥有计算资源的一个固定大小的子集。这些资源就是用来独立执行一个子任务的。

Task Slot和物理资源

slot目前仅仅用来隔离内存(平分内存)，不会涉及CPU的隔离。在具体应用时，可以将slot数量配置为机器的CPU核心数，尽量避免不同任务之间对CPU的竞争。这也是开发环境默认并行度设为机器CPU数量的原因。

Tasks 和并行度

task slot和并行度都跟程序的并行执行有关，但两者是完全不同的概念。
task slot是静态的概念，是指TaskManager具有的并发执行能力，可以通过参数taskmanager.numberOfTaskSlots进行配置；
并行度是动态概念，指的是TaskManager运行程序时实际使用的并发能力，可以通过参数parallelism.default进行配置。
举例说明：假设一共有3个TaskManager，每一个TaskManager中的slot数量设置为3个，那么一共有9个task slot，表示集群最多能并行执行9个算子。

Tasks 和算子链

对于分布式执行，Flink 将算子的 subtasks 链接成 tasks。每个 task 由一个线程执行。将算子链接成 task 是个有用的优化：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
如下图当满足条件的时候就会将来Source、Map 合并成为一个Operator chain。这样就减少了线程间切换（用户态内核态）