# Flink的状态 - 技术栈

1.什么是时状态(state)？

有状态的计算是流处理框架要实现的重要功能，因为稍复杂的流处理场景都需要记录状态，然后在新流入数据的基础上不断更新状态。例如以下状态都需要使用流处理的状态功能：

数据流中的数据有重复，想对重复数据去重，需要记录哪些数据已经流入过应用，当新数据流入时，根据已流入过的数据来判断去重。
检查输入流是否符合某个特定的模式，需要将之前流入的元素以状态的形式缓存下来。比如，判断一个温度传感器数据流中的温度是否在持续上升。
对一个时间窗口内的数据进行聚合分析，分析一个小时内某项指标的75分位或99分位的数值。
在线机器学习场景下，需要根据新流入数据不断更新机器学习的模型参数。

在Flink任务中，Flink的一个算子有多个子任务，每个子任务分布在不同实例上，可以把状态理解为某个算子子任务在其当前实例上的一个变量 ，变量记录了数据流的历史信息。当新数据流入时，可以结合历史信息来进行计算。实际上，Flink的状态是由算子的子任务来创建和管理的。一个状态更新和获取的流程如下图所示，一个算子子任务接收输入流，获取对应的状态，根据新的计算结果更新状态。一个简单的例子是对一个时间窗口内输入流的某个整数字段求和，那么当算子子任务接收到新元素时，会获取已经存储在状态中的数值，然后将当前输入加到状态上，并将状态数据更新。

对于获取和更新状态数据的逻辑不复杂，但是对于流处理框架还需要解决以下问题：

数据的产出要保证实时性，延迟不能太高。
需保证数据的不重不丢，恰好计算一次，尤其是当状态数据非常大或者应用出现故障需要恢复时，要保证状态的计算不出任何错误。
一般流处理任务都是全天运行的，程序的可靠性非常高。

基于上述要求，不能将状态直接交由内存管理，因为内存的容量是有限制的，当状态数据稍微大一些时，就会出现OOM问题。作为一个计算框架，Flink提供了有状态的计算，封装了一些底层的实现，比如状态的高效存储、Checkpoint和Savepoint持久化备份机制、计算资源扩缩容等问题。因为Flink接管了这些问题，开发者只需调用Flink API，这样可以更加专注于业务逻辑。

总而言之，Flink中的状态:

由一个任务维护，并且用来计算某个结果的所有数据，就属于这个任务的状态。
状态可以理解为一个本地变量，可以被任何业务逻辑访问。
当任务失败时，可以使用状态恢复数据。
状态始终与特定的算子相关联。
算子需要预先注册其状态，以便Flink在运行时能够了解算子状态。

2.状态描述(StateDescriptor)

StateDescriptor 是所有状态描述符的基类。 Flink 通过 StateDescriptor 定义状态，包括状态的名称，存储数据的类型，序列化器等基础信息。

Flink 中提供了 ListStateDescriptor、MapStateDescriptor、ValueStateDescriptor、AggregatingStateDescriptor、ReducingStateDescriptor 、FoldingStateDescriptor(废弃) 状态描述符供使用。

2.Flink状态分类

2.1 托管状态和原始状态

Flink的状态有两种：托管状态(Managed State)和原始状态(Raw State)。托管状态就是由Flink统一管理的，状态的存储访问、故障恢复和重组等一系列问题都由Flink实现，作为开发人员只要调接口就可以；而原始状态则是自定义的，相当于就是开辟了一块内存，需要开发人员管理，实现状态的序列化和故障恢复。

	Managed State	Raw State
状态管理方式	Flink Runtime托管，自动存储、自动恢复、自动伸缩	用户管理
状态数据结构	Flink提供常见的数据结构，如ValueState、ListValue、MapState等	字节数据组:byte[]
应用场景	绝大多数Flink算子(通过继承Rich函数或者其他提供的接口类)	用户自定义算子

2.2 Keyed State和Operator State

在Flink任务中，一个算子任务会按照并行度分为多个并行子任务执行，而不同的子任务会占据不同的任务槽(task slot)。由于不同的slot在计算资源上是物理隔离的，所以Flink能管理的状态在并行任务间是无法共享的，每个状态只能针对当前子任务的实例有效。而很多有状态的操作(比如聚合、窗口)都是要先做keyBy进行按键分区的。按键分区之后，任务所进行的所有计算都应该只针对当前key有效，所以状态也应该按照key彼此隔离。在这种情况下，状态的访问方式又会有所不同。基于上述情况，托管状态可分为两类：算子状态和按键分区状态。

2.2.1 算子状态(Operator State)概述

状态作用范围限定为当前的算子任务实例，也就是只对当前并行子任务实例有效。对于一个并行子任务，它所处理的所有数据都会访问到相同的状态，状态对于同一任务而言是共享的，如图所示：

算子状态可以用在所有算子上，使用时其实就跟一个本地变量没什么区别------因为本地变量的作用域也是当前任务实例。在使用时，还需进一步实现CheckpointedFunction接口。

2.2.2 按键分区状态(Keyed State)概述

按键分区状态（Keyed State）顾名思义，是任务按照键（key）来访问和维护的状态。它的特点非常鲜明，就是以key为作用范围进行隔离。在进行按键分区（keyBy）之后，具有相同键的所有数据，都会分配到同一个并行子任务中；所以如果当前任务定义了状态，Flink就会在当前并行子任务实例中，为每个键值维护一个状态的实例。

一个并行子任务可能会处理多个key的数据，在底层，Keyed State类似于一个分布式的映射(map)数据结构，所有的状态会根据key保存成键值对(key-value)的形式。

当一条数据到来时，任务就会自动将状态的访问范围限定为当前数据的key，从map存储中读取出对应的状态值。所以具有相同key的所有数据都会到访问相同的状态，而不同key的状态之间是彼此隔离的。这种将状态绑定到key上的方式，相当于使得状态和流的逻辑分区一一对应了，不会有别的key的数据来访问当前状态；而当前状态对应key的数据也只会访问这一个状态，不会分发到其他分区去。这就保证了对状态的操作都是本地进行的，对数据流和状态的处理做到了分区一致性。

Keyed State是KeyedStream上的状态。状态是根据输入流中定义的键（key）来维护和访问的，所以只能定义在按键分区流（KeyedStream）中，也就keyBy之后才可以使用，如图所示：

2.2.3 Keyed State 与 Operator State比较

无论是Keyed State还是Operator State，Flink的状态都是基于本地的，即每个算子子任务维护着这个算子子任务对应的状态存储，算子子任务之间的状态不能相互访问。

	Operator State	Keyed State
适用算子类型	可以适用所有算子	只适用于KeyedStream上的算子
状态分配	一个算子子任务对应一个状态	每个Key对应一个状态
创建和访问方式	实现CheckpointedFunction等借口	重写Rich Function,通过里面的RuntimeContext访问
横向扩展	有多种状态重新分配的方式	状态随着Key自动在多个算子子任务上迁移
支持数据结构	ListState、BroadcastState等	ValueState、ListValue、MapState等

current key OperatorState没有current key的概念，KeyedState的数值总是与一个current key对应。
snapshot OperatorState 需要手动实现snapshot和restore方法，KeyedState由backend实现，对用户透明。
heap OperatorState 只有堆内存一种实现，KeyedState由有堆内存和RocksDB两种实现。
Size OperatorState 一般被认为是规模比较小的，KeyedState一般是相对规模较大的。

2.2.4 状态的使用

在 Flink 中，状态始终是与特定算子相关联的；算子在使用状态前首先需要"注册"，其实就是告知Flink当前上下文中定义状态的信息，这样运行时的Flink才能知道算子有哪些状态。

状态的注册，主要是通过"状态描述器"（StateDescriptor）来实现的。状态描述器中最重要的内容，就是状态的名称(name)和类型(type。状态描述器中还可能需要传入一个用户自定义函数(user-defined-function，UDF)，用来说明处理逻辑，比如ReduceFunction和AggregateFunction。

2.3 按键分区状态(Keyed State)

值状态(ValueState)

顾名思义，状态中只保存一个"值"（value）。
源码如下:

java 复制代码

//接口  T表示泛型，value表示可以是任何具体的数据类型。
public interface ValueState<T> extends State {
	T value() throws IOException; //获取当前状态的值
	void update(T value) throws IOException;//更新当前状态的值(value即为新的值)
}

在使用时，为了让运行时上下文清楚到底是哪个状态，需要创建一个"状态描述器"提供基本信息(StateDescriptor)

映射状态(MapState)
- 以键值对（key-value）的形式将状态整体保存起来
- 对应的MapState<UK, UV>接口中，UK、UV是泛型，分别表示保存的key和value的类型。
- MapState提供了操作映射状态的方法，与Map的使用非常类似。
列表状态(ListState)
- 将状态数据以列表（List）的形式组织起来。
- ListState提供操作状态的方法，使用方式与一般的List非常相似。
归约状态(ReducingState)
- 需要对添加进来的所有数据进行归约，将归约聚合之后的值作为状态保存下来。
- 归约逻辑的定义，是在归约状态描述器（ReducingStateDescriptor）中，通过传入一个归约函数（ReduceFunction）来实现的。
聚合状态(AggregatingState)
- 聚合状态也是一个值，用来保存添加进来的所有数据的聚合结果。
- 聚合逻辑是由在描述器中传入一个更加一般化的聚合函数(AggregateFunction)来定义的，里面通过一个累加器（Accumulator）来表示状态

2.4 算子状态(Operator State)

列表状态(ListState)
- 与Keyed State中的ListState一样，将状态表示为一组数据的列表。
- 与Keyed State中列表状态的区别是：在算子状态的上下文中，不会按键(key)分别处理状态，所以每一个并行子任务上只会保留一个"列表"，也就是当前并行子任务上所有状态项的集合。
- 列表中的状态项就是可以重新分配的最细粒度，彼此之间完全独立。
- 当算子并行度进行缩放调整时，算子列表状态中的所有元素项会被统一收集起来，相当于把多个分区的列表合并成了一个"大列表"，然后再均匀地分配给所有并行任务。这种"均匀分配"的具体方法就是"轮询"（round-robin），通过逐一"发牌"的方式将状态项平均分配的。
联合列表状态(UnionState)
- 与ListState类似，联合列表状态将将状态表示为一个列表。
- 与ListState的区别在于算子并行度进行缩放调整时对于状态的分配方式不同。
- 在并行度调整时，常规列表状态是轮询分配状态项，而联合列表状态的算子则会直接广播状态的完整列表。
广播状态(BroadcastState)
- 一种特殊算子状态，所有分区的所有数据都会访问到同一个状态，如同状态被广播到所有分区。
- 在并行度调整时，只要复制一份到新的并行任务就可以实现扩展。

3.总结

Flink状态:
- Flink中的状态是用来保存中间结果或者一些缓存数据，由一个任务维护。
- Flink中的状态可类比为本地变量，可以被任何业务逻辑访问。
- 当Flink任务失败时，可以使用状态恢复数据，状态始终与特定的算子相关联。
- 算子需要预先注册其状态，以便于Flink在运行时能够了解算子状态。
Flink状态分类:托管状态和原始状态
- 托管状态由Flink统一管理，原始状态由用户管理。
- 托管状态分为：算子状态(OperatorState)和按键分区状态(KeyedState)。
Flink中的托管状态(Manage)
- 算子状态(OperatorState)与按键分区状态(KeyedState)的区别:
  - current key OperatorState没有current key的概念，KeyedState的数值总是与一个current key对应。
  - snapshot OperatorState 需要手动实现snapshot和restore方法，KeyedState由backend实现，对用户透明。
  - heap OperatorState 只有堆内存一种实现，KeyedState由有堆内存和RocksDB两种实现。
  - Size OperatorState 一般被认为是规模比较小的，KeyedState一般是相对规模较大的。
- 算子状态分为:列表状态(ListState) 、广播状态(BroadcastState) 、联合列表状态(UnionState)。
- 按键分区状态分为: 值状态(ValueState) 、列表状态(ListState) 、映射状态MapState)、
  
  归约状态(ReducingState) 、聚合状态(AggregatingState)。