实时数仓-Flink使用总结

阿里云实时计算Flink版是阿里云基于Apache Flink构建的企业级、高性能实时大数据处理系统。具备一站式开发运维管理平台，支持作业开发、数据调试、运行与监控、自动调优、智能诊断等全生命周期能力。本期将对Flink的使用进行总结。

1. Flink产品回顾

阿里云实时计算Flink版是阿里云基于Apache Flink构建的企业级、高性能实时大数据处理系统。具备一站式开发运维管理平台，支持作业开发、数据调试、运行与监控、自动调优、智能诊断等全生命周期能力。100%兼容Apache Flink。

优势：分布式集群、支持弹性扩缩容、支持SQL作业调试，支持作业智能调优
限制：仅支持Chrome内核的浏览器访问、默认不支持公网（公网需另外开通）

2. Flink相关概念

2.1. 基本概念

工作空间：Flink全托管管理项目空间的基本单元，每个工作空间的计算资源隔离，开发控制台相互独立。
**项目空间：**项目空间是Flink全托管管理作业的基本单元，所有配置、作业、权限均在单个项目空间下进行。可以创建多个项目空间，为每个项目空间分配单独的资源和权限，通过项目空间进行资源和权限的完全隔离。
**草稿：**在实时计算Flink版SQL开发界面中创建的SQL作业称为草稿
**部署：**草稿通过部署使草稿变为线上作业，目的是将开发和生产隔离。
**集群：**集群为作业上线后的运行环境，以内存速度和任何规模执行计算。Flink全托管支持Per-Job集群和Session集群两种集群模式，分别用于正式和测试开发环境。
**连接器：**通过 Flink SQL 对上下游表存储进行映射，实现数据读写与同步;
**元数据管理：**提供了元数据信息，使用CTAS语法可实现DDL语句同步、自动建表功能。

2.2. 核心功能

2.2.1. Server ID 概念

Server ID 唯一标识一个Flink作业的执行环境。每个Server ID对应一个独立的Flink作业执行环境，它包含了资源配置、状态存储、作业管理等信息。

Server ID的作用：

唯一标识：每个同步作业都对应着不同的server id，有助于区分不同的同步作业。
资源隔离：Server ID用于隔离不同的Flink作业，确保在运行过程中不会相互影响。
状态存储：Server ID关联着作业的状态存储，这对于故障恢复和作业的持久性非常重要。

Server ID参数取值范围为5400~6400。

推荐在开启增量读取模式多并发读取数据时，设置该参数为ID范围，因为这样可以使得每个并发使用不同的ID。

注意：Server ID数少于并发数、多作业共用同ServerID，都会导致任务读取数据异常。

2.2.2. Flink CDC 技术

CDC是Change Data Capture（变更数据获取）的简称。主要是监测并捕获数据库的变动（包括数据或数据表的插入、更新以及删除等），将这些变更按发生的顺序完整记录下来，写入到消息中间件中以供其他服务进行订阅及消费。

MySQL CDC 实现原理（断点续传）：

同步任务启动时，将表按主键分为多个分片（chunk），记录此时binlog点位。使用增量快照算法通过select，逐个读取每个分片的数据。记录下已完成的分片。当发生Failover时，只需要继续读取未完成的分片。

3. Flink作业开发

3.1. 作业开发语言

SQL作业开发：阿里云全托管 Flink 开发控制台进行开发
JAR作业开发：本地开发，然后上传资源
Python作业开发：本地开发，然后上传资源

常规作业推荐SQL开发，涉及复杂逻辑或算法可使用 Python

3.2. 作业开发方式

SQL基础模版

数据同步模版：点点点

4. Flink数据同步技术

4.1. 同步作业开发推荐

前提：确保工作空间中已注册目标端的元数据Catalog

元数据catalog可以理解为数据源，但搭配CTAS/CDAS提供了额外功能，例如：自动建表、支持同步DDL等

4.1.1. CTAS 同步方式

通过CTAS（CREATE TABLE AS）语句实现了多库多表的合并同步，另外还能实时将上游表结构（Schema）的变更同步到下游表，提高在目标数据库中创建表和维护源表结构变更的效率。

具体什么是CTAS语法，请看代码：

如果使用Insert Into方式同步，代码如下：

可以看到Insert Into方式使用连接器进行同步，不仅作业配置复杂，且数据库连接信息完全裸露。

新增同步表：将新增表的同步代码加入到作业中，重新部署作业

4.1.2. CDAS 同步方式

CDAS（CREATE DATABASE AS）是CTAS语法的一个语法糖，用于实现整库同步、多表同步的功能。

整库同步、表变更结构同步、分库合并同步

如何新增同步表？

方式一：开启CDAS新增表读取功能 SET 'table.cdas.scan.newly-added-table.enabled' = 'true';
方式二：重新部署作业（停止作业前创建一次快照，从快照恢复作业）

Flink作业还支持使用STATEMENT SET语法将多个CDAS和CTAS语句作为一个作业一起提交，并支持对源表节点的合并复用，降低对数据源的压力。

4.1.3. CTAS & CDAS 区别与适用场景

|----------|---------------|----------------------|
| 同步方式 | 主要功能 | 适用场景 |
| CTAS | 分库分表合并同步 | 适用互动业务多数场景（方便维护） |
| CDAS | 整库同步、多表同步 | |

使用 STATEMENT SET 语法，优势在于可以使用一个Source节点读取多业务表的数据，降低源端的压力：

BEGIN STATEMENT SET;

CREATE DATABASE IF NOT EXISTS `holo`.`bigdata`
AS DATABASE `mysql-fuyao-1`.`bigdata` INCLUDING ALL TABLES
/*+ OPTIONS('server-id' = '5400') */;

CREATE DATABASE IF NOT EXISTS `holo`.`componentuserlogdb`
AS DATABASE `mysql-fuyao-1`.`componentuserlogdb` INCLUDING ALL TABLES
/*+ OPTIONS('server-id' = '5400') */;

END;

推荐CTAS方式，使用 STATEMENT SET ，方便维护与管理，但需在后续需求开发中，定义表归类标准。

4.2. 同步作业功能验证

4.2.1. 作业启动方式

启动方式介绍

全量-无状态启动
增量-指定源表开始时间：指定点位采集，仅针对SLS、Kafka
增量-从最新状态恢复：系统自动保存Checkpoint恢复
增量-从指定状态恢复：快照恢复

|------------------------------------|--------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 数据验证 |||
| 启动方式 | 验证方式 | 验证结果 |
| 无状态启动-全量 | 1. 数据库插入 1000 条数据 2. 启动 Flink 采集任务 3. 观察 Holo 目标表数据 | 目标表1000条数据 |
| 无状态启动-指定点位 （只有SLS/kafka可用） | 1. 创建 Flink任务采集SLS日志至Holo 2. 启动时设置点位为 2023-10-18 13:00:00 3. 查询Holo表最早的一条数据时间 | 结果：最早的一条数据时间为 2023-10-18 12:59:59 |
| 从最新状态恢复-增量 | 1. 直接启动任务 | 结果：任务启动时刻开始数据采集 |
| 从指定状态恢复-快照 | 1. 启动 Flink 采集任务 2. 数据库插入 1000 条数据 3. 创建快照，停止 Flink 任务 4. 数据库Insert Into 2000 条数据 5. 开启 Flink 任务 | 结果：FLink同步了第4点中插入的2000条数据，并且自增id是连续的。 |

4.2.2. 跨账号数据同步能力

经过运维进行网络配置，验证了Flink具备通过公网、内网方式同步非本账号下的RDS、SLS数据的能力。

内网配置 VPC、公网配置 NAT，在对应数据库添加白名单即可。

4.2.3. 同步数据源支持

涉及实时同步链路：Mysql -> Holo、SLS -> Holo、Holo -> Mysql、SLS -> Holo、SLS -> Maxcomputer、Holo -> Maxomputer

以下针对互动云有可能涉及的同步链路进行测试，测试结果：同步链路全部通畅。作业代码如下：

|---------|-------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 源端 | 目标端 | 验证验证 |
| MySQL | Holo | -- 定义数据源表 CREATE TEMPORARY TABLE user_clicks_source ( db_name STRING METADATA FROM 'database_name' VIRTUAL -- 读取库名。 ,table_name STRING METADATA FROM 'table_name' VIRTUAL -- 读取表名。 ,operation_ts TIMESTAMP_LTZ(3) METADATA FROM 'op_ts' VIRTUAL -- 读取变更时间。 ,username STRING ,click_url STRING ,eventtime STRING ,operation_type STRING ) with ( 'connector' = 'mysql' ,'hostname' = 'rm-2zer8jdp1xjg6bh3upo.mysql.rds.aliyuncs.com' ,'port' = '3306' ,'username' = 'xxx' ,'password' = 'xxx' ,'database-name' = 'double_v_test' ,'table-name' = 'user_clicks' ,'scan.incremental.snapshot.chunk.key-column' = 'id' ) ; -- 定义结果表 CREATE TEMPORARY TABLE user_clicks_sink ( db_name STRING ,table_name STRING ,operation_ts TIMESTAMP ,username STRING ,click_url STRING ,eventtime STRING ,operation_type STRING ) WITH ( 'connector' = 'hologres' ,'dbname' = 'ods' ,'tablename' = 'user_clicks' ,'username' = 'xxx' ,'password' = 'xxx' ,'endpoint' = 'hgpostcn-cn-g4t3fc54t007-cn-beijing-vpc-st.hologres.aliyuncs.com:80' ) ; -- 写入数据到结果表 INSERT INTO user_clicks_sink SELECT db_name ,table_name ,operation_ts ,username ,click_url ,eventtime ,operation_type FROM user_clicks_source ; |
| SLS | Holo | -- 定于源表 CREATE TEMPORARY TABLE sls_source( content VARCHAR ) WITH ( 'connector' = 'sls', 'endPoint' = 'cn-beijing.log.aliyuncs.com', 'project' = 'bigdata-spm-prod', 'logStore' = 'bigdata-spm', 'accessId' = 'LTAI4GJpG4GiVLjDETaxiAWJ', 'accessKey' = 'O5OfRSXLuaFvbZ3mEFNyteF6ukofVR' ); -- 定义结果表 CREATE TEMPORARY TABLE sls_spm ( content VARCHAR ) WITH ( 'connector' = 'hologres', 'dbname' = 'ods', 'tablename' = 'sls_spm', 'username' = 'LTAI5t9BrCrWCgMnLR7cpW4K', 'password' = 'oIDPmdegfy3j9Z371kPBPEyJyMDHPY', 'endpoint' = 'hgpostcn-cn-g4t3fc54t007-cn-beijing-vpc-st.hologres.aliyuncs.com:80' ); -- Insert Into 语句 INSERT INTO sls_spm SELECT content FROM sls_source ; |
| Holo | MySQL | -- 定义数据源表 CREATE TEMPORARY TABLE user_clicks_source ( username STRING ,click_url STRING ,eventtime STRING ) WITH ( 'connector' = 'hologres' ,'dbname' = 'ods' ,'tablename' = 'user_clicks' ,'username' = 'xxx' ,'password' = 'xxx' ,'endpoint' = 'hgpostcn-cn-g4t3fc54t007-cn-beijing-vpc-st.hologres.aliyuncs.com:80' ,'binlog' = 'true' -- 开启binlog ,'cdcMode' = 'true' -- 使用CDC模式 ,'binlogMaxRetryTimes' = '10' -- 读取 Binlog 时最大重试次数 ,'binlogRetryIntervalMs' = '500' -- 重试的时间间隔，这里设置为 500ms ,'binlogBatchReadSize' = '100' -- 每批读取 Binlog 的大小，这里设置为100条记录 ) ; -- 定义结果表 CREATE TEMPORARY TABLE user_clicks_sink ( username STRING ,click_url STRING ,eventtime STRING ) with ( 'connector' = 'mysql' ,'hostname' = 'rm-2zer8jdp1xjg6bh3upo.mysql.rds.aliyuncs.com' ,'port' = '3306' ,'username' = 'xxx' ,'password' = 'xxx' ,'database-name' = 'double_v_test' ,'table-name' = 'user_clicks' ) ; -- Insert Into 语句 INSERT INTO user_clicks_sink SELECT username ,click_url ,eventtime FROM user_clicks_source ; 注：需建表时开启Binlog |
| Mysql | MaxComputer | -- 定义数据源表 CREATE TEMPORARY TABLE user_clicks_source ( db_name STRING METADATA FROM 'database_name' VIRTUAL -- 读取库名。 ,table_name STRING METADATA FROM 'table_name' VIRTUAL -- 读取表名。 ,operation_ts TIMESTAMP_LTZ(3) METADATA FROM 'op_ts' VIRTUAL -- 读取变更时间。 ,username STRING ,click_url STRING ,eventtime STRING ,operation_type STRING ) with ( 'connector' = 'mysql' ,'hostname' = 'rm-2zer8jdp1xjg6bh3upo.mysql.rds.aliyuncs.com' ,'port' = '3306' ,'username' = 'xxx' ,'password' = 'xxx' ,'database-name' = 'double_v_test' ,'table-name' = 'user_clicks' ,'scan.incremental.snapshot.chunk.key-column' = 'id' ) ; -- 定义结果表 CREATE TEMPORARY TABLE user_clicks_sink ( db_name STRING ,table_name STRING ,operation_ts STRING ,username STRING ,click_url STRING ,eventtime STRING ,operation_type STRING ) WITH ( 'connector' = 'odps' ,'endpoint' = 'http://service.cn-beijing.maxcompute.aliyun.com/api' ,'project' = 'bigdata_spm_produce' ,'tablename' = 'user_clicks' ,'accessid' = 'xxx' ,'accessKey' = 'xxx' ) ; -- Insert Into 语句 INSERT INTO user_clicks_sink SELECT db_name ,table_name ,CAST(operation_ts AS STRING) ,username ,click_url ,eventtime ,operation_type FROM user_clicks_source ; |
| Holo | MaxComputer | -- 定义数据源表 CREATE TEMPORARY TABLE user_clicks_source ( username STRING ,click_url STRING ,eventtime STRING ) WITH ( 'connector' = 'hologres' ,'dbname' = 'ods' ,'tablename' = 'user_clicks' ,'username' = 'xxx' ,'password' = 'xxx' ,'endpoint' = 'hgpostcn-cn-g4t3fc54t007-cn-beijing-vpc-st.hologres.aliyuncs.com:80' ,'binlog' = 'true' -- 开启binlog ,'cdcMode' = 'true' -- 使用CDC模式 ,'binlogMaxRetryTimes' = '10' -- 读取 Binlog 时最大重试次数 ,'binlogRetryIntervalMs' = '500' -- 重试的时间间隔，这里设置为 500ms ,'binlogBatchReadSize' = '100' -- 每批读取 Binlog 的大小，这里设置为100条记录 ) ; -- 定义结果表 CREATE TEMPORARY TABLE user_clicks_sink ( username STRING ,click_url STRING ,eventtime STRING ) WITH ( 'connector' = 'odps' ,'endpoint' = 'http://service.cn-beijing.maxcompute.aliyun.com/api' ,'project' = 'bigdata_spm_produce' ,'tablename' = 'user_clicks' ,'accessid' = 'xxx' ,'accessKey' = 'xxx' ) ; -- Insert Into 语句 INSERT INTO user_clicks_sink SELECT username ,click_url ,eventtime FROM user_clicks_source ; |
| SLS | MaxComputer | -- 定义源表 CREATE TEMPORARY TABLE sls_spm_source ( content VARCHAR ) WITH ( 'connector' = 'sls' ,'endPoint' = 'cn-beijing.log.aliyuncs.com' ,'project' = 'bigdata-spm-prod' ,'logStore' = 'bigdata-spm' ,'accessId' = 'xxx' ,'accessKey' = 'xxx' ) ; --定义结果表 CREATE TEMPORARY TABLE sls_spm_sink ( content STRING ) WITH ( 'connector' = 'odps' ,'endpoint' = 'http://service.cn-beijing.maxcompute.aliyun.com/api' ,'project' = 'bigdata_spm_produce' ,'tablename' = 'sls_spm' ,'accessid' = 'xxx' ,'accessKey' = 'xxx' ) ; -- Insert Into 语句 INSERT INTO sls_spm_sink SELECT content FROM sls_spm_source ; |

4.2.4. 同步DDL功能验证

生产环境运行中的同步任务，业务侧会存在对表 Schema 变更场景，可能会导致生产同步任务报错。典型场景为新增或变更字段字段。

测试过程：根据生产环境中的同步任务A任务进行了测试，为源端MySQL表增加ext10字段，查看目标 Holo 表也自动增加了。

注：DDL语句不会单独同步，必须有DML语句产生才会一起同步至目标端。

4.2.5. 数据同步准确性验证

测试方法准备测试表 flink_test_source_table，往表中分两批灌数据（1000W/批），查询同步的数据条数。

第一批：

第二批：

结论同步过程无数据丢失情况产生。

4.2.6. 同步能力解读

|--------|----------------------------------------------------------|
| 类型 | 功能 |
| 同步 | **全增量一体化：**全量和增量数据一体化读取，全增量自动切换，无需维护两条链路 |
| 同步 | **并发读取：**全量阶段支持多并发读取，水平扩展读取性能 |
| 同步 | **无锁读取：**基于无锁一致性算法，无需数据库加锁，不影响在线业务 |
| 同步 | **断点续传：**全量和增量阶段均支持Checkpoint，作业快速恢复，稳定性高 |
| 同步 | **ETL：**无缝集成Flink SQL，支持对数据库数据做灵活强大的 Streaming ETL加工 |
| 同步 | **轻量化：**无需部署额外的 Kafka、Canal 等服务，链路短、成本低、易维护 |
| 同步 | **分库分表合并：**支持分库分表合并入仓入湖 |
| 同步 | **表结构变更同步：**源表schema变更（加列等）自动同步到目标表 |
| 同步 | **整库同步：**支持整库读取，一行 SQL 完成整库同步作业开发 |
| 同步 | **千表入仓：**单作业支撑上千张规模的不同业务表实时写入数据仓库 |
| 同步 | **元数据：**内置统一元敛据管理，自动发现外部元数据（MySQL等），无需手写DDL |
| 同步 | **数据限流：**提供限定同步速率的能力，避免给源端数据库造成太大压力，影响在线业务。 |
| 同步 | **脏数据收集：**脏数据自动收集到 OSS/Kafka/SLS，不影响同步链路稳定性，提供脏数据事后处理能力。 |
| 同步 | **数据质量校验：**提供数据同步的目标数据与原始数据的一致性校验服务。 |

5. Flink作业部署流程（官方）

5.1. 作业开发介绍

深度检查：能够检查作业的SQL语义、网络连通性以及作业使用的表的元数据信息。
调试：模拟作业运行、检查输出结果，本地验证作业逻辑准确性，不会将数据写入下游（PS：需要Seesion机群）
部署：作业开发完成后，需要将作业部署上线，才能启动并运行作业。

5.2. 作业上线流程图

5.3. 作业运行模式

流作业：Python、JAR、SQL方式

数据处理模式：实时处理数据流，数据以流的形式持续不断地进入系统，并即时得到处理和输出。
数据处理方式：逐条处理数据，通常处理窗口内的数据，并支持基于事件时间或处理时间的窗口操作。

批作业：Python、JAR方式

数据处理模式：以固定的、有限的数据集为基础进行处理，一次性读入数据，进行批量处理，输出结果。
数据处理方式：一次性处理整个数据集，通常不考虑数据的时间特性，而是集中处理所有数据。

6. Flink作业调优

Flink全托管支持智能调优和定时调优两种调优模式。

可以更合理地调整作业并发度和资源配置。
可以全局优化作业，解决作业吞吐量不足、全链路存在反压和资源浪费等各种性能调优问题。

6.1. 智能调优

适用场景

某作业使用资源30 CU，上线平稳运行一段后，发现在Source无延迟、无反压的情况下，作业的CPU和内存使用率有时会很低。

此时如果您不想人工调节资源，需要系统自动完成资源调节，可以使用智能调优模式。系统将在资源使用率比较低时，自动降低资源配置，在资源使用率提高到一定阈值时，再自动提高资源配置。

智能调优策略（举例）

并发度调整

- 作业存在延迟：延迟增加且连续上涨3min，增大作业并发度到当前实际TPS的两倍
- 作业不存在延迟

- - 某VERTEX节点连续6分钟实际处理数据时间占比超过80%
  - TM的平均利用率连续6分钟超过80%，跳高并发度

- 所有TM的最大CPU使用率连续24小时低于20%，且VERTEX的实际处理数据时间低于20%时，调低并发度

内存调整

- 在JobManager GC频繁或者发生OOM异常时，会调高JM的内存，默认最大调整到16 GiB。
- 在TM GC频繁或者发生OOM异常、HeartBeatTimeout异常时，会调高TM的内存，默认最大调整到16 GiB。
- 在TM内存使用率超过95%时，会调大TM的内存。
- 在TM的实际内存使用率连续24小时低于30%时，降低TM内存的配置，默认最小调整到1.6 GiB。

6.2. 定时调优

定时调优计划：描述了资源和时间点的对应关系，一个定时调优计划中可以包含多组资源和时间点的关系。

可以根据高峰、低峰在每个时间段配置想对应的资源调整策略。前提是必须明确知道各时间段的资源使用情况。

在使用定时调优计划时，您需要明确知道各个时间段的资源使用情况，根据业务时间区间特征，设置对应的资源。

7. Flink作业运维

7.1. 作业资源分配

7.1.1. 资源分配模式

资源分配模式分为两种模式：基础模式（粗粒度）和专家模式。

基础模式：静态资源分配。给定总资源，系统会均匀分配给每个 Task Slot。（适用于大多数作业）
专家模式：动态资源分配。Flink会计算出每个SLOT需要的资源规格大小，动态的从可用资源池去申请完全匹配的TM和SLOT。

7.1.2. 资源配置项

Flink作业资源的调整需要根据具体作业的需求和集群资源来进行。不同的作业可能需要不同的资源配置，以获得最佳的性能和可伸缩性。同时，监控作业的运行情况也是关键，以便根据实际情况进行必要的调整。

|---------------------|---------------------------|---------------------------------|------------------------------------|
| 指标 | 含义 | 职责 | 场景 |
| 并发度 | 控制作业并行程度（并行执行的任务数量） | 它控制了作业的并行程度，决定了作业在集群中的资源使用情况。 | 适用于需要高吞吐量和低延迟的场景。增加并发度可以提高作业的整体性能。 |
| JobManager CPU | 管理作业的整体协调和调度 | JobManager负责协调作业的执行、状态管理和故障恢复。 | 管理作业和调度的计算需求，通常不需要过多的CPU资源。 |
| JobManager Memory | 管理作业的元数据和状态信息 | JobManager负责协调作业的执行、状态管理和故障恢复。 | 需要大规模状态管理的作业，以及需要长期保存状态信息的情况。 |
| TaskManager CPU | 执行作业中的任务。 | TaskManager负责执行作业的任务，包括数据处理和计算。 | 适用于计算密集型的任务，需要大量CPU计算资源。 |
| TaskManager Memory | 存储任务数据和状态信息，包括中间结果、缓存数据等。 | TaskManager负责执行作业的任务，包括数据处理和计算。 | 适用于需要大规模数据存储和中间结果缓存的作业。 |
| 每个TaskManager Slot数 | 每个TaskManager上可并行执行的任务数。 | 限制了TaskManager上同时执行任务的数量。 | 适用于控制每个TaskManager的并行度，以避免资源竞争。 |

7.1.3. 作业初始资源配置

根据Flink最佳实践：

单个JM内存资源需要至少配置为0.25 Core和1 GiB，才能保证作业稳定运行。建议配置为1 Core和4 GiB。
单个TM内存资源需要至少配置为0.25 Core和1 GiB，才能保证作业稳定运行。建议配置为1 Core和4 GiB。

注：JobManager和TaskManager的默认配置为 1C、1G，经过测试无法支撑单表的全量同步，观察日志内存打满。

7.2. 作业状态存储

作业状态集管理_实时计算Flink版-阿里云帮助中心

系统检查点 Checkpoint

系统检查点生命周期完全由Flink系统管理，用户无法进行手动创建和删除，只能查看其生成情况。

作业快照

生命周期完全由用户管理，用户可在作业运行中或结束时触发，也可以配置定时保存快照。

7.3. 作业延迟指标与处理方式

7.3.1. 作业监控-延迟监控

先看下数据流，Flink从SLS采集数据到Holo，其中涉及到几个时间字段：

SpmTime：日志请求到达服务器时间
EventTime：
FetchTime：数据被 Flink Source 读取的时间
EmitTime：数据离开 Flink Source 的时间

任务运维-数据曲线

|--------------------------------------------------------------|------------------------------------------------|------------------------------------------------------------------|---------------------------------------------------------------------------------|
| 指标 | 指标逻辑 | （含义/场景）解释 | 可能原因 |
| 重启次数 Num of Restarts | 每个作业重启次数总数 | | * 代码错误 * 资源不足 |
| 业务延时 currentEmitEventTimeLag | 数据离开 Source 的时刻（EmitTime）- 数据事件时间（EventTime） | 该延时较大时，说明作业可能在拉取数据或者处理数据上存在延时。 | * 计算逻辑复杂 * 计算资源不足 |
| 传输延时 currentFetchEventTimeLag | 数据被 Source 读取的时刻（FetchTime）- 数据事件时间（EventTime） | 度量数据从数据源到Flink作业的传输延时，识别数据获取和传输过程中的性能瓶颈。结合业务延时指标可以分析Source处理能力 | * 延迟差值接近：Source从外部系统中拉取数据的能力（网络 I/O、并发数）不足。 * 延迟差值较大：作业的处理能力不足，导致数据在Source中有滞留。 |
| 输入记录总数 numRecordsIn | 每个 operator（source 端和中间 operator）输入的数据总数 | 反映了每个operator的输入数据规模，用于监控数据流入作业的速率和分布。 | ----- |
| 输出记录总数 numRecordsOut | 每个operator（source 端和中间 operator）输出的数据总数 | 监控每个operator的输出数据规模，帮助你了解数据流出作业的速率和分布。 | ----- |
| Source 端输入记录总数 numRecordsInOfSource | 每个 operator（source 端排除中间 operator）输入的数据总数 | 用于监控Source端的输入数据规模，有助于了解数据源的性能和数据输入速率。 | ----- |
| Sink 端输出记录总数 numRecordsOutOfSink | sink 端（排除中间 operator ）输出的数据总数 | 用于监控Sink端的输出数据规模，帮助你了解数据写入目标的性能和数据输出速率。 | ----- |
| 每秒输入记录数 numRecordsInPerSecond | 每秒输入记录数 | 用于监控每秒输入数据的速率，帮助你了解数据输入的速度。 | ----- |
| 每秒输出记录数 numRecordsOutPerSecond | 每秒输出记录数 | 用于监控每秒输出数据的速率，帮助你了解数据输出的速度。 | ----- |
| Source 端每秒输入记录 numRecordsInOfSourcePerSecond(IN RPS) | 每个 operator（source 端排除中间 operator）输入记录总数/时间（秒） | 用于监控Source端每秒的输入速率，有助于了解数据源的性能和数据输入速率。 | ----- |
| Sink 端每秒输出记录数 numRecordsOutOfSinkPerSecond (OUT RPS) | 每个 operator（sink 端排除中间 operator）输出记录总数/时间（秒） | 用于监控Sink端每秒的输出速率，帮助你了解数据写入目标的性能和数据输出速率 | ----- |
| 源端未读取数据条数 pendingRecords | 获取时刻位点数据与该时刻上游写入位点数据条数的差值 | 数据积压，数据处理速度无法赶上数据 | ----- |
| 源端未处理数据时间 sourceIdleTime | 当前时间 - 最后一次处理数据的时间 | 用来评估源端操作符的活动性，帮助你了解源端的工作状态和空闲时间。 | ----- |

发生延迟如何分析？

sourceIdleTime：该指标反映Source是否有闲置，如果该指标较大，说明您的数据在外部系统中的产生速率较低。

currentFetchEventTimeLag和currentEmitEventTimeLag：均反映了Flink当前处理的延迟，您可以通过两个指标的差值（即数据在 Source中停留的时间）分析Source当前的处理能力。

如果两个延迟非常接近，说明Source从外部系统中拉取数据的能力（网络 I/O、并发数）不足。
如果两个延迟差值较大，说明Source的数据处理能力（数据解析、并发、反压）不足。

7.3.2. 延迟处理

Flink数据延迟通常有以下三个主要原因：处理超大数据集、作业复杂度高、以及资源不足。在不同情境下，可以采用不同的解决方法：

数据集过大（前提：作业资源相对固定）

- 水平扩展：通过增加作业并行度，实现对更大数据集的并行处理。
- 分区和分流：将数据划分为更小的分区，降低单个任务的数据负荷，从而提高并行性。
- 时间窗口设置：合理设定处理时间窗口，确保数据集大小在可处理的范围内，防止超出资源处理能力。

高作业复杂度（前提：作业资源相对固定）

- 优化算子：仔细审查作业中的算子和函数，确保它们的实现是高效的，可以考虑使用内置的Flink优化技术。
- 简化逻辑：精简作业逻辑，减少不必要的计算或数据转换，提高作业的处理速度。

任务资源不足

- 动态资源分配：使用Flink的资源分配策略，根据任务需求自动分配资源。
- 资源配置优化：增加任务插槽的数量，以提供更多计算资源，确保任务能够充分利用可用资源。

7.4. 作业告警配置&示例

告警可自定义时间段、监控频率，可采用多种方式将告警通知到人（钉钉、邮件、短信、电话）

告警规则：

|-----------------------------------|--------------------------------------|
| 告警指标 | 含义 |
| Restart Count in 1 Minute | 1分钟内Job Manager重启次数。 |
| Checkpoint Count in 5 Minutes | 5分钟内Checkpoint成功次数。 |
| Emit Delay | 业务延时，即数据发生时间与数据离开Source算子的时间差值，单位为秒。 |
| IN RPS | 每秒输入记录数 |
| OUT RPS | 每秒输出记录数 |
| Source IdIe Time | 源端未处理数据的时间 |
| Job Failed | 作业失败 |

|-------------------|---------------------------------------------------------------------------------------------------|
| 告警配置流程 ||
| 1. 添加联系人、联系人组 | |
| 1. 配置告警规则 | |
| 1. 配置告警规则 | |
| 1. 点击确认生效 | |

告警信息展示：

7.5. Flink作业失败恢复

**代码逻辑/参数配置错误：**常见于新上线的任务，此时任务会不断进行重试。可以将对应任务停止，修复错误后启动。

其它错误： 停止任务，修复对应错误后，重启任务，从快照或最新状态（Checkpoint）恢复。

8. Flink空间管理

8.1.1. 环境隔离

开发：作业草稿中进行
测试

- 代码测试、连接测试、数据映射关系测试：使用深度检查功能
- 逻辑测试：使用调试功能

上线：使用部署功能

8.1.2. 资源变配

仅在包年包月模式下，才支持资源变配，在按量付费模式下是不支持资源变配的。

对工作空间进行缩容前，需要先对项目空间进行缩容。
对项目空间进行扩容前，需要工作空间中有可用的资源。

影响：扩缩容均不对生产作业产生影响。

9. Flink试用总结

|---------------|--------------------|-----------------------------------------------------|
| 试用事项分类 | 具体事项 | 试用结论 |
| 数据同步 | 1、Flink同步作业启动方式 | 支持全量、增量及系统检查点启动 |
| 数据同步 | 2、Flink跨账号数据同步 | 支持跨账号同步 * 武汉云（内网）：配置VPC，添加白名单 * 双V云（公网）：配置NAT，添加白名单 |
| 数据同步 | 2、Flink同步数据源支持 | Flink多数据源、多账号所涉及的同步链路全部支持 |
| 数据同步 | 3、Flink同步DDL验证 | 支持 |
| 数据同步 | 4、 Flink数据同步准确性 | 准确 |
| 作业运维 | 1、Flink作业资源分配 | 基础模式和专家模式。基础模式对绝大多数作业满足需求。 |
| 作业运维 | 2、Flink作业状态存储 | * 快照（手动保存、定时保存） * Checkpoint（由系统管理） |
| 作业运维 | 3、Flink作业延迟处理与失败恢复 | 不同场景对应不同处理方式。简单描述： 1. 降低作业复杂度 2.减少窗口内数据量 3.增加作业资源配置 |
| 作业运维 | 4、Flink作业调优模式 | * 自动调优 * 定时调优 |
| 作业运维 | 5、Flink作业告警配置 | 提供多种指标监控，支持多种通知方式 |
| 集群/项目空间管理 | 1、Flink集群扩缩容/恢复 | 按量付费不支持变配。包年包月资源变配不影响线上作业 |
| 集群/项目空间管理 | 1、Flink项目代码管理、任务发布 | -- 讨论点 |