如果让你来做一个有状态流式应用的故障恢复，你会如何来做呢？
单机和多机会遇到什么不同的问题？
Flink Checkpoint 是做什么用的？原理是什么？
一、什么是 Checkpoint？
Checkpoint 是对当前运行状态的完整记录。程序重启后能从 Checkpoint 中恢复出输入数据读取到哪了，各个算子原来的状态是什么，并继续运行程序。
即用于 Flink 的故障恢复。
这种机制保证了实时程序运行时，即使突然遇到异常也能够进行自我恢复。
二、如何实现 Checkpoint 功能？
如果让你来设计，对于流式应用如何做到故障恢复？
我们从最简单的单机单线程看起。
一）单机情况
同步执行，每次只处理一条数据
很简单，这种情况下，整个流程一次只处理一条数据。
- 数据到 Write 阶段结束，各个算子记录一次各自状态信息（如读取的 offset、中间算子的状态）
- 遇到故障需要恢复的时候，从上一次保存的状态开始执行
- 当然为了降低记录带来的开销，可以攒一批之后再记录。
同时处理多条数据
每个计算节点还是只处理一条数据，但该节点空闲就可以处理下一条数据。
如果还按照一个数据 Write 阶段结束开始保存状态，就会出现问题：
- 前面节点的状态，在处理下一个数据时被改过了
- 从此时保存的记录恢复，前面的节点会出现重复处理的问题
- 此时被称为 - 确保数据不丢（At Least Once）
一种解决方式：
- 在输入数据中，定期插入一个 barrier。
- 各算子遇到 barrier 就开始做状态保留，并且不再接收新数据的计算。
- 当前算子状态保留后，将 barrier 传递给下一个算子，并重复上面的步骤。
- 当 barrier 传递到最后一个算子，并完成状态保留后，本次状态保留完成。
这样，各个节点保存的都是相同数据节点时的状态。
故障恢复时，能做到不重复处理数据，也就是精确一次（Exactly-once）。
但这里，你可能会发现一个问题：
- 数据已经写出了怎么办？在两个保存点之间，已经把结果写到外部了，重启后不是又把部分数据再写了一次？
这里实际是**「程序内部精确一次」** 和**「端到端精确一次」** 。
那么如何做到「端到端精确一次」？
- 方案一：最后一个 sink 算子不直接向外部写出，等到 barrier 来了，才把这一批数据批量写出去
- 方案二：两阶段提交。需要 sink 端支持（如 kafka）。
- 方式类似于 MySQL 的事务。
- sink 端正常向外部写出，不过输出端处于 pre-commit 状态，这些数据还不可读取
- 当 sink 端等到 barrier 时，将输出端数据变为 committed，下游输出端的数据才正式可读
不过以上方法为了做到端到端精确一次，会带来数据延迟问题。（因为要等 Checkpoint 做完，数据才实际可读）。
解决数据延迟有一种方案：
- 方案：幂等写入。同样一条数据，无论写入多少次对输出端看来都是一样的。（比如按照主键重复写这一条数据，并且数据本身没变化）
二）重要概念介绍
一致性级别
前面的例子中，我们提到了部分一致性级别，这里我们总结下。在流处理中，一致性可以分为 3 个级别：
- at-most-once（最多一次）: 这其实是没有正确性保障的委婉说法------故障发生之后，计数结果可能丢失。
- 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）: 这指的是系统保证在发生故障后得到的计数结果与正确值一致。恰好处理一次是最严格的保证，也是最难实现的。
按区间分：
- 程序（Flink）内部精确一次
- 端到端精确一次
Checkpoint 中保留的是什么信息？
🤔 如果是你来设计，checkpoint 都需要保留哪些信息，才能让程序恢复执行？
【这里说的就是 state 】
考虑一个开发需求：单词计数。
从 kafka 中读数据，处理逻辑是将输入数据拆分成单词，有一个 map 记录各个单词的数量，最后输出。
- 从输入流中，拆分单词
- 将统计的结果放到内存中一个 Map 集合，单词做为 key，对应的数量做为 value
想要恢复的时候还能接着上次的状态来，要么就需要几个信息：
- 处理到哪条数据了
- 中间状态是啥
- 数据写出到哪条了
以及，上述信息应是针对同一条数据的。否则状态就乱了。
那么可以得到，保留的信息是：
| source | 中间算子 | sink |
|---|---|---|
| 已输入的数据（offset） | [<hello, 5>, <world, 10>, ...] | 写出到第几条了 |
三）多机多进程
随着业务的发展，单机已经不能满足需求了，开始并行分布式的处理。
读取、处理、写出，也不再是一个进程从头到尾干完，会拆分到多个机器上执行。也不再等待一条数据处理完，才处理下一条。
多机多线程，问题就开始变得复杂起来：
- 如何确保状态拥有精确一次的容错保证？
- 如何在分布式场景下，替多个拥有本地状态的算子产生一个全域一致的快照？
- 对于流合并，合并节点会受到多个 barrier 如何处理？
- 如何在不中断运算的前提下产生快照？
🤔 先思考下，如果还用单线程中 barrier 的方式来处理。会遇到什么问题，该如何解决？
处理流程
我们还是在数据流中插入 barrier。
- 到达第一个 source 节点和之前的没区别，source 节点开始保存状态（offset）
- 接下来，source 将 barrier 拆分为两个，分别发往下游的算子
- 下游算子收到 barrier，开始记录状态
- 关键是最后的 operator#2，它会收到多个 barrier
- barrier 的初始目的是，收到 barrier 表示前面的数据都处理完了，要开始保存状态了
- 两个绿色的节点（operator#1）分别发送 barrier，代表两个 barrier 之前处理过的数据，实际都是第一个蓝色节点（source）barrier 之前的数据。
- 那么最后的橙色节点（operator#2），理应收到所有由绿色节点（operator#1）发送的 barrier，才代表数据已经收全了，可以开始保存状态。【叫做 barrier 对齐】
对于多分支合并的情况，在等待所有 barrier 到齐的过程中：
- 先收到 barrier 的分支，还会有数据不断流入
- 为了能做到精确一次（Exactly-once），就不能处理这些数据，需要先缓存起来，否则这个节点的状态就不对了
- 上面一条反过来说，如果不等，直接处理，那么就是**至少一次（At Least Once）**的效果。（想想在故障恢复的时候，是不是就会重复计算了）
如何在不中断运算的前提下产生快照？
前面做快照，我们假设的是节点收到 barrier 后，就不再接收新数据，把当前节点状态保存后，再接收新数据，然后把 barrier 再向后传递。
那，是否必须这样串行来呢？
- 卡住新数据，保存当前状态，这里必须串行，不串行状态就乱了
- 但是，向后发送 barrier 可以同时做，不影响当前节点的保存
那，后面节点保存完了，前面节点还没保存完怎么办？
- 没关系，一次 checkpoint 成功，需要等待所有节点都成功才行，保存的先后顺序无所谓
三、Flink Checkpoint 配置
程序中如何开启 checkpoint
java
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 开启 checkpoint，并设置间隔 ms
env.enableCheckpointing(1000);
// 模式 Exactly-Once、At-Least-Once
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
// 两个 checkpoint 之间最小间隔
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
// 超时时间
env.getCheckpointConfig().setCheckpointTimeout(60000);
// 同时执行的 checkpoint 数量（比如上一个还没执行完，下一个已经触发开始了）
env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
// 当用户取消了作业后，是否保留远程存储上的Checkpoint数据
env.getCheckpointConfig().enableExternalizedCheckpoints(ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);checkpoint 存储
Flink 开箱即用地提供了两种 Checkpoint 存储类型：
JobManagerCheckpointStorage- 将 Checkpoint 快照存储在 JobManager 的堆内存中
FileSystemCheckpointStorage- 放到 HDFS 或本地磁盘中
四、小结
本节介绍了 Flink Checkpoint 故障恢复机制。从单机单线程，到多机多线程一步步分析如何实现状态保存和故障恢复。
同时对一致性级别进行了探讨，对程序内部和端到端一致性的实现方式给出了可行的方案。
后续会对 Checkpoint 程序内部实现原理进行剖析。
参考文章：
Flink Checkpoint 深入理解-CSDN博客
漫谈 Flink - Why Checkpoint - Ying
Flink之Checkpoint机制-阿里云开发者社区 （图不错）
Flink 状态一致性、端到端的精确一次（ecactly-once）保证 - 掘金
硬核！八张图搞懂 Flink 端到端精准一次处理语义 Exactly-once（深入原理，建议收藏）-腾讯云开发者社区-腾讯云