Flink⼤状态作业调优实践指南：状态报错与启停慢篇

摘要：本文整理自俞航翔、陈婧敏、黄鹏程老师所撰写的大状态作业调优实践指南。由于内容丰富，本文分享终篇状态报错与启停慢篇，主要分为以下四个部分：

检查点和快照超时的诊断与调优
作业快速启动和扩缩容方案
总结
阿里云企业级存储后端Gemini 特点补充介绍

前篇：Flink⼤状态作业调优实践指南：Datastream 作业篇

中篇：Flink⼤状态作业调优实践指南：Flink SQL 作业篇

Tips： 点击**「阅读原文」** 跳转阿里云实时计算 Flink～

检查点和快照超时的诊断与调优

6.1 运行原理

Flink 的状态管理核心机制依赖于 Chandy-Lamport 算法，以确保数据的一致性和可靠性。在此框架下，检查点和快照的执行过程可以概括为两个主要阶段：

（1）同步阶段：此阶段的关键在于 Barrier 的对齐和同步资源的维护。Barrier 作为一种特殊的数据记录，在算子之间传递时，其对齐的时间与数据记录的延迟成正相关关系。

（2）异步阶段：在这一阶段，算子将本地状态信息上传至远程的持久化存储系统。上传时间的长短与状态数据的大小直接相关。

当 Flink 作业面临反压问题时，同步阶段的执行可能会变得缓慢，从而导致检查点和快照超时。因此，在遇到检查点和快照超时问题，并且监测到作业存在反压时，首先应当参考 Flink 的"运行时性能调优策略"，优先解决反压问题，以提高作业的整体效率和稳定性。

6.2 问题诊断方法

在解决反压问题后，若检查点与快照仍出现超时现象，首先应分析同步阶段的对齐时间是否过长，随后考虑是否由庞大的状态数据引起。

■ Checkpoint UI

通过这个UI，用户可以详细分析检查点和快照超时原因，具体操作如下：

在 "作业探查 - Checkpoints - Checkpoints 历史" 页面，可以在不同级别（作业、算子、单并发）观察 Checkpoint 指标，我们着重观察超时的 Checkpoint 的异常算子或正在进行的 Checkpoint 的算子：

（1）其 "Sync Duration" 和 "Alignment Duration" 是否较长，如是，则基本判定有瓶颈在同步阶段上，需要优先解决同步阶段问题

（2）其 "Async Duration" 是否较长，以及其 "Checkpointed Data Size" 是否较大，如是，则可基本判定其瓶颈在异步阶段状态上传上

■ Checkpoint 指标

用户通过查看监控指标中 lastCheckpointDuration 和 lastCheckpointSize 来粗粒度分析历史 Checkpoint 的耗时和大小。

6.2 调优方法

在进行性能调优之前，首先要确保运行时性能达到预期。如果当前性能水平不足，应优先根据"运行时性能优化指南"进行调整。在满足基本性能要求后，为了进一步提高检查点和快照的效率，可以考虑以下三种策略：

（1）使用 Unaligned Checkpoint 和 Buffer Debloating：这一方法可以有效解决因等待数据对齐而导致的超时问题，适用于各种规模的作业，这里仅作简要介绍）

（2）增加运行时的并发资源：通过增加并发资源，可以减少单个并发任务的状态量，从而加速异步快照的处理流程。

（3）使用原生快照：相比标准快照，原生快照生成速度更快，存储占用更小。

|------------|---------------------------------------------|------------------------------------|----------------|
| 使用场景 | 方案 | 实践方式 | 注意事项 |
| 检查点或快照同步超时 | 使用 Unaligned Checkpoint 和 Buffer Debloating | 运行参数中配置参数，可参考[8] | |
| 检查点或快照异步超时 | 增加并发 | 在资源配置或细粒度资源配置中增加并发[7] | |
| 快照异步超时 | 使用原生快照 | 对运行中的作业，选择 "创建快照" - "原生格式" 即可[9] | 原生快照无法保证跨大版本兼容 |

Unaligned Checkpoint 和 Buffer Debloating的使用和介绍可以参考以下帖子

Flink Aligned Checkpoint和Unaligned Checkpoint原理详解-CSDN博客

一文搞懂 Flink 网络流控与反压机制_flink kafka 反压-CSDN博客

作业快速启动和扩缩容方案

7.1 运行原理

在进行作业恢复时，从检查点或快照中恢复相较于无状态启动，关键在于高效地从远程持久存储中下载状态文件并重建状态引擎。这一步骤需要执行大量的输入输出操作，容易成为恢复过程中的效率瓶颈，可能会造成作业的长时间停滞。

7.2 问题诊断方法

在作业启动或进行扩容操作期间，若发现作业长时间停留在初始化阶段，应首先诊断是否存在初始化瓶颈。以下是推荐的诊断与优化步骤：

（1）使用诊断工具分析算子状态：利用"线程转储"、"线程动态分析"和"火焰图"等工具，检查初始化阶段的算子线程栈。重点关注线程栈是否长时间处于等待状态，尤其是在Gemini等状态存储系统上的操作。

（2）识别状态算子的初始化问题：如果发现某个算子长时间处于初始化状态，且该算子涉及状态处理，那么可以推断问题可能出在状态的下载或重建过程中。

一旦确定作业初始化的瓶颈与大状态处理有关，接下来应参考后续章节提供的优化策略进行针对性调整。通过这些方法，可以有效地识别并解决作业初始化过程中的瓶颈问题，从而提高作业的运行效率和稳定性。

7.3 调优方法

为了优化作业启动和扩容效率，我们提供了两种高效策略：

（1）Local Recovery：本地恢复技术，通过在本地同时存储快照，减少恢复过程中的数据下载需求。在本地磁盘空间充裕的情况下，这是首选方案。

（2）Gemini 智能懒加载和延迟剪裁：作为平台核心技术Gemini，即使面对大规模状态的作业，也能仅通过下载必要的元数据快速启动，实现对用户数据的即时处理。随后，系统将通过异步下载和智能裁剪技术，有效处理远程检查点文件，显著降低作业中断时间，提升效率超过90%。

方案	实践方式	注意事项
Local Recovery：本地备份快照加速恢复	运行参数中配置：state.backend.local-recovery: true [10]	适用于作业 Failover 或者动态参数更新的场景，手动停止重启无法生效会多占用部分本地磁盘资源
Gemini 智能懒加载和延迟剪裁：异步状态恢复方案	运行参数中配置：state.backend.gemini.file.cache.download.type: LazyDownloadOnRestore	作业刚启动后的一小段时间内，会异步下载状态文件，作业性能逐步恢复，因此一开始性能会稍微低一些

总结

在上中下篇章中，我们深入探讨了Apache Flink中的状态管理机制，以及当一个作业持有大状态时在阿里云实时计算Flink版中的如何进行问题诊断和优化。Flink的状态管理是一个复杂而关键的领域，涉及到作业的性能、稳定性和资源利用等多个方面。通过对这些机制分析和优化策略的深入理解和正确应用，结合阿里云Flink提供的产品能力，希望用户可以有效地优化Flink作业，应对大规模状态作业带来的挑战，实现更高效、更可靠的实时数据处理。

附录1：阿里云企业级存储后端Gemini 特点补充介绍

GeminiStateBackend是一款面向流计算场景的KV存储引擎，作为实时计算Flink版产品的默认状态存储后端（StateBackend）。其针对流计算场景进行了全新的架构和数据结构设计，Gemini 在大状态作业下也有良好的表现，其具备如下优势特点：

性能卓越：在 Nexmark 测试中，Gemini 所有用例的性能都比 RocksDB 更优，其中约一半用例的性能领先 RocksDB 70%以上。目前在阿里巴巴集团内部的实时计算平台和公有云的实时计算Flink服务中，共计超 50WCU 的有状态作业使用 Gemini 存储引擎，其中也包含了数十 TB ～上百 TB 的大状态作业，助力实时计算用户高效完成业务目标。

自适应 KV 分离，极大优化大状态下双流/多流 Join 性能：Stateful Join 算子利用状态存储明细数据，因此是大状态作业的常客。基于大量场景 Join 成功率较低、或者状态数据Value较长的特点，Gemini 推出了 KV 分离的能力从而极大优化这些场景下的性能。在 Nexmark 双流 Join 的测试中，作业吞吐能力可以提升50% ～ 70% 以上，且该功能可以完全自适应调整，不需要用户额外配置调优。

轻量级 Snapshot，显著加速大状态作业检查点和快照完成：Gemini 通过支持更细粒度的 Snapshot，同时解耦检查点与 LSM 的 Compaction 机制，让检查点和快照变得更加稳定快速。此外，Gemini 通过支持 Native Incremental Savepoint，结合实时计算产品提供了原生快照，让其性能趋近检查点，极大提高了快照可用性。