Apache Flink 运行时架构

Flink整个系统由两个主要部分组成JobManager和TaskManager，Flink架构也遵循Master-Slave架构设计原则，JobManager为Master节点，TaskManager为worker（Slave）节点，所有组件之间通讯都是借助Akka Framework，包括任务的状态以及Checkpoint触发等信息。
Flink运行时候架构如下：

Flink 客户端负责将任务提交到集群，与JobManager之间构建Akka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Cliens不是Flink程序运行的一部分，作用是向JobManager准备和发送dataFlow，之后客户端可以断开连接（detached mode）或者保持连接（attached mode）

JobManager 负责整个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TaskManager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，但是只能有一个活跃的JobManager。
JobManager与TaskManager之间通过Actor System进行通讯，获取任务执行情况并且通过Actor System将应用的任务执行情况发送给客户端
CheckPoint机制也是Flink JobManager发出的指令给TaskManager，TaskManger收到CheckPoint指令后完成CheckoutPoint操作

负责Flink集群资源分配，管理，回收。Flink中的资源是TaskManager节点上的Task Slot计算资源，Flink提交的任务最重都会转成Tast，每个Tast 都需要发送到TaskManager上的Slot中执行。
当ResourceManager 管理对应的TaskManager没有足够的slot，会申请启动新的Taskmanager进程

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结构。通过内部调度对ExecutionGraph 执行图进行调度和执行。最终向TaskManager 中提交和运行Task实例，同时会监控各个Task的运行状况，直到整个作业中所有Task都执行完毕。
JobMaster和Resource Manager 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通信申请任务计算资源，之后将对应Task任务发送到TaskManager执行，FlinkTask执行完后，JobMaster服务关闭。所以JobMaster 与对应的Flink job是一一对应的。

Dispatcher提供了Rest接口，用来提交Flink应用程序执行，例如CLI客户端或者Flink Web UI提交任务最重都会发送到Dispatcher组件，由Dispatcher组件对JobGraph进行风发和执行，并为每个提交作业启动一个新的JobMaster。还运行Flink WebUI 用来提供作业执行信息。

Task Manager 负责向整个集群提供Slot计算资源，同时管理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根据分配到的Slot计算资源将Task提交到TaskManager上运行。同时TaskManager还可以缓存数据，TaskManager之间可以进行DataStream数据交换。
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TaskManager中task Slot的数量决定了当前Taskmanager最高支持的兵法task个数，一个TaskSlot中可以执行多个算子。
因此Flink的任务是采用多线程，和MapReuce多JVM进程方式有很大区别，Flink这种模式能极大提高CPU的利用率，在多个任务和Task之间通过TaskSlot方式共享系统资源，每个TaskManager中通过管理多个TaskSlot资源池进行有效管理。