作者:达龙@阿里云
Apache Flink PMC (项目管理委员会)很高兴地宣布 Apache Flink 2.1.0版本正式发布,这标志着实时数据处理引擎向统一 Data + AI 平台 的里程碑式演进。本次版本汇聚全球 116 位贡献者,完成 16 项改进提案(FLIPs),解决 220 多个问题,重点强化了实时 AI 与智能流处理的深度融合:
-
实时 AI 能力突破:
-
新增 AI 模型 DDL,支持通过 Flink SQL 与 Table API 创建和修改 AI 模型,实现 AI 模型的灵活管理。
-
扩展
ML_PREDICT
表值函数,支持通过 Flink SQL 实时调用 AI 模型,为构建端到端实时 AI 工作流奠定基础。
-
-
实时数据处理增强:
-
通过开放 Flink 核心能力------托管状态、事件时间流处理及表变更日志,
Process Table Functions(PTFs)
使 Flink SQL 解锁了更强大的事件驱动型应用开发能力 -
引入
VARIANT
数据类型,高效处理 JSON 等半结构化数据,结合PARSE_JSON
函数与湖仓格式(如 Paimon),实现动态 Schema 数据分析。 -
重点优化流式 Join,创新性的引入
DeltaJoin
与MultiJoin
策略,消除状态瓶颈,提升资源利用率与作业稳定性。
-
Flink 2.1.0 将实时数据处理与 AI 模型无缝集成,推动企业从实时分析迈向实时智能决策,以满足现代数据应用不断变化的需求。感谢各位贡献者的支持!
Flink SQL 提升
Model DDLs 支持
自 Flink 2.0 引入 AI 模型相关 SQL 语法后,用户可通过类似创建 Catalog 对象的方式定义模型,并在 Flink SQL 中调用 AI 模型。Flink 2.1进一步扩展支持通过 Table API(Java/Python) 定义模型,通过编程实现模型的灵活管理。
示例:
- 使用 Flink SQL 创建模型
sql
CREATE MODEL my_model
INPUT (f0 STRING)
OUTPUT (label STRING)
WITH (
'task' = 'classification',
'type' = 'remote',
'provider' = 'openai',
'openai.endpoint' = 'remote',
'openai.api_key' = 'abcdefg',
);
- 使用 Java API 创建模型
java
tEnv.createModel(
"MyModel",
ModelDescriptor.forProvider("OPENAI")
.inputSchema(Schema.newBuilder()
.column("f0", DataTypes.STRING())
.build())
.outputSchema(Schema.newBuilder()
.column("label", DataTypes.STRING())
.build())
.option("task", "classification")
.option("type", "remote")
.option("provider", "openai")
.option("openai.endpoint", "remote")
.option("openai.api_key", "abcdefg")
.build(),
true);
更多信息:
实时 AI 函数
基于模型 DDL,Flink 2.1扩展了ML_PREDICT
表值函数(TVF),支持在 Flink SQL 中实时调用机器学习模型,提供内置兼容 OpenAI API 的模型调用支持,同时开放自定义模型接口,标志着 Flink 从实时数据处理引擎向统一的实时 Data + AI 平台演进。未来将继续扩展 ML_EVALUATE
、VECTOR_SEARCH
等函数,用户可以使用 Flink SQL 更方便地构建端到端实时 AI 工作流。
sql
-- Declare a AI model
CREATE MODEL `my_model`
INPUT (text STRING)
OUTPUT (response STRING)
WITH(
'provider' = 'openai',
'endpoint' = 'https://api.openai.com/v1/llm/v1/chat',
'api-key' = 'abcdefg',
'system-prompt' = 'translate to Chinese',
'model' = 'gpt-4o'
);
-- Basic usage
SELECT * FROM ML_PREDICT(
TABLE input_table,
MODEL my_model,
DESCRIPTOR(text)
);
-- With configuration options
SELECT * FROM ML_PREDICT(
TABLE input_table,
MODEL my_model,
DESCRIPTOR(text)
MAP['async', 'true', 'timeout', '100s']
);
-- Using named parameters
SELECT * FROM ML_PREDICT(
INPUT => TABLE input_table,
MODEL => MODEL my_model,
ARGS => DESCRIPTOR(text),
CONFIG => MAP['async', 'true']
);
更多信息:
Process Table Functions(PTFs)
Apache Flink 现已支持 Process Table Functions(PTFs) ,这是 Flink SQL 与 Table API 中最强大的函数类型。从概念上讲,PTF 是所有 UDF 的"超集",能够将零个、一个或多张表 映射为零个、一个或多行数据。借助 PTFs,你可以实现与内置算子一样功能丰富的自定义算子,并直接访问 Flink 的托管状态、事件时间、定时器以及表级变更日志。
PTFs 支持如下操作:
-
对表的每一行执行转换。
-
可以把一张表从逻辑上拆分成不同子集,并对每个子集分别转换。
-
缓存已见事件,供后续多次访问。
-
在未来某个时间点继续处理,实现等待、同步或超时机制。
-
利用复杂状态机或基于规则的条件逻辑对事件进行缓存与聚合。
这显著缩小了 Flink SQL 与 DataStream API 之间的差距,同时保留了 Flink SQL 生态的健壮性与易用性。
关于 PTFs 的语法与语义细节,详见:Process Table Functions。
示例如下:
java
// Declare a ProcessTableFunction for memorizing your customers
public static class GreetingWithMemory extends ProcessTableFunction<String> {
public static class CountState {
public long counter = 0L;
}
public void eval(@StateHint CountState state, @ArgumentHint(SET_SEMANTIC_TABLE) Row input) {
state.counter++;
collect("Hello " + input.getFieldAs("name") + ", your " + state.counter + " time?");
}
}
TableEnvironment env = TableEnvironment.create(...);
// Call the PTF in Table API
env.fromValues("Bob", "Alice", "Bob")
.as("name")
.partitionBy($("name"))
.process(GreetingWithMemory.class)
.execute()
.print();
// Call the PTF in SQL
env.executeSql("SELECT * FROM GreetingWithMemory(TABLE Names PARTITION BY name)")
.print();
更多信息
Variant 类型
新增VARIANT
半结构化数据类型(如 JSON),支持存储任意嵌套结构(包括基本类型、ARRAY
、MAP
)并保留原始类型信息。相比 ROW
、STRUCTURED
类型,VARIANT
在处理动态 Schema 数据时更灵活。配合 PARSE_JSON
函数及 Apache Paimon 等表格式,可实现湖仓中半结构化数据的高效分析。
sql
CREATE TABLE t1 (
id INTEGER,
v STRING -- a json string
) WITH (
'connector' = 'mysql-cdc',
...
);
CREATE TABLE t2 (
id INTEGER,
v VARIANT
) WITH (
'connector' = 'paimon'
...
);
-- write to t2 with VARIANT type
INSERT INTO t2 SELECT id, PARSE_JSON(v) FROM t1;
更多信息:
Structured 类型增强
支持在CREATE TABLE
语句中直接声明用户定义结构体类型(STRUCTURED),解决类型兼容性问题并提升易用性。
示例:
sql
CREATE TABLE UserTable (
uid BIGINT,
user STRUCTURED<'User', name STRING, age INT>
);
-- Casts a row type into a structured type
INSERT INTO UserTable
SELECT 1, CAST(('Alice', 30) AS STRUCTURED<'User', name STRING, age INT>);
更多信息:
Delta Join
引入一种新的DeltaJoin
算子,相比传统的双流 Join 方案,配合 Apache Fluss 等流存储,可以实现 Join 算子无状态化,解决了大状态导致的资源瓶颈、检查点缓慢和恢复延迟等问题。该特性已默认启用,同时需要依赖 Apache Fluss 存储相应版本支持,敬请关注 Support DeltaJoin on Flink 2.1。
更多信息:
级联双流 Join 优化
使用多个级联流式 Join 的 Flink 作业经常会因 State 过大而导致运行不稳定和性能下降。在这个版本,我们引入了一种新的MultiJoin
算子, 通过在单个算子内直接进行多流 Join,消除中间结果存储,每条流输入的记录最多存储一份,从而实现实现 "零中间状态" ,显著提升了资源利用率与作业稳定性。目前仅支持 INNER、LEFT JOIN ,并且需要通过参数table.optimizer.multi-join.enabled=true
启用。
基准测试 :我们进行了一项基准测试,比较了MultiJoin
与双流 Join 的优势,更多详情请参见 MultiJoin Benchmark。
更多信息:
异步 Lookup Join 增强
异步 Lookup Join 在之前的版本中,即使用户将 table.exec.async-lookup.output-mode
设置为 ALLOW_UNORDERED
,引擎在处理更新流时仍会强制回退到 ORDERED
以保证正确性。从 2.1 版本开始,引擎允许并行处理无关的更新记录,同时保证正确性,从而在处理更新流时实现更高的吞吐。
更多信息:
Sink 节点复用
当单个作业中多个 INSERT INTO
语句更新目标表相同列时(下版本将支持不同列),优化器将自动合并 Sink 节点实现复用,该特性可以极大提升 Apache Paimon 等湖仓格式的部分更新场景使用体验。
更多信息:
Compiled Plan 支持 Smile 格式
新增 Smile 二进制格式(兼容 JSON 格式)用于执行计划序列化,较 JSON 更节省内存。默认仍使用 JSON 格式,需通过显示调用 CompiledPlan#asSmileBytes
和 PlanReference#fromSmileBytes
方法启用。
更多信息:
运行时提升
异步 Sink 可插拔的批量处理
支持自定义批量写入策略,用户可根据业务需求灵活扩展异步 Sink 的批量写入逻辑。
更多信息:
分片级水位线指标
在 Flink 2.1 版本,我们新增细粒度分片监控指标,涵盖水位线进度与状态统计:
-
currentWatermark
:该分片最新接收到的水位线值 -
activeTimeMsPerSecond
:该分片每秒处于数据处理状态的时间(毫秒) -
pausedTimeMsPerSecond
:因水位线对齐该分片每秒的暂停时间(毫秒) -
idleTimeMsPerSecond
:每秒空闲时长(毫秒) -
accumulatedActiveTimeMs
:累计活跃时长(毫秒) -
accumulatedPausedTimeMs
:累计暂停时长(毫秒) -
accumulatedIdleTimeMs
:累计空闲时长(毫秒)
更多信息:
连接器提升
Keyed State 连接器
在 Flink 2.1 中,我们为 Keyed State 引入了一个新的 SQL 连接器。该连接器允许用户使用 Flink SQL 直接查询Checkpoint 和 Savepoint 中的 Keyed State,从而使得更容易探查、调试和验证 Flink 作业状态,无需定制工具,该功能对于分析长期运行的作业和验证状态迁移尤其有用。
plaintext
CREATE TABLE keyed_state (
k INT,
user_id STRING,
balance DOUBLE
) WITH (
'connector' = 'savepoint',
'path' = 'file:///savepoint/path'
);
-- 直接查询状态快照
SELECT * FROM keyed_state;
更多信息:
其他重要更新
-
PyFlink:新增支持 Python 3.12,移除 Python 3.8支持。
-
依赖升级:flink-shaded 升级至 20.0 以支持 Smile 格式,Parquet 升级至 1.15.3 修复安全漏洞(CVE-2025-30065)。
升级说明
Apache Flink 社区努力确保升级过程尽可能平稳, 但是升级到 2.1 版本可能需要用户对现有应用程序做出一些调整。请参考 Release Notes 获取更多的升级时需要的改动与可能的问题列表细节。
贡献者列表
Apache Flink 社区感谢对此版本做出贡献的每一位贡献者:
