Apache Flink 2.1.0: 面向实时 Data + AI 全面升级,开启智能流处理新纪元

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

  1. 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。

  2. 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DeltaJoinMultiJoin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!

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 复制代码
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 复制代码
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_EVALUATEVECTOR_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 复制代码
-- 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 复制代码
// 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、ARRAYMAP)并保留原始类型信息。相比 ROWSTRUCTURED 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 复制代码
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 复制代码
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#asSmileBytesPlanReference#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 复制代码
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:

相关推荐
微学AI5 小时前
时序数据库选型指南:工业大数据场景下基于Apache IoTDB技术价值与实践路径
大数据·apache·时序数据库
lingling0098 小时前
颐顿机电携手观远BI数据:以数据驱动决策,领跑先进制造智能化升级
大数据·人工智能·制造
b***25118 小时前
电池自动生产线:科技赋能下的高效制造新范式
大数据·人工智能
哈哈很哈哈11 小时前
Hadoop JMX 配置的完整文档
大数据·hadoop·分布式
Dragon online12 小时前
数据仓库深度探索系列:架构选择与体系构建
大数据·数据仓库·分布式·架构·spark·大数据架构·数仓架构
数据要素X12 小时前
【数据架构08】数字化转型架构篇
大数据·数据库·数据仓库·架构·数据库架构
黄雪超14 小时前
Kafka——关于主题管理
大数据·分布式·kafka
阿里云大数据AI技术14 小时前
【跨国数仓迁移最佳实践4】MaxCompute 企业级能力升级:跨域访问控制与数据安全特性增强
大数据·人工智能·云计算
天天讯通15 小时前
机器人系统对接线索平台好处
大数据·数据库·人工智能·机器人·语音识别
2501_9248776216 小时前
智慧零售商品识别准确率↑32%:陌讯多模态融合算法实战解析
大数据·算法·目标检测·计算机视觉·视觉检测·边缘计算