记录一次问题解决的过程。
生产中有个设备运行状态持续时间计算的任务，当设备的数据量由1000+加到8000+，每秒采集一次的设备的状态和各项指标发送到kafka给到flink进行处理。状态持续时间计算的算子中状态的checkpoint频繁超时，监控显示当个TaskManager的状态达2G，RocksDB的写入延迟飙升到几百毫秒。业务方反馈统计滞后越来越严重。
-
定位根因 ：通过Flink UI中的SubTask分析State Size，发现
MapState占了90%的状态量。检查代码发现，每次状态变更都追加时间戳，但从未清理过期数据------实际上只需要知道当前状态的开始时间，完全不需要保存历史时间戳。 -
重构状态结构 ：将
MapState<Long, Long>改为ValueState<StatusRecord>，其中StatusRecord只存两个字段：currentStatus和statusStartTime。这样每个设备只存一个对象，状态量从每台上千个时间戳骤降到1个。 -
设置TTL ：使用
StateTtlConfig为ValueState设置24小时TTL，并将cleanupStrategies设为基于RocksDB的Compaction过滤，避免由于惰性清理导致状态无限残留。 -
优化RocksDB参数 ：将
state.backend.rocksdb.writebuffer.size从32MB调到64MB，开启增量Checkpoint，缩短快照时间。
通过修改以上参数，重启flink集群及任务后，问题得到了解决。