Flink的容错机制，状态一致性基本概念

1 状态一致性

      当在分布式系统中引入状态时，自然引入了一致性问题。一致性实际上是“正确性级别”的另一种说法，也就是说在成功处理故障并恢复之后得到的结果，与没有发生任何故障时得到的结果相比，前者到底有多正确？举例来说，假设要对最近一小时登录的用户计数。在系.统经历故障之后，计数结果是多少？如果有偏差，是有漏掉的计数还是重复计数？

1.1 基本概念

      有状态的流处理，内部算子任务都可以有自己的状态。对于流处理器内部来说，所谓的状态一致性，其实就是我们所说的计算结果要保证准确。一条数据不应该丢失，也不应该重复计算。在遇道故障时可以恢复状态，恢复之后重复计算，结果应该也是完全正确的。

1.2 一致性级别

      在流处理中，一致性可以分为3个级别：
      ①at-most-once（最多一次）：当任务故障时，最简单的做法就是什么都不干，既不恢复丢失的状态，也不重传丢失的数据。at-most-once语义的含义是最多处理一次事件。
      ② at-least-once（至少一次）：在大多数的真实应用场景，我们希望不丢失事件。这种类型的保障称为at-least-once，意思是所有的事件都得到了处理，而一些事件还可能被处理多次。
      ③exactly-once（恰好一次）：恰好处理一次是最严格的保证，也是最难实现的。恰好处理一次语义不仅仅意味着没有事件丢失，还意味着针对于每一个数据，内部状态仅仅更新一次。
      曾经，at-least-once非常流行。第一代流处理器（如storm和Samza）刚问世时只保证at-least-once，原因有二。
      ①保证exactly-once的系统实现起来很复杂。这在基础架构层（决定什么代表正确，以及exactly-once的范围是什么）和实现层都有很大的挑战性。
      ②流处理系统的早期用户愿意接受框架的局限性，并在应用层想办法弥补（例如使应用程序具有幂等性，或者用批量计算层再做一遍计算）。
      最先保证exactly-once的系统（storm trident和spark streaming）在性能和表现力这两个方面付出了很大的代价。为了保证exactly-once，这些系统无法单独地对每条记录运用应用逻辑，而是同时处理多条（一批）记录，保证对每一批数据的处理要么全部成功，要么全部失败。这就导致在得到结果前，必须等待一批记录处理结束。因此，用户经常不得不使用两个流处理框架（一个用来保证exactly-once，另一个用来对每个元素做低延迟处理），这样做使得基础设施更加复杂。因此，用户不得不在保证exactly-once与获得低延迟和效率之间权衡利弊。然而，Flink避免了这种权衡。
      Flink的一个重大价值在于，它既保证了exactly-once，也具有低延迟和高吞吐的处理能力。从根本上说，Flink通过自身满足所有需求来避免权衡，它是业界的一次重大意义的技术飞跃。

1.3 端到端（end to end）状态一致性

      目前我们看到的一致性保证都是由流处理器实现的，也就是说都是在Flink流处理器内部保证的；而在真实应用中，流处理应用除了流处理器以外还包含了数据源（例如Kafka）和输出到持久化系统。
      端到端的一致性保证，意味着结果的正确性贯穿了整个流处理应用的始终；每个组件都保证了它自己的一致性，整个端到端的一致性级别取决于所有组件中一致性最弱的组件。
      具体划分如下：
      ①内部保证——依赖checkpoint
      ②Source端——需要外部源重设数据的读取位置
      ③Sink端——需要保证从故障恢复时，数据不会重复写入外部系统。
      而对于Sink端，又有两种具体的实现方式：幂等（Idempotent）写入和事务性（Transactional）写入。
      ①幂等写入：所谓幂等操作，是说一个操作，可以重复执行很多次，但只导致一次结果 更改，也就是说，后面再重复执行就不起作用了。
      ②事务写入：应用程序中一系列严密的操作，所有操作必须成功完成，否则在每个操作中所做的所有更改全部被撤销。即具有原子性，一个事务中的一系列操作要么全部成功，要么全部失败。
      事务写入的实现思想：需要构建事务来写入外部系统，构建的事务对应着checkpoint，等到checkpoint真正完成的时候，才把所有对应的结果写入Sink系统中。
      对于事务性写入，具体又有两种实现方式：预写日志（WAL）和两阶段提交（2PC）。
      ①预写日志（Write-Ahead-Log,WAL）
      a.把结果数据先当成状态保存，然后在收到checkpoint完成的通知时，一次性写入sink系统。
      b.简单易于实现，由于数据提前在状态后端中做了缓存，所以无论什么sink系统，都能用这种方式一批搞定。
      c.DataStream API提供了一个模板类GenericWriteAheadSink来实现这种事务性sink。
      缺点：当checkpoint过程出现故障，需要恢复数据时，只能恢复到上一个checkpoint，出现问题的checkpoint的数据被一部分预写到日志里。这样在恢复时，就会导致一部分数据地多次消费。
      ②两阶段提交（Two-Phase-Commit,2PC）
      a.对于每个checkpoint，sink任务会启动一个事务，并将接下来所有接收的数据添加到事务里。
      b.然后，将这些数据写入外部系统，但不提交它们——这时只是“预提交”。
      c.这种方式真正实现了exactly-once，它需要一个提供事务支持的外部sink系统。Flink提供了TwoPhaseCommitSinkFunction接口。
      2PC 对外部sink系统的要求：
      a.外部sink系统必须提供事务支持，或者sink任务必须能够模拟外部系统上的事务。
      b.在checkpoint的间隔期间，必须能够开启一个事务并接受数据写入。
      c.在收到checkpoint完成的通知之前，事务必须是“等待提交”的状态。在故障恢复的情况下，这可能需要一些时间。如果这个时候sink系统关闭事务（例如超时了），那么未提交的数据就会丢失（采用sink系统重试时间要大于checkpoint时间来避免）。
      d.Sink任务必须能够在进程失败后恢复事务。
      e.提交事务必须是幂等操作。
      不同source和sink的一致性保证可以用下表说明：

 

2 检查点（checkpoint）

2.1 一致性检查点

      Flink故障恢复机制的核心就是应用状态的一致性检查点。有状态流应用的一致检查点，其实就是所有任务的状态，在某个时间点的一份拷贝（一份快照）；这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候。
      在执行流应用程序期间，Flink会定期保存状态的一致检查点。如果发生故障，Flink将会使用最近的检查点来一致恢复应用程序的状态，并重新启动处理流程。下图中，当处理到数据7时，应用挂掉了。

      Step1：遇到故障之后，第一步就是重启应用。

      Step2：从checkpoint中读取状态，将状态重置。从检查点重新启动应用程序后，其内部状态与检查点完成时的状态完全相同。下图中，应用重启后，恢复到最近一次检查点状态（即所有算子处理完数据5之后的状态）。

      Step3：开始消费并处理检查点到发生故障之间的所有数据。这种检查点的保存和回复机制可以为应用程序状态提供“精确一次”（exactly-once）的一致性，因为所有算子都会保存检查点并恢复其所有状态，这样一来所有的输入流就会被重置到检查点完成时的位置。

      检查点的实现算法：
      ①简单的想法：暂停应用，保存状态到检查点，再重新恢复应用。（开销比较大，需要把暂停应用的所有任务）
      ②Flink改进实现：基于Chandy-Lamport算法的分布式快照。将检查点的曹村和数据处理分离开，不暂停整个应用。

2.2 Flink检查点算法——基于Chandy-Lamport分布式快照算法的异步分界线快照（Asynchronous Barrier Snapshotting）算法

      Flink引入了检查点分界线（checkpoint barrier），其作用如下：
      ①Flink的检查点算法用到了一种称为分界线（barrier）的特殊数据形式，用来把一条流上数据按照不同的检查点分开。
      ②分界线之前到来的数据导致的状态更改，都会被包含在当前分界线所述的检查点中；而基于分界线之后的数据导致的所有更改，就会被包含在之后的检查点中。
      接下来，继续讨论Flink检查点算法。现在是一个有两个输入流的应用程序，用并行的两个source任务来读取。

      JobManager会向每个source任务发送一条带有新检查点ID的消息，通过这种方式来启动检查点。

      数据源source将它们的状态写入检查点，并发出检查点barrier。StateBacknd在状态存入检查点之后，会返回通知给source任务，source任务就会向JobManager确认检查点完成（异步操作）。

      分界线对齐：barrier向下游传递，sum任务会等待所有输入分区的barrier到达。对于barrier已经到达的分区，继续到达的数据会被缓存。而barrier尚未到达的分区，数据会被正常处理。

 
      当收到所有输入分区的barrier时，任务就会将其状态异步保存到StateBackend的检查点中，然后将barrier继续向下游转发。

      向下游转发检查点barrier后，任务继续正常的数据处理。

      Sink任务向JobManager确认状态后保存到checkpoint完毕（异步操作）。当所有任务都确认已经成功将状态保存到检查点时，检查点就真正完成了。

3 保存点（savepoint）

      另外，Flink还提供了可以自定义的镜像保存功能，就是保存点（savepoint）。原则上，常见保存点使用的算法与检查点完全相同，因此保存点可以认为就是具有一些额外元数据的检查点。Flink不会自动创建保存带你，因此用户（或者外部调度程序）必须明确地触发创建操作。保存点是一个强大的功能。除了故障恢复外，保存点还有以下功能：
      ①应用程序代码升级：假设你在已经处于运行状态的应用程序中发现了一个 bug，并且希望之后的事件都可以用修复后的新版本来处理。通过触发保存点并从该保存点处运行新版本，下游的应用程序并不会察觉到不同（当然，被更新的部分除外）。
      ②Flink版本更新：Flink自身的更新也变得简单，因为可以针对正在运行的任务触发保存点，并从保存点处用新版本的Flink重启任务。
      ③维护和迁移：使用保存点，可以轻松地“暂停和恢复”应用程序。这对于集群维护以及向新集群迁移的作业来说尤其有用。此外，它还有利于开发、测试和调试，因为不需要重播整个事件流。
      ④假设模拟与恢复：在可控的点上运行其他的应用逻辑，以模拟假设的场景，这样做在很多时候非常有用。
      ⑤A/B 测试：从同一个保存点开始，并行地运行应用程序的两个版本，有助于进行 A/B 测试。

4 Flink+Kafka如何实现端到端的exactly-once语义

      端到端的状态一致性地实现，需要每一个组件都实现，对于Flink+Kafka的数据管道系统（Kafka进，Kafka出）而言，各组件怎样保证exactly-once语义呢？
      内部——利用checkpoint机制，把状态存盘，发生故障的时候可以恢复，保证内部的状态一致性。
      Source——kafka consumer作为source，可以将偏移量保存下来，如果后续任务出现了故障，恢复的时候可以由连接器重置偏移量，重新消费数据，保证一致性。
      Sink——kafka producer作为sink，采用两阶段提交sink，需要实现一个TwoPhaseCommitSinkFunction。
      内部的checkpoint机制，我们已经有了了解，那source和sink具体优势怎样运行的呢？接下来，我们逐步做一个分析。
      我们知道Flink有JobManager协调各个TaskManager运行checkpoint存储，checkpoint保存在StateBackend中，默认StateBackend是内存级的，也可以改为文件级的进行持久化保存。

      当checkpoint启动时，JobManager会将检查点分界线（barrier）注入数据流；barrier会在算子件传递下去。

      每个算子会对当前的状态做一个快照，保存到StateBackend。对于source任务而言，就会把当前的offset作为状态保存起来。下次从checkpoint恢复时，source任务可以重新提交偏移量，从上次保存的位置开始重新消费数据。

      每个内部的算子任务遇到barrier时，都会把状态保存到checkpoint里。
      Sink任务首先把数据写入外部kafka，这些数据都属于预提交的事务（还不能被消费）；当遇到barrier时，把状态保存到StateBackend，并开启新的预提交事务。

      当所有算子任务的快照完成，也就是这次的checkpoint完成时，JobManager会向所有任务发通知，确认这次checkpoint完成。
      当sink任务接收到确认通知，就会正式提交之前的事务，kafka中未确认的数据就改为“已确认”，数据就真正可以被消费了。

      所以我们看到，执行过程实际上是一个两段式提交，每个算子执行完成，会进行“预提交”，直到执行完sink操作，会发起“确认提交”，如果执行失败，预提交会被放弃掉。
      具体的两阶段提交步骤总结如下：
      Step1：第一条数据来了之后，开启一个kafka的事务（transaction），正常写入kafka分区日志但标记为未提交，这就是“预提交”。
      Step2：JobManager触发checkpoint操作，barrier从source开始向下传递，遇到barrier的算子将状态存入StateBackend，并通知JobManager。
      Step3：Sink连接器收到barrier，保存当前状态，存入checkpoint，通知JobManager，并开启下一阶段的事务，用于提交下一个检查点的数据。
      Step4：JobManager收到所有任务的通知，发出确认信息，表示checkpoint完成。
      Step5：Sink任务收到JobManager的确认信息，正是提交这段时间的数据。
      Step6：外部kafka关闭事务，提交的数据可以正常消费了。
      因此，如果宕机需要通过StateBackend进行恢复，只能恢复所有确认提交的操作。