Flink原理與實現：架構和拓撲概覽

jark發表於2016-07-19
架構

架構

要了解一個系統，一般都是從架構開始。我們關心的問題是：系統部署成功後各個節點都啟動了哪些服務，各個服務之間又是怎麼互動和協調的。下方是 Flink 叢集啟動後架構圖。

當 Flink 叢集啟動後，首先會啟動一個 JobManger 和一個或多個的 TaskManager。由 Client 提交任務給 JobManager，JobManager 再排程任務到各個 TaskManager 去執行，然後 TaskManager 將心跳和統計資訊彙報給 JobManager。TaskManager 之間以流的形式進行資料的傳輸。上述三者均為獨立的 JVM 程式。

  • Client 為提交 Job 的客戶端，可以是執行在任何機器上（與 JobManager 環境連通即可）。提交 Job 後，Client 可以結束程式（Streaming的任務），也可以不結束並等待結果返回。
  • JobManager 主要負責排程 Job 並協調 Task 做 checkpoint，職責上很像 Storm 的 Nimbus。從 Client 處接收到 Job 和 JAR 包等資源後，會生成優化後的執行計劃，並以 Task 的單元排程到各個 TaskManager 去執行。
  • TaskManager 在啟動的時候就設定好了槽位數（Slot），每個 slot 能啟動一個 Task，Task 為執行緒。從 JobManager 處接收需要部署的 Task，部署啟動後，與自己的上游建立 Netty 連線，接收資料並處理。

可以看到 Flink 的任務排程是多執行緒模型，並且不同Job/Task混合在一個 TaskManager 程式中。雖然這種方式可以有效提高 CPU 利用率，但是個人不太喜歡這種設計，因為不僅缺乏資源隔離機制，同時也不方便除錯。類似 Storm 的程式模型，一個JVM 中只跑該 Job 的 Tasks 實際應用中更為合理。

Job 例子

本文所示例子為 flink-1.0.x 版本

我們使用 Flink 自帶的 examples 包中的 SocketTextStreamWordCount，這是一個從 socket 流中統計單詞出現次數的例子。

  • 首先，使用 netcat 啟動本地伺服器：

    $ nc -l 9000

  • 然後提交 Flink 程式

    $ bin/flink run examples/streaming/SocketTextStreamWordCount.jar 
  --hostname 10.218.130.9 
  --port 9000

在netcat端輸入單詞並監控 taskmanager 的輸出可以看到單詞統計的結果。

SocketTextStreamWordCount 的具體程式碼如下：

public static void main(String[] args) throws Exception {
    // 檢查輸入
    final ParameterTool params = ParameterTool.fromArgs(args);
    ...

    // set up the execution environment
    final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

    // get input data
    DataStream<String> text =
            env.socketTextStream(params.get("hostname"), params.getInt("port"), `
`, 0);

    DataStream<Tuple2<String, Integer>> counts =
            // split up the lines in pairs (2-tuples) containing: (word,1)
            text.flatMap(new Tokenizer())
                    // group by the tuple field "0" and sum up tuple field "1"
                    .keyBy(0)
                    .sum(1);
    counts.print();
    
    // execute program
    env.execute("WordCount from SocketTextStream Example");
}

我們將最後一行程式碼 env.execute 替換成 System.out.println(env.getExecutionPlan()); 並在本地執行該程式碼（併發度設為2），可以得到該拓撲的邏輯執行計劃圖的 JSON 串，將該 JSON 串貼上到 http://flink.apache.org/visualizer/ 中，能視覺化該執行圖。

但這並不是最終在 Flink 中執行的執行圖，只是一個表示拓撲節點關係的計劃圖，在 Flink 中對應了 SteramGraph。另外，提交拓撲後（併發度設為2）還能在 UI 中看到另一張執行計劃圖，如下所示，該圖對應了 Flink 中的 JobGraph。

Graph

看起來有點亂，怎麼有這麼多不一樣的圖。實際上，還有更多的圖。Flink 中的執行圖可以分成四層：StreamGraph -> JobGraph -> ExecutionGraph -> 物理執行圖。

  • StreamGraph：是根據使用者通過 Stream API 編寫的程式碼生成的最初的圖。用來表示程式的拓撲結構。
  • JobGraph：StreamGraph經過優化後生成了 JobGraph，提交給 JobManager 的資料結構。主要的優化為，將多個符合條件的節點 chain 在一起作為一個節點，這樣可以減少資料在節點之間流動所需要的序列化/反序列化/傳輸消耗。
  • ExecutionGraph：JobManager 根據 JobGraph 生成的分散式執行圖，是排程層最核心的資料結構。
  • 物理執行圖：JobManager 根據 ExecutionGraph 對 Job 進行排程後，在各個TaskManager 上部署 Task 後形成的“圖”，並不是一個具體的資料結構。

例如上文中的2個併發度（Source為1個併發度）的 SocketTextStreamWordCount 四層執行圖的演變過程如下圖所示（點選檢視大圖）：

這裡對一些名詞進行簡單的解釋。

  • StreamGraph：根據使用者通過 Stream API 編寫的程式碼生成的最初的圖。

    • StreamNode：用來代表 operator 的類，並具有所有相關的屬性，如併發度、入邊和出邊等。
    • StreamEdge：表示連線兩個StreamNode的邊。

  • JobGraph：StreamGraph經過優化後生成了 JobGraph，提交給 JobManager 的資料結構。

    • JobVertex：經過優化後符合條件的多個StreamNode可能會chain在一起生成一個JobVertex，即一個JobVertex包含一個或多個operator，JobVertex的輸入是JobEdge，輸出是IntermediateDataSet。
    • IntermediateDataSet：表示JobVertex的輸出，即經過operator處理產生的資料集。producer是JobVertex，consumer是JobEdge。
    • JobEdge：代表了job graph中的一條資料傳輸通道。source 是 IntermediateDataSet，target 是 JobVertex。即資料通過JobEdge由IntermediateDataSet傳遞給目標JobVertex。

  • ExecutionGraph：JobManager 根據 JobGraph 生成的分散式執行圖，是排程層最核心的資料結構。

    • ExecutionJobVertex：和JobGraph中的JobVertex一一對應。每一個ExecutionJobVertex都有和併發度一樣多的 ExecutionVertex。
    • ExecutionVertex：表示ExecutionJobVertex的其中一個併發子任務，輸入是ExecutionEdge，輸出是IntermediateResultPartition。
    • IntermediateResult：和JobGraph中的IntermediateDataSet一一對應。每一個IntermediateResult有與下游ExecutionJobVertex相同併發數的IntermediateResultPartition。
    • IntermediateResultPartition：表示ExecutionVertex的一個輸出分割槽，producer是ExecutionVertex，consumer是若干個ExecutionEdge。
    • ExecutionEdge：表示ExecutionVertex的輸入，source是IntermediateResultPartition，target是ExecutionVertex。source和target都只能是一個。
    • Execution：是執行一個 ExecutionVertex 的一次嘗試。當發生故障或者資料需要重算的情況下 ExecutionVertex 可能會有多個 ExecutionAttemptID。一個 Execution 通過 ExecutionAttemptID 來唯一標識。JM和TM之間關於 task 的部署和 task status 的更新都是通過 ExecutionAttemptID 來確定訊息接受者。

  • 物理執行圖：JobManager 根據 ExecutionGraph 對 Job 進行排程後，在各個TaskManager 上部署 Task 後形成的“圖”，並不是一個具體的資料結構。

    • Task：Execution被排程後在分配的 TaskManager 中啟動對應的 Task。Task 包裹了具有使用者執行邏輯的 operator。
    • ResultPartition：代表由一個Task的生成的資料，和ExecutionGraph中的IntermediateResultPartition一一對應。
    • ResultSubpartition：是ResultPartition的一個子分割槽。每個ResultPartition包含多個ResultSubpartition，其數目要由下游消費 Task 數和 DistributionPattern 來決定。
    • InputGate：代表Task的輸入封裝，和JobGraph中JobEdge一一對應。每個InputGate消費了一個或多個的ResultPartition。
    • InputChannel：每個InputGate會包含一個以上的InputChannel，和ExecutionGraph中的ExecutionEdge一一對應，也和ResultSubpartition一對一地相連，即一個InputChannel接收一個ResultSubpartition的輸出。

那麼 Flink 為什麼要設計這4張圖呢，其目的是什麼呢？Spark 中也有多張圖，資料依賴圖以及物理執行的DAG。其目的都是一樣的，就是解耦，每張圖各司其職，每張圖對應了 Job 不同的階段，更方便做該階段的事情。我們給出更完整的 Flink Graph 的層次圖。

首先我們看到，JobGraph 之上除了 StreamGraph 還有 OptimizedPlan。OptimizedPlan 是由 Batch API 轉換而來的。StreamGraph 是由 Stream API 轉換而來的。為什麼 API 不直接轉換成 JobGraph？因為，Batch 和 Stream 的圖結構和優化方法有很大的區別，比如 Batch 有很多執行前的預分析用來優化圖的執行，而這種優化並不普適於 Stream，所以通過 OptimizedPlan 來做 Batch 的優化會更方便和清晰，也不會影響 Stream。JobGraph 的責任就是統一 Batch 和 Stream 的圖，用來描述清楚一個拓撲圖的結構，並且做了 chaining 的優化，chaining 是普適於 Batch 和 Stream 的，所以在這一層做掉。ExecutionGraph 的責任是方便排程和各個 tasks 狀態的監控和跟蹤，所以 ExecutionGraph 是並行化的 JobGraph。而“物理執行圖”就是最終分散式在各個機器上執行著的tasks了。所以可以看到，這種解耦方式極大地方便了我們在各個層所做的工作，各個層之間是相互隔離的。

後續的文章，將會詳細介紹 Flink 是如何生成這些執行圖的。由於我目前關注 Flink 的流處理功能，所以主要有以下內容：

  1. 如何生成 StreamGraph
  2. 如何生成 JobGraph
  3. 如何生成 ExecutionGraph
  4. 如何進行排程（如何生成物理執行圖）


相關文章