本文首發於泊浮目的語雀:https://www.yuque.com/17sing
| 版本 | 日期 | 備註 |
|---|---|---|
| 1.0 | 2022.3.16 | 文章首發 |
0.背景：Dataflow之前
在Dataflow相關的論文發表前，大家都往往認為需要兩套API來實現流計算和批計算，典型的實現便是Lambda架構。
由於早期的流處理框架並不支援Exactly Once，導致流處理的資料並不精準。在這個基礎上，一旦資料出現問題，則要導致大量的資料重放——這是因為事件往往是有時序要求的。因此，Lambda往往會通過流處理框架獲取不是特別精準的結果，同時也會定時執行批處理程式，來獲取更精準的結果——當更精準的結果出來時，我們就不需要前者了。
但這也帶來的新的問題，所有的檢視都需要流、批處理層各做一次，程式碼也要寫兩套，這帶來了資料口徑不同。可以說是在計算機資源以及人力資源上至少加了兩倍的開銷。
Kappa提出了將所有資料落到Kafka上，將儲存模型與計算模型統一，但犧牲了時間——當資料量大時，回溯計算的壓力巨大。
直到The dataflow model: a practical approach to balancing correctness, latency, and cost in massive-scale, unbounded, out-of-order data processing發表後，流與批有望在程式設計模型上統一， 上述相關的問題得以緩解。
1. Flink的實現
Flink比起其他的流處理框架，更優在兩點：
- 遵循Dataflow模型，在程式設計模型上統一流批一體
- 改進Chandy-Lamport演算法，以更低的代價保證精準一次的實現
1.1 程式設計模型統一的背後
程式設計模型的統一具體體現在Flink SQL以及DataStream上。我們可以用相同的SQL or 幾乎相同的程式碼跑流與批的任務。尤其是SQL，比起DataStream在宣告式上更甚。因此使用者在使用它們時，僅僅需要描述自己想要什麼，而不是自己要做什麼。具體做什麼的事，Flink框架會幫你搞定。
在Flink框架上，目前主要解決了以下問題：
- IO模型：批處理會更加關注吞吐，因此是pull模型；而流處理更加關注實時性，因此是push模型。基於這個條件，Source運算元需要同時支援兩種模型來適應不同的計算模式。詳細見 FLIP-27: Refactor Source Interface。
- 排程策略：批處理的運算元並不需要同時線上，前一批的運算元完成後再排程後一批運算元即可——由於計算資源往往比儲存資源昂貴，這是一個很不錯的優化方案。當然在資源充足的情況下，追求效能也可以不考慮這種策略；但流處理的作業需要作業啟動時就全部被排程。因此，StreamGraph需要同時支援這兩種模式——即LazyScheduling和EagerScheduling。
- 批流的銜接：假如我們要分析近30天的資料，大多數情況下都是29天的離線資料加上最近一天的實時資料，如何保證銜接時資料不多也不少，其實是個麻煩的事情，在不少工程實踐中會用一些比較hacks的方法。好在Flink1.4中引入了
Hybrid Source來簡化這件事—— FLIP-150: Introduce Hybrid Source。
1.2 Checkpoint不是銀彈
Checkpoint是Flink框架中重要的容錯機制，它的一個前提要求是資料來源可重複讀。在數倉場景下，雖然絕大多數情況下資料都不會發生變化——但也會有冷資料處理機制以及一些merge發生。這將對資料可重讀造成一定的挑戰。另外，在筆者負責的產品QMatrix中，對資料庫做全量遷移時也會遇到類似的挑戰：T1時刻讀到的全量資料為集合1，而T2時刻讀到的全量資料則為集合2。而MVVC也只能維持在一個session中。
上面描述的是在資料來源要考慮的容錯條件。在資料已經全部流入任務時，容錯機制也需要重新考慮——儘量避免重複讀取資料來源以及上游任務的重算。因此社群引入了可插拔的Shuffle Service來提供Shuffle資料的持久用以支援細粒度的容錯恢復——FLIP-31: Pluggable Shuffle Service。
2. 剩下的問題：資料來源不統一
上述流批銜接的前提是資料來源被分為了流資料來源和批資料來源。那麼口徑便是不統一的，這會帶來一些對接成本。
目前流行的方案會採用資料湖（如IceBerg、Hudi、DeltaLake）來做流批資料的統一，並且由於大多資料湖都支援Time Travel，離線資料的可重複讀問題也順帶解決。
另外，Pravega這種以流批一體儲存為設計目標的軟體可能也是解決方案之一。
3. 小結
在本文中，筆者和大家一起了解了流批一體的來源，以及Flink社群在流批一體中做出的努力。此外，我們也看到了有些問題並不是Flink這個框架可以解決的，需要整個大資料生態來一起演進，走向流批一體。
在文章的最後，感謝餘空同學的交流與指導，我們一起寫出了這篇文章。