360深度实践:Flink 与 Storm 协议级对比

作者:张馨予

本文从数据传输和数据可靠性的角度出发,对比测试了 Storm 与 Flink 在流处理上的性能,并对测试结果进行分析,给出在使用 Flink 时提高性能的建议。

Apache Storm、Apache Spark 和 Apache Flink 都是开源社区中非常活跃的分布式计算平台,在很多公司可能同时使用着其中两种甚至三种。对于实时计算来说,Storm 与 Flink 的底层计算引擎是基于流的,本质上是一条一条的数据进行处理,且处理的模式是流水线模式,即所有的处理进程同时存在,数据在这些进程之间流动处理。而 Spark 是基于批量数据的处理,即一小批一小批的数据进行处理,且处理的逻辑在一批数据准备好之后才会进行计算。在本文中,我们把同样基于流处理的 Storm 和 Flink 拿来做对比测试分析。

在我们做测试之前,调研了一些已有的大数据平台性能测试报告,比如,雅虎的 Streaming-benchmarks,或者 Intel 的 HiBench 等等。除此之外,还有很多的论文也从不同的角度对分布式计算平台进行了测试。虽然这些测试 case 各有不同的侧重点,但他们都用到了同样的两个指标,即吞吐和延迟。吞吐表示单位时间内所能处理的数据量,是可以通过增大并发来提高的。延迟代表处理一条数据所需要的时间,与吞吐量成反比关系。

在我们设计计算逻辑时,首先考虑一下流处理的计算模型。上图是一个简单的流计算模型,在 Source 中将数据取出,发往下游 Task ,并在 Task 中进行处理,最后输出。对于这样的一个计算模型,延迟时间由三部分组成:数据传输时间、 Task 计算时间和数据排队时间。我们假设资源足够,数据不用排队。则延迟时间就只由数据传输时间和 Task 计算时间组成。而在 Task 中处理所需要的时间与用户的逻辑息息相关,所以对于一个计算平台来说,数据传输的时间才更能反映这个计算平台的能力。因此,我们在设计测试 Case 时,为了更好的体现出数据传输的能力,Task 中没有设计任何计算逻辑。

在确定数据源时,我们主要考虑是在进程中直接生成数据,这种方法在很多之前的测试标准中也同样有使用。这样做是因为数据的产生不会受到外界数据源系统的性能限制。但由于在我们公司内部大部分的实时计算数据都来源于 kafka ,所以我们增加了从 kafka 中读取数据的测试。

对于数据传输方式,可以分为两种:进程间的数据传输和进程内的数据传输。

进程间的数据传输是指这条数据会经过序列化、网络传输和反序列化三个步骤。在 Flink 中,2个处理逻辑分布在不同的 TaskManager 上,这两个处理逻辑之间的数据传输就可以叫做进程间的数据传输。Flink 网络传输是采用的 Netty 技术。在 Storm 中,进程间的数据传输是 worker 之间的数据传输。早版本的 storm 网络传输使用的 ZeroMQ,现在也改成了 Netty。

进程内的数据传输是指两个处理逻辑在同一个进程中。在 Flink 中,这两个处理逻辑被 Chain 在了一起,在一个线程中通过方法调用传参的形式进程数据传输。在 Storm 中,两个处理逻辑变成了两个线程,通过一个共享的队列进行数据传输。

Storm 和 Flink 都有各自的可靠性机制。在 Storm 中,使用 ACK 机制来保证数据的可靠性。而在 Flink 中是通过 checkpoint 机制来保证的,这是来源于 chandy-lamport 算法。

事实上 Exactly-once 可靠性的保证跟处理的逻辑和结果输出的设计有关。比如结果要输出到kafka中,而输出到kafka的数据无法回滚,这就无法保证 Exactly-once。我们在测试的时候选用的 at-least-once 语义的可靠性和不保证可靠性两种策略进行测试。

上图是我们测试的环境和各个平台的版本。

上图展示的是 Flink 在自产数据的情况下,不同的传输方式和可靠性的吞吐量:在进程内+不可靠、进程内+可靠、进程间+不可靠、进程间+可靠。可以看到进程内的数据传输是进程间的数据传输的3.8倍。是否开启 checkpoint 机制对 Flink 的吞吐影响并不大。因此我们在使用 Flink 时,进来使用进程内的传输,也就是尽可能的让算子可以 Chain 起来。

那么我们来看一下为什么 Chain 起来的性能好这么多,要如何在写 Flink 代码的过程中让 Flink 的算子 Chain 起来使用进程间的数据传输。

大家知道我们在 Flink 代码时一定会创建一个 env,调用 env 的 disableOperatorChainning() 方法会使得所有的算子都无法 chain 起来。我们一般是在 debug 的时候回调用这个方法,方便调试问题。

如果允许 Chain 的情况下,上图中 Source 和 mapFunction 就会 Chain 起来,放在一个 Task 中计算。反之,如果不允许 Chain,则会放到两个 Task 中。

对于没有 Chain 起来的两个算子,他们被放到了不同的两个 Task 中,那么他们之间的数据传输是这样的:SourceFunction 取到数据序列化后放入内存,然后通过网络传输给 MapFunction 所在的进程,该进程将数据方序列化后使用。

对于 Chain 起来的两个算子,他们被放到同一个Task中,那么这两个算子之间的数据传输则是:SourceFunction 取到数据后,进行一次深拷贝,然后 MapFunction 把深拷贝出来的这个对象作为输入数据。

虽然 Flink 在序列化上做了很多优化,跟不用序列化和不用网络传输的进程内数据传输对比,性能还是差很多。所以我们尽可能的把算子 Chain 起来。

不是任何两个算子都可以 Chain 起来的,要把算子 Chain 起来有很多条件:第一,下游算子只能接受一种上游数据流,比如Map接受的流不能是一条 union 后的流;其次上下游的并发数一定要一样;第二,算子要使用同一个资源 Group,默认是一致的,都是 default;第三,就是之前说的 env 中不能调用 disableOperatorChainning() 方法,最后,上游发送数据的方法是 Forward 的,比如,开发时没有调用 rebalance() 方法,没有 keyby(),没有 boardcast 等。

对比一下自产数据时,使用进程内通信,且不保证数据可靠性的情况下,Flink 与 Storm 的吞吐。在这种情况下,Flink 的性能是 Storm 的15倍。Flink 吞吐能达到2060万条/s。不仅如此,如果在开发时调用了env.getConfig().enableObjectReuse() 方法,Flink 的但并发吞吐能达到4090万条/s。

当调用了 enableObjectReuse 方法后,Flink 会把中间深拷贝的步骤都省略掉,SourceFunction 产生的数据直接作为 MapFunction 的输入。但需要特别注意的是,这个方法不能随便调用,必须要确保下游 Function 只有一种,或者下游的 Function 均不会改变对象内部的值。否则可能会有线程安全的问题。

当对比在不同可靠性策略的情况下,Flink 与 Storm 的表现时,我们发现,保证可靠性对 Flink 的影响非常小,但对 Storm 的影响非常大。总的来说,在保证可靠的情况下,Flink 单并发的吞吐是 Storm 的15倍,而不保证可靠的情况下,Flink 的性能是 Storm 的66倍。会产生这样的结果,主要是因为 Flink 与 Storm 保证数据可靠性的机制不同。

而 Storm 的 ACK 机制为了保证数据的可靠性,开销更大。

左边的图展示的是 Storm 的 ACK 机制。Spout 每发送一条数据到 Bolt,就会产生一条 ACK 的信息给 ACKer ,当 Bolt 处理完这条数据后也会发送 ACK 信息给 ACKer。当 ACKer 收到这条数据的所有 ACK 信息时,会回复 Spout 一条 ACK 信息。也就是说,对于一个只有两级(spout+bolt)的拓扑来说,每发送一条数据,就会传输3条 ACK 信息。这3条 ACK 信息则是为了保证可靠性所需要的开销。

右边的图展示的是 Flink 的 Checkpoint 机制。Flink 中 Checkpoint 信息的发起者是 JobManager。它不像 Storm 中那样,每条信息都会有 ACK 信息的开销,而且按时间来计算花销。用户可以设置做 checkpoint 的频率,比如10秒钟做一次 checkpoint。每做一次 checkpoint,花销只有从 Source 发往 map 的1条 checkpoint 信息(JobManager 发出来的 checkpoint 信息走的是控制流,与数据流无关)。与 Storm 相比,Flink 的可靠性机制开销要低得多。这也就是为什么保证可靠性对 Flink 的性能影响较小,而 Storm 的影响确很大的原因。

最后一组自产数据的测试结果对比是 Flink 与 Storm 在进程间的数据传输的对比,可以看到进程间数据传输的情况下,Flink 但并发吞吐是 Storm 的4.7倍。保证可靠性的情况下,是 Storm 的14倍。

上图展示的是消费 kafka 中数据时,Storm 与 Flink 的但并发吞吐情况。因为消费的是 kafka 中的数据,所以吞吐量肯定会收到 kafka 的影响。我们发现性能的瓶颈是在 SourceFunction 上,于是增加了 topic 的 partition 数和 SourceFunction 取数据线程的并发数,但是 MapFunction 的并发数仍然是1.在这种情况下,我们发现 Flink 的瓶颈转移到上游往下游发数据的地方。而 Storm 的瓶颈确是在下游收数据反序列化的地方。

之前的性能分析使我们基于数据传输和数据可靠性的角度出发,单纯的对 Flink 与 Storm 计算平台本身进行了性能分析。但实际使用时,task 是肯定有计算逻辑的,这就势必更多的涉及到 CPU,内存等资源问题。我们将来打算做一个智能分析平台,对用户的作业进行性能分析。通过收集到的指标信息,分析出作业的瓶颈在哪,并给出优化建议。

你可能感兴趣的:(大数据处理,大数据,flink)