Flink：状态管理和容错机制

Table of Contents

Flink中的状态

flink状态是什么？

Keyed State 和 Operator State

原始状态和托管状态

如何使用Managed Keyed State

状态的生命周期（TTL）

如何使用Managed Operator  State

容错机制

什么是checkpoint

checkpoint算法

如何使用checkpoint

启用checkpoint

相关配置选项

---

---

Flink中的状态

flink状态是什么？

flink的状态，简单来说，就是有状态函数或者算子在处理数据时，保存在本地的一个变量，这个变量可以是自定义结构的数据，用于记录计算时产生的结果，或者其他的数据。有状态的操作在对每条数据进行处理时，会基于状态计算或更新状态信息，如下图：

 

基于状态，flink可以使用更加精细的操作，如：

• 可以在状态中保存所有元素，使应用可以在状态中查找数据。
• 可以在状态中保存聚合操作的结果，如reduce算子计算的结果、窗口聚合函数的结果等。
• 在数据流上训练机器学习模型时，使用状态保存模型参数的当前版本。
• 可以在状态中保存历史数据，提高管理历史数据的效率。

flink的状态首先运行在内存中，定期被保存到checkpoint中（checkpoints保存在本地文件系统），防止意外中断导致的数据丢失。同时也可以使用savepoints手动将状态保存稳定的文件系统中，如hdfs、S3等。

Keyed State 和 Operator State

首先，flink中的state分为两种：Keyed State 和 Operator State。

Keyed State：keyed state始终与key相关，所以只能在KeyedStream的函数和算子中使用keyed state。可以理解为，KeyedStream的算子或者函数按照key将数据流进行分区，每个key就是一个分区，而每个分区都保存着一个的keyed state。

以后版本中，可能会将keyed state改为Key Groups，Key Groups就是一个flink实例被分配到的所有key的组合。所以Key Groups的数量等于设置的并行度。

Operator State：Operator State即non-keyed state。算子操作或者非键控函数的每个并行任务都会绑定一个Operator State。如kafka连接器就是一个很好的例子：kafka消费者的每个分区都会维护一个map类型的数据，作为状态保存topic、分区和offset。当并行度发生变化时，Operator State支持重新分配状态。

原始状态和托管状态

keyed state和Operator State可以有两种形式存在：managed (托管)和raw（原始）。

Managed State：Managed State在运行时由flink控制，保存在哈希表、RocksDB等结构化数据中。如ValueState、ListState。flink会对Managed State编码，并写入checkpoint。

Raw State：Raw State是以自定义的数据类型保存的状态信息。在写入checkpoint时，作为二进制序列写入checkpoint中。所以flink不知道Operator State的数据结构，只能获得原始的二进制序列。通常情况下，使用managed state居多。

所有的flink函数都可以使用Managed State，但是如果需要使用Raw State，则需要在函数内实现相应的接口。相较于Raw State，官方更推荐使用Managed State，使用Managed State时，支持修改并行度后自动重新分配状态，且具备更完善的内存管理。

注意：如果使用Managed State时需要自定义序列化器。参考：https://ci.apache.org/projects/flink/flink-docs-release-1.10/dev/stream/state/custom_serialization.html

如何使用Managed Keyed State

上面说到，flink的状态可以保存所有元素、聚合结果、历史数据等，flink提供了相应的接口以实现这些功能。另外，keyed state顾名思义，必须在stream.keyBy(…)之后使用，否则会报错。

下面是flink提供的状态数据类型：

ValueState: 仅保存一个可更新、可检索的值。作用域为输入元素的键，即每个key保存一个类型的状态。可以使用update(T)方法更新状态，或使用value()方法获取状态。

ListState: 保存一个列表的状态。可以对这个列表进行追加写或者检索。使用add(T)或者addAll(List)方法添加数据。使用get()方法可获得一个可迭代对象，可以在这个对象中检索数据。也可以使用update(List)覆盖所有的数据。

ReducingState: 保存一个唯一值，这个值是当前所有元素的预聚合结果。这个接口与ListState 相似，区别在于ReducingState的add()方法是调用ReduceFunction方法，将当前元素与之前的预聚合结果进行计算，再保存新的预聚合结果。

AggregatingState:保存一个唯一值，这个值是当前所有元素的预聚合结果。与ReducingState的区别在于AggregatingState的输入类型和输出类型可以不一致，AggregatingState分别定义输入、输出两个参数的数据类型。add(IN)内部调用的是AggregateFunction方法。

FoldingState:保存一个唯一值，这个值是当前所有元素的预聚合结果。与ReducingState类似，区别在于add(T) 方法内部调用的是FoldFunction方法，FoldFunction与ReduceFunction不同之处在于FoldFunction可以设置一个初始值，FoldingState的ACC参数就是这个初始值。这个方法过时了。

MapState: 保存一个列表的map类型的状态。可以使用put方法向其添加k-v类型的键值对，也可以用于检索。使用 put(UK, UV) 或者putAll(Map) 方法添加数据；使用entries(), keys() 和values() 来检索key和value。使用 isEmpty()判断是否存在数据。

所有的状态类型都有一个clear()方法，用于清空当前key的状态中所有的数据。

重点提示一：以上的状态类型对象仅仅只是作为一个状态的接口而已，状态不一定是存储在以上对象里面的，还可以存在本地磁盘或者其他地方。

重点提示二：你从状态中获取的value取决于当前输入元素的key，所以，你调用的同一个函数会根据不同的key返回不同的value。

获取状态时，必须创建一个StateDescriptor对象用于描绘状态的名称和数据类型，还可能包含自定义的函数，如ReduceFunction。状态通过RuntimeContext调用getState方法来获取，所以必须是富函数才能获取状态。

获取不同的状态对应方式如下：

• ValueState getState(ValueStateDescriptor)
• ReducingState getReducingState(ReducingStateDescriptor)
• ListState getListState(ListStateDescriptor)
• AggregatingState getAggregatingState(AggregatingStateDescriptor)
• FoldingState getFoldingState(FoldingStateDescriptor)
• MapState getMapState(MapStateDescriptor)

以FlatMapFunction为例，使用状态代码如下：

class CountWindowAverage extends RichFlatMapFunction[(Long, Long), (Long, Long)] {

  private var sum: ValueState[(Long, Long)] = _

  override def flatMap(input: (Long, Long), out: Collector[(Long, Long)]): Unit = {

    // 获取状态的值
    val tmpCurrentSum = sum.value

    // 如果状态不为空，则将其值赋给currentSum；否则初始化currentSum为(0L,0L)
    val currentSum = if (tmpCurrentSum != null) {
      tmpCurrentSum
    } else {
      (0L, 0L)
    }

    // 计算sum值
    val newSum = (currentSum._1 + 1, currentSum._2 + input._2)

    // 更新状态
    sum.update(newSum)

    // 当元素个数达到2, 发出平均值并清空状态。
    if (newSum._1 >= 2) {
      out.collect((input._1, newSum._2 / newSum._1))
      sum.clear()
    }
  }

  override def open(parameters: Configuration): Unit = {
    //在open函数中初始化状态，以免过早地获取状态导致数据错误。也可以在外部使用lazy修饰，效果与在open中初始化一样。
    sum = getRuntimeContext.getState(
      new ValueStateDescriptor[(Long, Long)]("average", createTypeInformation[(Long, Long)])
    )
  }
}


object ExampleCountWindowAverage extends App {
  val env = StreamExecutionEnvironment.getExecutionEnvironment

  env.fromCollection(List(
    (1L, 3L),
    (1L, 5L),
    (1L, 7L),
    (1L, 4L),
    (1L, 2L)
  )).keyBy(_._1)
    .flatMap(new CountWindowAverage())
    .print()
  // the printed output will be (1,4) and (1,5)

  env.execute("ExampleManagedState")
}

这个例子中，以输入元组的第一个元素为key(例子中所有key都是1)，函数将元素个数和value的sum值保存在状态中。当元素个数达到2时，返回value的平均值并清除状态。

注意，如果元组列表中的元组的第一个元素不相同（即key不同），则这为每个不同的key保留不同的状态。

状态的生命周期（TTL）

任何类型的keyed state都可以分配一个生命周期时间(TTL)。如果配置了TTL，且一个状态过期了，那么就清空这个状态。每个key都有其对应的状态，状态收集器对每个状态独立判断TTL，这意味着如果某个key的状态过期，那么只会情况该key的状态，而不会影响其他key的状态。

判断过期的逻辑为：上一个时间戳+TTL<=当前时间，则视为过期。以下是判断是否过期的源码：

public class TtlUtils {
	static  boolean expired(@Nullable TtlValue ttlValue, long ttl, TtlTimeProvider timeProvider) {
		return expired(ttlValue, ttl, timeProvider.currentTimestamp());
	}

	static  boolean expired(@Nullable TtlValue ttlValue, long ttl, long currentTimestamp) {
		return ttlValue != null && expired(ttlValue.getLastAccessTimestamp(), ttl, currentTimestamp);
	}

	static boolean expired(long ts, long ttl, TtlTimeProvider timeProvider) {
		return expired(ts, ttl, timeProvider.currentTimestamp());
	}
    //上一个时间戳+TTL<=当前时间，则视为过期
	public static boolean expired(long ts, long ttl, long currentTimestamp) {
		return getExpirationTimestamp(ts, ttl) <= currentTimestamp;
	}

	private static long getExpirationTimestamp(long ts, long ttl) {
		long ttlWithoutOverflow = ts > 0 ? Math.min(Long.MAX_VALUE - ts, ttl) : ttl;
		return ts + ttlWithoutOverflow;
	}

	static  TtlValue wrapWithTs(V value, long ts) {
		return new TtlValue<>(value, ts);
	}
}

配置TTL

配置TTL首先需要创建一个StateTtlConfig 的对象，用于配置TTL相关信息。然后调用状态描述器的enableTimeToLive方法开启TTL，之后再通过描述器在RumTimeContext中获取状态。示例如下：

import org.apache.flink.api.common.state.StateTtlConfig;
import org.apache.flink.api.common.state.ValueStateDescriptor;
import org.apache.flink.api.common.time.Time;

StateTtlConfig ttlConfig = StateTtlConfig
    .newBuilder(Time.seconds(1))
    .setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite)
    .setStateVisibility(StateTtlConfig.StateVisibility.NeverReturnExpired)
    .build();
    
ValueStateDescriptor stateDescriptor = new ValueStateDescriptor<>("text state", String.class);
stateDescriptor.enableTimeToLive(ttlConfig);

其中，setUpdateType方法用于设置TTL刷新方式，有两种刷新机制：

• StateTtlConfig.UpdateType.OnCreateAndWrite - 仅在创建和写入时。
• StateTtlConfig.UpdateType.OnReadAndWrite - 创建、写入、读取时。

setStateVisibility方法用于设置对已过期但还未被清理掉的状态如何处理，也有两种机制：

• StateTtlConfig.StateVisibility.NeverReturnExpired - 过期数据不可见，即使未被清除，也不可见。
• StateTtlConfig.StateVisibility.ReturnExpiredIfNotCleanedUp - 过期但未被清除的可见。

清除过期状态

默认情况下，过期数据会在读取时自动删除，然后后台会定期进行垃圾回收。也可以选择关闭后台垃圾回收，代码如下：

import org.apache.flink.api.common.state.StateTtlConfig;
StateTtlConfig ttlConfig = StateTtlConfig
    .newBuilder(Time.seconds(1))
    .disableCleanupInBackground()
    .build();

也可以设置成在创建全状态镜像时清除过期状态，这样可以减小快照大小。在这种模式下，本地状态不会被清理，但是如果从快照中恢复状态时，也不会包含过期数据。注意：此选项不适用于使用RocksDB做增量checkpoint。设置方式如下：

import org.apache.flink.api.common.state.StateTtlConfig
import org.apache.flink.api.common.time.Time

val ttlConfig = StateTtlConfig
    .newBuilder(Time.seconds(1))
    .cleanupFullSnapshot
    .build

也可以在访问状态或者处理数据时触发状态删除操作。如果使用这种策略，则状态存储后端会保存一个懒加载的全局迭代器用于存储所有的state。只有在触发清理操作时，才会激活这个迭代器，遍历所有状态并清理过期状态。配置代码如下：

import org.apache.flink.api.common.state.StateTtlConfig
val ttlConfig = StateTtlConfig
    .newBuilder(Time.seconds(1))
    .cleanupIncrementally(10, true)
    .build

配置这种方式需要传入两个参数，第一个参数是当访问状态时（访问状态必定触发清理），每次检查的状态的数目；第二个参数是是否在处理每条数据是触发清理操作。默认是每次检查5个状态数据，不基于处理数据触发清理。

Scala DataStream API中特有的状态接口

除了上述接口外，在scala API中，对map() 或者 flatMap()函数在操作KeyedStream时，还提供了一种快捷方式来访问一个ValueState 。如：

val stream: DataStream[(String, Int)] = ...

val counts: DataStream[(String, Int)] = stream
  .keyBy(_._1)
  .mapWithState((in: (String, Int), count: Option[Int]) =>
    count match {
      case Some(c) => ( (in._1, c), Some(c + in._2) )
      case None => ( (in._1, 0), Some(in._2) )
    })

如何使用Managed Operator  State

因为生产环境中大部分使用的都是keyed state，很少使用Operator  State，所以这里只展示几个简单的例子，不做赘述。

下面例子中使用了有状态的SinkFunction ，使用了CheckpointedFunction在输出元素前先进行缓冲，然后将事件切分并更新状态。

class BufferingSink(threshold: Int = 0)
  extends SinkFunction[(String, Int)]
    with CheckpointedFunction {

  @transient
  private var checkpointedState: ListState[(String, Int)] = _

  private val bufferedElements = ListBuffer[(String, Int)]()

  override def invoke(value: (String, Int), context: Context): Unit = {
    bufferedElements += value
    if (bufferedElements.size == threshold) {
      for (element <- bufferedElements) {
        // send it to the sink
      }
      bufferedElements.clear()
    }
  }

  override def snapshotState(context: FunctionSnapshotContext): Unit = {
    checkpointedState.clear()
    for (element <- bufferedElements) {
      checkpointedState.add(element)
    }
  }

  override def initializeState(context: FunctionInitializationContext): Unit = {
    val descriptor = new ListStateDescriptor[(String, Int)](
      "buffered-elements",
      TypeInformation.of(new TypeHint[(String, Int)]() {})
    )

    checkpointedState = context.getOperatorStateStore.getListState(descriptor)

    if(context.isRestored) {
      for(element <- checkpointedState.get()) {
        bufferedElements += element
      }
    }
  }

}

容错机制

flink的容错机制都是基于checkpoint（状态一致性检查）的，简单来说，就是flink在计算过程中，将状态保存至checkpoint，当遇到故障终止任务后，可以从checkpoint中恢复数据并继续任务，达到容错的目的。

什么是checkpoint

Checkpoint是flink故障恢复机制的核心，可以保证数据精准一次消费。所谓checkpoint，其实就是有状态流在某一时间点的状态的快照。这个时间点应该是所有任务都恰好处理完同一个输入数据的时候，即在整个flink程序中，最后一个操作也已经处理完这条数据的时候。未被处理完的其他数据的状态不会被保存。

当遇到故障，导致应用停止后。第一步将会重启应用，然后会从checkpoint中恢复状态，此时状态将会恢复到上一个checkpoint时的状态，然后继续正常运行应用。

flink的checkpoint与spark-streaming的checkpoint不同，spark-streaming是批处理，所以它的checkpoint比较简单，因为底层是rdd，所以只要把rdd保存起来就可以了，但是这就有一个缺点，那就是一旦发生故障，可能有一整个批次的数据都要重新计算，加入数据量很大的花，将会消耗更多的事件；而flink是流式处理，它的checkpoint针对的是每一条数据(可以设置每处理一条都保存一次，也可以设置一段事件保存一次)，所以它的checkpoint更加复杂，但是发生故障后对整个应用的影响也更小。

chekpoint中有类似watermark的机制，称为checkpoint-barrier，用于检查点对齐，当收到checkpoint-barrier时保存快照。checkpoint-barrier有三个属性：ID，timestamp，checkpoint-options。每个有状态操作遇到checkpoint-barrier都会保存快照，而只有当最后一个操作保存了快照之后，这次checkpoint才算完成。

checkpoint算法

基于分布式快照Chandy-Lamport，具体可查看这篇博客https://www.cnblogs.com/yuanyifei1/p/10360465.html

如何使用checkpoint

StreamExecutionEnvironment中有一个CheckpointConfig对象，当调用环境对象的env.enableCheckpointing(1000)方法时，实际上是调用CheckpointConfig对象的各种set方法。如：

通过env对象开启checkpoint，实际上是调用checkpointconfig的setCheckpointInterval方法：

//env的enableCheckpointing方法
	public StreamExecutionEnvironment enableCheckpointing(long interval) {
		checkpointCfg.setCheckpointInterval(interval);
		return this;
	}

checkpointconfig中的setCheckpointInterval方法

//checkpointconfig
	public void setCheckpointInterval(long checkpointInterval) {
		if (checkpointInterval <= 0) {
			throw new IllegalArgumentException("Checkpoint interval must be larger than zero");
		}
		this.checkpointInterval = checkpointInterval;
	}

启用checkpoint

默认情况下，checkpoint是关闭的，需要调用环境对象StreamExecutionEnvironment的enableCheckpointing(n) 方法以启用checkpoint，参数n代表每隔n毫秒发出一个checkpointbarrier。

以下是一个设置checkpoint的样例：

//创建环境对象
val env = StreamExecutionEnvironment.getExecutionEnvironment()

// 每1000ms做一次快照
env.enableCheckpointing(1000)

// 以上就开启了checkpoint了，以下是一些其他可选设置:

// 设置 exactly-once 模式(默认就是exactly-once)
env.getCheckpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE)

// 确保检查点之间有最小间隔为500 ms，假设每10s做一次checkpoint，某次耗时9s，那么正常在本次checkpoint完成后的1s又该做checkpoint了，以下配置可以确保每次checkpoint的最小间隔。
env.getCheckpointConfig.setMinPauseBetweenCheckpoints(500)

// 设置checkpoint超时时间，超过一分钟则丢弃
env.getCheckpointConfig.setCheckpointTimeout(60000)

// 保存checkpoint时发生故障，是否停止任务。如果配置false，那么checkpointing时如果发生故障，则不停止任务，仅丢弃该次checkpoint。
env.getCheckpointConfig.setFailTasksOnCheckpointingErrors(false)

// 设置checkpoint并行度
env.getCheckpointConfig.setMaxConcurrentCheckpoints(1)

相关配置选项

key	默认	类型	描述
state.backend	null	String	用于存储和检查点状态的状态后端。决定了checkpoint的存储位置（一般放在远程存储空间如fs或rocksdb）
state.backend.async	true	Boolean	选择state.backend是否使用异步快照方法。某些state.backend可能不支持异步快照，或者仅支持异步快照，因此会忽略此选项。
state.backend.fs.memory-threshold	1024	Int	状态数据文件的最小大小。当所有状态数据小于次值时，保存在内存，超过此值时落盘。
state.backend.fs.write-buffer-size	4096	Int	write buffer的默认大小。实际的写缓冲区大小为该选项和选项“ state.backend.fs.memory-threshold”的最大值。
state.backend.incremental	false	Boolean	是否使用增量检查点（如果可能）。增量检查点仅存储与前一个检查点的差异，而不存储完整的检查点状态。某些状态后端可能不支持增量检查点，因此会忽略此选项。
state.backend.local-recovery	false	Boolean	是否配置从本地恢复状态。默认情况下，本地恢复处于禁用状态。当前版本中(1.10)，本地恢复仅支持键控状态后端。MemoryStateBackend不支持本地恢复，请忽略此选项。
state.checkpoints.dir	null	String	存储检查点的数据文件和元数据的默认目录。必须是所有TaskManager和JobManager都能访问的存储路径。
state.checkpoints.num-retained	1	Int	要保留的最大已完成checkpoint数。
state.savepoints.dir	null	String	savepoint的默认目录。用于将savepoint写入文件系统（MemoryStateBackend，FsStateBackend，RocksDBStateBackend）。
taskmanager.state.local.root-dirs	null	String	config参数定义用于存储基于文件的状态以进行本地恢复的根目录。当前版本中(1.10)，本地恢复仅支持键控状态后端。MemoryStateBackend不支持本地恢复，请忽略此选项。