Flink Checkpoint 问题排查实用指南

在 Flink 中，状态可靠性保证由 Checkpoint 支持，当作业出现 failover 的情况下， Flink 会从最近成功的 Checkpoint 恢复。在实际情况中，我们可能会遇到 Checkpoint 失败，或者 Checkpoint 慢的情况，本文会统一聊一聊 Flink 中 Checkpoint 异常的情况（包括失败和慢），以及可能的原因和排查思路。

1. Checkpoint流程简介

首先我们需要了解 Flink 中 Checkpoint 的整个流程是怎样的，在了解整个流程 
之后，我们才能在出问题的时候，更好的进行定位分析。

从上图我们可以知道，Flink 的 Checkpoint 包括如下几个部分： 
●   JM trigger checkpoint
● Source 收到 trigger checkpoint 的 PRC，自己开始做 snapshot，并往下游
发送 barrier
●   下游接收 barrier（需要 barrier 都到齐才会开始做 checkpoint） 
●   Task 开始同步阶段 snapshot
●   Task 开始异步阶段 snapshot
●   Task snapshot 完成，汇报给 JM
上面的任何一个步骤不成功，整个 checkpoint 都会失败。 

2. Checkpoint异常情况排查

2.1　Checkpoint失败

可以在 Checkpoint 界面看到