flink任务调度原理

任务调度原理

 

客户端不是运行时和程序执行 的一部分，但它用于准备并发送

dataflow(JobGraph) 给 Master(JobManager) ，然后，客户端断开连接或者维持连接以

等待接收计算结果。

当 Flink 集 群 启 动 后 ， 首 先 会 启 动 一 个 JobManger 和一个或多个的

TaskManager 。由 Client 提交任务给 JobManager ， JobManager 再调度任务到各个

TaskManager 去执行，然后 TaskManager 将心跳和统计信息汇报给 JobManager 。

TaskManager 之间以流的形式进行数据的传输。上述三者均为独立的 JVM 进程。

Client 为提交 Job 的客户端，可以是运行在任何机器上（与 JobManager 环境

连通即可）。提交 Job 后， Client 可以结束进程（ Streaming 的任务），也可以不

结束并等待结果返回。

JobManager 主 要 负 责 调 度 Job 并 协 调 Task 做 checkpoint ， 职 责 上 很 像

Storm 的 Nimbus 。从 Client 处接收到 Job 和 JAR 包等资源后，会生成优化后的

执行计划，并以 Task 的单元调度到各个 TaskManager 去执行。

TaskManager 在启动的时候就设置好了槽位数（ Slot ），每个 slot 能启动一个

Task ， Task 为线程。从 JobManager 处接收需要部署的 Task ，部署启动后，与自

己的上游建立 Netty 连接，接收数据并处理。

TaskManger 与 Slots

Flink 中每一个 worker(TaskManager) 都是一个 JVM 进程 ，它可能会在 独立的线

程 上执行一个或多个 subtask 。为了控制一个 worker 能接收多少个 task ， worker 通

过 task slot 来进行控制（一个 worker 至少有一个 task slot ）。

每个 task slot 表示 TaskManager 拥有资源的 一个固定大小的子集 。假如一个

TaskManager 有三个 slot ，那么它会将其管理的内存分成三份给各个 slot 。资源 slot

化意味着一个 subtask 将不需要跟来自其他 job 的 subtask 竞争被管理的内存，取而

代之的是它将拥有一定数量的内存储备。需要注意的是，这里不会涉及到 CPU 的隔

离， slot 目前仅仅用来隔离 task 的受管理的内存。

通过调整 task slot 的数量，允许用户定义 subtask 之间如何互相隔离。如果一个

TaskManager 一个 slot ，那将意味着每个 task group 运行在独立的 JVM 中（该 JVM

可能是通过一个特定的容器启动的），而一个 TaskManager 多个 slot 意味着更多的

subtask 可以共享同一个 JVM 。而在同一个 JVM 进程中的 task 将共享 TCP 连接（基

于多路复用）和心跳消息。它们也可能共享数据集和数据结构，因此这减少了每个

task 的负载。

 

默认情况下， Flink 允许子任务共享 slot ，即使它们是不同任务的子任务（前提

是它们来自同一个 job ）。 这样的结果是，一个 slot 可以保存作业的整个管道。

Task Slot 是静态的概念，是指 TaskManager 具有的并发执行能力 ，可以通过

参数 taskmanager.numberOfTaskSlots 进行配置；而 并行度 parallelism 是动态概念，

即 TaskManager 运行程序时实际使用的并发能力 ，可以通过参数 parallelism.default

进行配置。

也就是说，假设一共有 3 个 TaskManager ，每一个 TaskManager 中的分配 3 个

TaskSlot ，也就是每个 TaskManager 可以接收 3 个 task ，一共 9 个 TaskSlot ，如果我

们设置 parallelism.default=1 ，即运行程序默认的并行度为 1 ， 9 个 TaskSlot 只用了 1

个，有 8 个空闲，因此，设置合适的并行度才能提高效率。

 

 程序与数据流（DataFlow）

 

所有的 Flink 程序都是由三部分组成的： Source 、 Transformation 和 Sink 。

Source 负责读取数据源， Transformation 利用各种算子进行处理加工， Sink 负

责输出

在运行时， Flink 上运行的程序会被映射成“逻辑数据流”（ dataflows ），它包

含了这三部分。 每一个 dataflow 以一个或多个 sources 开始以一个或多个 sinks 结

束 。 dataflow 类似于任意的有向无环图（ DAG ）。在大部分情况下，程序中的转换

运算（ transformations ）跟 dataflow 中的算子（ operator ）是一一对应的关系，但有

时候，一个 transformation 可能对应多个 operator 。

 执行图（ExecutionGraph）

由 Flink 程序直接映射成的数据流图是 StreamGraph ，也被称为逻辑流图，因为

它们表示的是计算逻辑的高级视图。为了执行一个流处理程序， Flink 需要将逻辑流

图转换为物理数据流图（也叫执行图），详细说明程序的执行方式。

Flink 中的执行图可以分成四层： StreamGraph -> JobGraph -> ExecutionGraph ->

物理执行图。

StreamGraph ：是根据用户通过 Stream API 编写的代码生成的最初的图。用

来表示程序的拓扑结构。

JobGraph ： StreamGraph 经过优化后生成了 JobGraph ，提交给 JobManager 的

数据结构。主要的优化为，将多个符合条件的节点 chain 在一起作为一个节点，这

样可以减少数据在节点之间流动所需要的序列化 / 反序列化 / 传输消耗。

ExecutionGraph ： JobManager 根 据 JobGraph 生 成 ExecutionGraph 。

ExecutionGraph 是 JobGraph 的并行化版本，是调度层最核心的数据结构。

物理执行图 ： JobManager 根据 ExecutionGraph 对 Job 进行调度后，在各个

TaskManager 上部署 Task 后形成的“图”，并不是一个具体的数据结构。

 并行度（Parallelism）

Flink 程序的执行具有 并行、分布式 的特性。

在执行过程中，一个流（ stream ）包含一个或多个分区（ stream partition ），而

每一个算子（ operator ）可以包含一个或多个子任务（ operator subtask ），这些子任

务在不同的线程、不同的物理机或不同的容器中彼此互不依赖地执行。

一个特定算子的子任务（ subtask ）的个数被称之为其并行度（ parallelism ） 。

一般情况下，一个流程序的并行度，可以认为就是其所有算子中最大的并行度。一

个程序中，不同的算子可能具有不同的并行度

 

Stream 在算子之间传输数据的形式可以是 one-to-one(forwarding) 的模式也可以

是 redistributing 的模式，具体是哪一种形式，取决于算子的种类。

One-to-one ： stream( 比如在 source 和 map operator 之间 ) 维护着分区以及元素的

顺序。那意味着 map 算子的子任务看到的元素的个数以及顺序跟 source 算子的子

任务生产的元素的个数、顺序相同， map 、 fliter 、 flatMap 等算子都是 one-to-one 的

对应关系。

➢ 类似于 spark 中的 窄依赖

Redistributing ： stream(map() 跟 keyBy/window 之间或者 keyBy/window 跟 sink

之间 ) 的分区会发生改变。每一个算子的子任务依据所选择的 transformation 发送数

据到不同的目标任务。例如， keyBy() 基于 hashCode 重分区、 broadcast 和 rebalance

会随机重新分区，这些算子都会引起 redistribute 过程，而 redistribute 过程就类似于

Spark 中的 shuffle 过程。

➢ 类似于 spark 中的 宽依赖

任务链（ Operator Chains ）

相同并行度的 one to one 操作 ， Flink 这样相连的算子链接在一起形成一个 task ，

原来的算子成为里面的一部分。将算子链接成 task 是非常有效的优化：它能减少线

程之间的切换和基于缓存区的数据交换，在减少时延的同时提升吞吐量。链接的行

为可以在编程 API 中进行指定。