Flink、Yarn架构，以Flink on Yarn部署原理详解
Flink、Yarn架构，以Flink on Yarn部署原理详解
Flink 架构概览
Apache Flink是一个开源的分布式流处理框架，它可以处理实时数据流和批处理数据。Flink的架构原理是其实现的基础，架构原理可以分为以下四个部分：JobManager、TaskManager、JobGraph、Checkpoint。
-
JobManager
JobManager是Flink集群的控制节点，负责接收用户提交的任务，将任务分配给TaskManager进行执行，并监控任务的执行状态。JobManager还负责保存和恢复Flink应用程序的状态信息，以及维护JobGraph，对任务进行调度和优化。
-
TaskManager
TaskManager是Flink集群的工作节点，负责执行由JobManager分配的任务。每个TaskManager可以执行多个任务，每个任务对应一个或多个并行的TaskSlot。TaskSlot是TaskManager中的一个线程池，它负责执行任务的具体业务逻辑。TaskManager还负责将任务的状态信息发送给JobManager，以便JobManager能够监控任务的执行状态。
-
JobGraph
JobGraph是Flink应用程序的执行图，它描述了任务之间的依赖关系和数据流向。JobGraph由JobManager维护，它包含了所有任务的信息，包括任务的输入输出、并行度、任务类型等等。JobManager在接收到用户提交的任务后，会将任务解析成JobGraph，然后对JobGraph进行调度和优化，最终将任务分配到TaskManager上执行。
-
Checkpoint
Checkpoint是Flink用于实现容错机制的重要组成部分。Flink支持两种类型的Checkpoint：精确一次（Exactly Once）和至少一次（At Least Once）。Checkpoint会在任务执行过程中周期性地将任务状态信息保存到持久化存储中，以确保在任务失败或系统故障时能够恢复任务状态。在Flink中，Checkpoint的实现采用了异步快照机制，即在Checkpoint过程中不会阻塞任务的执行，从而保证任务的高吞吐量和低延迟。
用户通过 DataStream API、DataSet API、SQL 和 Table API 编写 Flink 任务，它会生成一个 JobGraph。JobGraph 是由 source、map()、keyBy()、window()、apply()和 sink 等算子组成的。当 JobGraph 提交给 Flink 集群后，能够以 Local、Standalone、Yarn 和kubernetes 四种模型运行。
接下来，深入关注Flink中两个关键组件：JobManager和TaskManager
JobManager架构
JobManager是Flink集群的控制节点，负责接收用户提交的任务，将任务分配给TaskManager进行执行，并监控任务的执行状态。
Flink JobManager架构原理的核心是JobMaster和ResourceManager，其中JobMaster负责任务的调度和监控，ResourceManager负责集群资源的管理。JobMaster和ResourceManager之间通过RPC通信进行交互。
JobMaster主要负责以下几个方面：
- 任务管理
JobMaster负责接收用户提交的任务，并将任务转换为JobGraph。JobGraph是Flink应用程序的执行图，它描述了任务之间的依赖关系和数据流向。JobMaster会对JobGraph进行优化和调度，并将任务分配给TaskManager进行执行。
- 任务监控
JobMaster会监控任务的执行状态，包括任务的启动、暂停、恢复和取消等操作。如果任务执行失败，JobMaster会重新分配任务，或者通知用户进行处理。
- 状态管理
Flink支持任务的状态管理和恢复，JobMaster负责保存和恢复任务的状态信息。在任务执行过程中，JobMaster会周期性地将任务状态信息保存到持久化存储中，以确保在任务失败或系统故障时能够恢复任务状态。
- 高可用性
为了保证JobMaster的高可用性，Flink采用了主备模式。即在Flink集群中，有一个主JobMaster和若干备JobMaster。当主JobMaster发生故障时，备JobMaster会接管任务的管理和调度。
TaskManager架构
Flink TaskManager架构原理的核心是TaskExecutor和Slot，其中TaskExecutor是Flink集群中的工作节点，负责执行任务，Slot是TaskExecutor中的任务执行单元，用于执行任务的并发执行。
TaskExecutor是Flink集群中的工作节点，它是执行Flink任务的基本单元。一个Flink TaskExecutor节点可以运行多个Slot，每个Slot是TaskExecutor中的任务执行单元，用于执行任务的并发执行。
在Flink任务启动时，JobManager会将任务的JobGraph分配给一组TaskManager节点，每个TaskManager节点会启动一个或多个TaskExecutor进程。在TaskExecutor进程启动时，会为每个Slot创建一个独立的线程池，用于执行任务。
Slot是TaskExecutor中的任务执行单元，每个Slot都可以同时执行一个任务。任务被分配给Slot后，Slot会启动一个线程来执行任务，从输入数据流中读取数据，并将处理结果输出到输出数据流中。
每个Slot都有自己的资源限制，包括CPU、内存、网络等资源。任务的执行会根据资源限制进行调度，以达到最优的资源利用率。当任务执行结束后，Slot会释放资源，以供其他任务使用。
Flink支持任务的动态调整，包括任务的扩容和缩容。当任务需要更多的资源时，Flink可以动态地增加TaskExecutor节点来满足任务的需求。反之，当任务执行结束后，Flink会回收空闲的TaskExecutor节点，以节省资源。
TaskManager主要负责以下功能：
-
执行任务
TaskManager负责接收来自JobManager的任务，并将任务分配到Task执行器中执行。每个TaskManager可以运行一个或多个任务。
-
管理任务状态
TaskManager负责管理任务的状态和执行上下文，并向JobManager报告任务的状态。
-
数据交换
TaskManager中的网络组件负责数据交换。它负责将数据从一个TaskManager发送到另一个TaskManager，并将数据发送到JobManager。
-
管理资源
TaskManager负责管理其本地资源，例如内存和CPU资源，并确保任务在可用资源范围内运行。
-
高可用性
TaskManager支持高可用性。如果一个TaskManager失败，Flink会将其上运行的任务重新分配到其他TaskManager上，以确保任务继续执行。
Yarn架构概览
Yarn 架构原理 - 总览
YARN（Yet Another Resource Negotiator）是Hadoop生态系统中的一个重要组件，它是一个资源管理系统，负责管理Hadoop集群中的资源和任务。本文将详细介绍YARN中ResourceManager、NodeManager、ApplicationMaster和Container组件的实现原理。
- ResourceManager
ResourceManager是YARN中最重要的组件之一。它是集群资源的总管，负责处理客户端应用程序的资源请求，以及为应用程序分配资源。ResourceManager主要有以下几个组件：
- Scheduler：Scheduler负责为应用程序分配资源，它根据应用程序的需求和集群的可用资源进行调度。Scheduler会考虑各个应用程序的优先级，以及应用程序对资源的需求量等因素。
- ApplicationManager：ApplicationManager负责管理应用程序的生命周期，包括应用程序的提交、启动、停止和监控等。它还负责向Scheduler提交应用程序的资源请求，并获取Scheduler分配的资源。
- NodeManager
NodeManager是YARN中运行在每台机器上的组件，它负责管理单个节点上的资源。NodeManager主要有以下几个组件：
- ContainerExecutor：ContainerExecutor负责启动和管理容器。容器是YARN中运行应用程序的基本单位，每个容器包含一个或多个任务。
- ApplicationMasterLauncher：ApplicationMasterLauncher负责启动ApplicationMaster。ApplicationMaster是应用程序的管理器，它负责协调应用程序的各个任务，以及与ResourceManager交互。
- NodeStatusUpdater：NodeStatusUpdater负责向ResourceManager汇报节点的状态，包括节点的可用资源、健康状况等。
- ApplicationMaster
ApplicationMaster是YARN中应用程序的管理器，运行在 Slave 上，它负责数据切分，申请资源和分配、任务监控和容错，以及与ResourceManager交互。
- Container
Container是YARN中运行应用程序的基本单位，每个容器包含一个或多个任务。Container 负责对资源进行抽象，包括内存、CPU、磁盘、网络等资源。
其中，最重要的角色是 ResourceManager，主要用来负责整个资源的管理，Client 端是负责向 ResourceManager 提交任务。
Yarn 架构原理 - 任务提交
当用户提交一个任务到YARN时，任务的提交过程可以分为以下几个步骤：
- 应用程序提交
用户首先需要将应用程序提交到YARN中。这可以通过命令行工具或API接口完成，用户需要指定应用程序的名称、资源需求和启动命令等信息。
- 申请资源
一旦应用程序提交成功，它将会向ResourceManager发送资源请求。ResourceManager会根据集群中的可用资源和其他应用程序的需求，为这个应用程序分配一定数量的资源。
- 分配容器
一旦ResourceManager为应用程序分配了资源，它将会向NodeManager发出请求，要求它在一台或多台机器上启动容器。NodeManager接收到请求后，将会为每个容器分配一定数量的资源，并启动容器。
- 下载依赖文件
在容器启动之前，NodeManager需要下载应用程序的依赖文件（例如JAR文件）到容器中。这是通过Localizer来完成的。Localizer会从HDFS中下载应用程序的依赖文件，并将它们解压到容器的本地文件系统中。
- 启动ApplicationMaster
一旦容器启动并准备好运行应用程序，NodeManager将会启动ApplicationMaster。ApplicationMaster是应用程序的管理器，负责协调应用程序的各个任务，以及与ResourceManager交互。
- 分配任务
一旦ApplicationMaster启动成功，它将会向ResourceManager请求更多的资源，以分配应用程序的任务。ResourceManager会根据应用程序的需求和集群的可用资源，为每个任务分配一个容器。
- 执行任务
一旦任务被分配到容器中，TaskExecutor将会从容器中获取任务，并在本地执行任务。执行完成后，TaskExecutor会向ApplicationMaster报告任务的状态。
总之，任务提交到YARN的过程涉及多个组件之间的协作和通信。其中ResourceManager负责管理集群资源，NodeManager负责管理单个节点上的资源，ApplicationMaster负责协调应用程序的各个任务，而Container则是运行应用程序的基本单位。 任务的执行和状态监控也涉及多个组件之间的协作和通信。在这个过程中，YARN通过将资源管理和任务管理分离，实现了高效的资源利用和任务协调。
Flink on Yarn 部署原理剖析
Flink on Yarn Per-Job
Flink on Yarn 中 PerJob 模式是指每次提交一个任务，然后任务运行完成之后资源就会被释放。在了解了Yarn 的原理之后，PerJob 的流程也就比较容易理解了，具体如下：
- 首先 Client 提交 Yarn App，比如 JobGraph 或者 JARS。
- 接下来 Yarn 的 ResourceManager 会申请第一个 Container。这个 Container 通过 ApplicationMaster 启动进程，ApplicationMaster 里面运行的是 FLink 程序，即 Flink-Yarn ResourceManager 和 JobManager。
- 最后 Flink-Yarn ResourceManager 向 Yarn ResourceManager 申请资源。当分配到资源后，启动 TaskManager。TaskManager 启动后向 Flink-Yarn ResourceManager 进行注册，注册成功后 JobManager 就会分配具体的任务给 TaskManager 开始执行。
在Flink on Yarn的Per-Job模式中，每个Flink任务实现资源隔离的主要方式如下：
- 独立的Yarn应用程序：每个Flink作业都会被打包成一个独立的Yarn应用程序，包括一个JobManager进程和若干个TaskManager进程。这样可以保证每个Flink作业都运行在一个独立的应用程序中，避免了不同作业之间的资源冲突和干扰。
- 动态资源分配：在Flink on Yarn Per-Job模式中，Flink作业会根据实际资源需求向Yarn资源管理器请求所需的资源，并在作业执行期间动态调整资源使用情况。这样可以避免Flink作业占用过多资源，导致其他作业无法正常执行。
- 容器隔离：在Yarn中，每个应用程序都运行在一个独立的容器中，容器之间是相互隔离的。Flink作业也是运行在Yarn的容器中，这样可以保证每个Flink作业之间的资源隔离性。
- 任务隔离：Flink作业中的每个任务都是独立执行的，它们之间不会共享任何资源，包括内存、CPU、网络等。同时，Flink还提供了TaskExecutor的资源管理机制，可以根据每个任务的资源需求动态调整资源分配情况，从而保证每个任务都能够得到足够的资源。
Flink on Yarn Session
在 PerJob 模式中，执行完任务后整个资源就会释放，包括 JobManager、TaskManager 都全部退出。而 Session 模式则不一样，它的 Dispatcher 和 ResourceManager 是可以复用的。
Session模式的Flink任务部署过程跟Per-Job类似，两者之间的区别在于：
- 部署方式：Session模式是一种长期运行的Flink集群模式，用户可以通过Flink客户端连接到集群中的一个或多个JobManager，提交多个Flink作业，而PerJob模式则是每个Flink作业都会创建一个独立的Yarn应用程序，并在该应用程序中启动JobManager和TaskManager进程。
- 资源使用：Session模式是预分配资源的，也就是提前根据指定的资源参数初始化一个Flink集群，并常驻在YARN系统中，拥有固定数量的JobManager和TaskManager，该资源中JobManager有且只有一个。
- 作业隔离：Session模式下由于是预分配资源（资源总量有限），多个作业之间又不是隔离的，故可能会造成资源的争用，如果有一个作业因为异常导致TaskManager宕机，则它上面承载着的所有作业也都会受到影响。而在PerJob模式下，由于每个Flink作业都会创建一个独立的Yarn应用程序，因此不同作业之间也是相互隔离的。
- 适用场景：PerJob模式适用于长期运行的Flink集群场景，适合处理大量的实时数据，例如流处理、复杂事件处理等；而Session模式适用于短期的、需要单独调度的Flink作业。
Flink on Yarn Application
application模式，在该模式下会为每个提交的应用创建一个集群，用户程序的 main 方法将在JobManager集群中而不是客户端运行。
Application模式的会话集群，仅在特定应用程序的作业之间共享，并在应用程序完成时终止。
在这种体系结构中，Application 模式在不同应用之间提供了资源隔离和负载平衡保证。在特定一个应用程序上，JobManager 执行 main() 可以节省所需的 CPU 周期，还可以节省本地下载依赖项所需的带宽。
附官网的模式区分如下所示：
