Flink：从业务实践角度聊聊Checkpoint、Savepoint、容错机制和业务升级

接着状态缓存和内存管理后，再聊聊容错机制

上文：Flink：从业务实践角度聊聊状态缓存和内存管理

多说一句，说实话个人之前研究这部分内容时，有时也会百度，但是很烦的就是，不知道是搜索引擎问题还是大家都喜欢粘贴复制，，，，粘贴复制也就算了，标题好歹统一下吧，可是可是，明明就是找别人的文章粘贴复制的或者直接官网文档粘贴复制，甚至连格式错别字都不管不顾，，，标题好像很牛皮，点进去，文档内容一样，再点下一个，内容一样，再点，还一样，，，搜出来的前几页的，文章标题有点区别，但是居然内容一摸一样，都是官方文档的内容，相似度200%铁证，，，，吐槽下搜索引擎，都2022年了，没点过滤去重机制吗！！再吐槽下，明明就是copy别人或者官方文档的一字不差的没点自己理解的，还偏要加点自己理解的标题。。。。标题党

说实话，copy借鉴没啥问题，但是有点自己的见解才好点，至少你搞点自己测试代码或者自己理解呀，我都怀疑你是不是正真看完过整篇内容（如有不适，见谅，主要是搜索引擎的锅！）

主要是真正要查资料时，看到连续几页的一摸一样的内容，真的是想把搜索给干掉，，，这不浪费我时间吗

本文基于V1.11

Flink实现Exactly-once

从flink实现exactly-once一致性语义逐步聊到容错机制

这是一个经典面试问题，基本流计算必问，而且必须得答好。

首先，Flink编程模型：source–>operator–>sink

那么就得满足全链路的Exactly-once

• Source端（Kafka、Pulsar）：状态缓存记录offset --> checkpoint时把offset提交保存到状态后端并同时Commit给Source如Kafka（此时不管job是否真的处理完这几条commit的数据，Kafka已经当作已经处理完了）–> 重启任务时，可以从状态中获取到offset，然后从对应offset重新消费数据

• Operator：算子依靠状态缓存，中间计算结果都在状态数据里，并checkpoint保存到了状态后端，所以重启任务时，可以从状态后端中读取当时的中间计算结果，重新恢复计算状态

• Sink：由于Source端有重置到状态缓存记录的Offset，所以会存在部分数据重复计算，所以需要Sink的存储支持幂等或事务即可实现。一般的存储如HBase、Mysql等都支持，那么Kafka呢？Kafka也支持幂等和事务（0.11及以后版本），Kafka实现Exactly-Once主要依赖事务，并且通过2PC（two phase commit）两阶段提交方式实现

  • 第一条数据来了之后，开启一个 kafka 的事务（transaction），正常写入 kafka 分区日志但标记为未提交，这就是“预提交”
  • jobmanager 触发 checkpoint 操作，barrier 从 source 开始向下传递，遇到barrier 的算子将状态存入状态后端，并通知 jobmanager
  • sink 连接器收到 barrier，保存当前状态，存入 checkpoint，通知 jobmanager，并开启下一阶段的事务，用于提交下个检查点的数据
  • jobmanager 收到所有任务的通知，发出确认信息，表示 checkpoint 完成
  • sink 任务收到 jobmanager 的确认信息，正式提交这段时间的数据
  • 外部kafka关闭事务，提交的数据可以正常消费了。

  核心一点，未提交的数据不能够被下游消费，下游消费者要有个事务隔离级别参数：read_committed

以上就是Flink实现exactly-once的简述了，如上可知，实现exactly-once有个不可或缺的过程：状态缓存–checkpoint–状态后端

关于状态缓存和状态后端已经在上文中聊过了，那么就接着聊checkpoint

Flink的Checkpoint和Savepoint

面试必问，实践中也及其重要的东西. 而且Checkpoint和Savepoint都是一起出现的，所以一起聊

官方文档位置：Checkpoints

几个小结（教科书式的讲解请参考官方文档）

• Savepoint是手动的Checkpoint

• RocksDB状态后端时，Checkpoint可以增量，Savepoint不可以

• 任务手动可以指定从Savepoint和Checkpoint启动，任务自动重启只会从最近一次Checkpoint启动

• Checkpoint的目的是把数据快照（状态、Offset）保存到状态后端，注意，RocksDB的状态后端，checkpoint也是将RocksDB本地数据保存到配置的文件系统目录下

Flink的Checkpoint与Kafka Offset提交配置

关于开启checkpoint：https://www.bookstack.cn/read/flink-1.11.1-zh/8c2c9d36457a28b4.md

• Kafka的offset提交有三种情况（开启了checkpoint后，KafkaSource的offset提交方式配置就失效，此时在kafkaSouce处设置提交方式）

  • 开启checkpoint时：在checkpoint完成后提交（FlinkKafkaConsumerBase.notifyCheckpointComplete）

  • 开启 checkpoint，禁用 checkpoint 提交：不依靠Flink提交，需要手动提交

  • 不开启 checkpoint，依赖KafkaSouce配置自动提交或者手动提交

    Properties properties = new Properties();
    properties.setProperty("bootstrap.servers","192.168.31.201:9092");
    properties.setProperty("group.id", "consumer-group");
    properties.setProperty("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    properties.setProperty("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    properties.setProperty("auto.offset.reset", "latest");
    properties.setProperty("enable.auto.commit", "true");
    
    FlinkKafkaConsumer011<String> consumer = new FlinkKafkaConsumer011<>("sensor", new SimpleStringSchema(), properties);
    // 若开启了checkpoint，那properties中的enable.auto.commit参数就会失效
    consumer.setCommitOffsetsOnCheckpoints(true);
    

• 默认情况，checkpoint是禁用的，但是有状态的编程是一定要开启的

  如下是官方文档中的示例代码

      StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
      // 每 1000ms 开始一次 checkpoint
      env.enableCheckpointing(1000);
      // 高级选项：
      // 设置模式为精确一次 (这是默认值)
      env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
      // 确认 checkpoints 之间的时间会进行 500 ms
      env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
      // Checkpoint 必须在一分钟内完成，否则就会被抛弃
      env.getCheckpointConfig().setCheckpointTimeout(60000);
      // 同一时间只允许一个 checkpoint 进行
      env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
      // 开启在 job 中止后仍然保留的 externalized checkpoints
      env.getCheckpointConfig().enableExternalizedCheckpoints(ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
      // 允许在有更近 savepoint 时回退到 checkpoint
      env.getCheckpointConfig().setPreferCheckpointForRecovery(true);
  

  Flink的Checkpoint过程与配置

  有如下几个重要的配置，在图中描述

​ checkpoint详细配置项参看上述给的文档里的说明，这里聊聊业务实践过程中如何配置

首先几个配置参考原则

• 1.checkpoint不宜过于频繁，因为它的目的是记录状态，如果间隔太小，可能一段时间内状态并没有发生变化，会无意义浪费资源，影响性能

• 2.checkpoint目的是保存状态和offset，状态过大会导致checkpoint耗时过长，占用网络IO

• 3.状态大小跟业务的窗口大小，吞吐量，以及无窗口groupby和regular join（与时间间隔无关的join）配置的min和max保留时长有关

几个重要配置项的配置思路参考（其他配置项请参考官方文档按需配置）

• 1.checkpoint周期：不宜频繁，一般在分钟级别，1~10分钟，不建议超过10分钟。出于的考虑是：如果任务失败（没有savepoint），重新恢复任务肯定只能从checkpoint恢复，那么周期越短，需要重新处理的数据越少，实时性恢复的越快。

• 2.耗时超时配置项checkpoint.timeout.ms：一般不动，至少大于checkpoint周期，可配置为最大能接受checkpoint周期间隔即可，默认是10分钟

• 3.between.checkpoints.min.ms：是两个cp最小间隔，目的是防止checkpoint积压：由于状态过大导致checkpoint耗时很长，上一个还没结束，下一个就已经开始这样积压起来。

• 4.checkpoints.num-retained：checkpoint保留数，默认值1.如果希望任务失败时可以重跑更长时间的数据，那么可以根据需要增加此保留数，无非是增加磁盘存储

• 5.其中还有个：任务取消后保留Checkpoint目录：这个涉及checkpoint保留策略，生产上按需设置，个人建议是取消作业仍然保留检查点：业务升级时如果改动了算子逻辑，需要重跑一段时间数据时可以指定从前几个checkpoint重启；但是要注意手动清理，尤其配置保留多个checkpoint时，会占用磁盘空间，savepoint同理

  CheckpointConfig config = env.getCheckpointConfig();
  // ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION： 取消作业时保留检查点。请注意，在这种情况下，您必须在取消后手动清理检查点状态。
  // ExternalizedCheckpointCleanup.DELETE_ON_CANCELLATION： 取消作业时删除检查点。只有在作业失败时，检查点状态才可用。
  config.enableExternalizedCheckpoints(ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
  

• 较为详细的有参考价值的配置示例代码，其中8项都是比较重要的配置项，文章原文：Flink DataStream Checkpoint和Savepoint

  StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
  
  CheckpointConfig checkpointConfig = env.getCheckpointConfig();
  
  // 1、开启Checkpoint
  // 默认情况下，不开启Checkpoint
  // 设置Checkpoint间隔(单位毫秒)大于0，即开启Checkpoint
  // 如果State比较大，建议增大该值
  checkpointConfig.setCheckpointInterval(10L * 1000);
  
  // 2、设置Checkpoint状态管理器
  // 默认MemoryStateBackend 支持MemoryStateBackend、FsStateBackend、RocksDBStateBackend三种
  // MemoryStateBackend: 基于内存的状态管理器，状态存储在JVM堆内存中。一般不应用于生产。
  // FsStateBackend: 基于文件系统的状态管理器，文件系统可以是本地文件系统，或者是HDFS分布式文件系统。
  // RocksDBStateBackend: 基于RocksDB的状态管理器，需要引入相关依赖才可使用。
  // true: 是否异步
  env.setStateBackend((StateBackend) new FsStateBackend("CheckpointDir", true));
  
  // 3、设置Checkpoint语义
  // EXACTLY_ONCE: 准确一次，结果不丢不重
  // AT_LEAST_ONCE: 至少一次，结果可能会重复
  // 注意: 如果要实现端到端的准确一次性语义(End-To-End EXACTLY_ONCE)，除了这里设置EXACTLY_ONCE语义外，也需要Source和Sink支持EXACTLY_ONCE
  checkpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
  
  // 4、任务取消后保留Checkpoint策略
  checkpointConfig.enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
  
  // 5、设置要保留的Checkpoint数量
  // 在conf/flink-conf.yaml中设置
  // 默认是1，只保留最新的一份Checkpoint
  // 如果需要从历史某个时刻恢复，这个参数很有用，可以根据Checkpoint间隔，设置成多个
  state.checkpoints.num-retained=20
  
  // 6、设置Checkpoint超时时间
  // Checkpoint超时时间,默认10分钟。当Checkpoint执行时间超过该值，Flink会丢弃此次Checkpoint并标记为失败，可从Flink WebUI Checkpoints上看到
  checkpointConfig.setCheckpointTimeout(long checkpointTimeout);
  
  // 7、设置Checkpoint之间的最小间隔
  // 两次Checkpoint之间的最小间隔，默认是0，单位毫秒。State太大，Checkpoint时间太长，而间隔又很短，则会导致大量Checkpoint任务积压，占用大量计算资源，进而影响任务性能
  checkpointConfig.setMinPauseBetweenCheckpoints(30000);
  
  // 8、设置同一时间点最多进行Checkpoint的数量，默认是1个
  checkpointConfig.setMaxConcurrentCheckpoints(1);
  

  flink-conf.yaml全局配置

  // 设置 checkpoint全局设置保存点  
  state.checkpoints.dir: hdfs:///checkpoints/
  // 设置checkpoint 默认保留 数量  
  state.checkpoints.num-retained: 20
  

来，官网文档的checkpoint调优思路：大状态与 Checkpoint 调优

• 监控状态和checkpoint是通过UI界面，很清晰哈
• 调优：两个checkpoint之间的最小间隔设置要合理，别叠加和累积checkpoint任务在那里
• 大状态建议用RocksDB
• RocksDB的性能跟调优有关：超大状态时开启增量检查点、手动配置RocksDB的各个配置项（这个个人不专业，就不展开了，文档中有链接指导如何调整，不过实际业务中如果没有特别优化RocksDB的需求，一般不会去手动单个RocksDB参数调整，早期版本RocksDB参数是开放了，现在是默认关闭的，统一配置个托管内存而后Flink内部有比较通用的RocksDB参数使用）
• 关于容量的预设：这个文档中是一大堆讲述合适容量对任务的必要性，业务实践中就是多给一些资源，一是出现某个TM失败时，有富余的TM立即启动去接替；一是适应高峰期。重点还是实时性的保证，如果任务对实时性没过多要求，那么只要做好监控和配置重启计划（这些得监控平台或者跟运维去计划好）即可。越是实时性要求高，越是资源冗余要求多点。并且TableAPI和SQL对于资源使用目前就是无法精细化的，就是冗余的（部分牛皮团队正二次开发意图优化这些，可以关注下每年的Flink-Forward Asia大会 ）。
• 快照压缩，正在持续优化中（我们实际业务正在探索），各位可以试试
• 配置状态本地恢复state.backend.local-recoveryorCheckpointingOptions.LOCAL_RECOVERY，这项文档中很大篇幅描述了原因和操作思路，就是状态特别大的时候，从网络上加载状态很慢，会影响恢复时间，影响实时性，解决方法就是在本地也保存一份状态，恢复时读本地的

Flink的Savepoint过程与应用

Savepoint一定是手动停止任务时生成，也需要手动清理，作用仍然是保存任务快照，方便重启时从上一次计算时间点开始连续的继续计算

先上官方文档关于savepoint位置（有关于详细的savepoint操作示例和用法，之前也查过百度的关于savepoint资料，大部分文章都是copy或者照抄官方文档内容，说明官方文档信息很足）：Savepoints

几个业务实践上的注意点

• Savepoint就是一陀文件，可以移动位置，但，一定要JM和TM可访问并且配置好路径
• 任何一个任务都可以使用任何一个Savepoint去启动，无论是不是第一次启动，只是不一定能成功从Savepoint恢复里面的状态数据，如果任务的Source一致，那么即使状态数据不能恢复，也可以拿到对应的Offset接续着进行数据处理，checkpoint同理，只是只要是状态数据不能恢复，那么启动会报错，报错信息会提示你需要加个参数--allowNonRestoredState或-n，意思是忽略掉不能恢复的状态
• Savepoint不会自动清理，需要手动清理策略
• 业务实践中基本都会配置停止任务自动保存一个Savepoint
• Savepoint正常启停不会有啥问题，往往在业务升级时会出问题：状态不可用、offset不能恢复等等，后面章节深入聊这部分

Flink的容错机制

Flink一个很亮眼的功能就是容错机制，加上它的分布式扩展特点，Flink+ML也是逐步的在业界探索中

容错容错，就是允许你发生错误，并能够自动恢复。Flink的容错依赖的是Checkpoint和Savepoint。自动恢复依赖的是Checkpoint，发生错误导致任务失败时会根据重启策略进行尝试重启。需要手动重启时就用到Savepoint或指定Checkpoint进行重启

来，上文档位置：Task 故障恢复

重启策略（Restart Strategy）：flink-conf.yaml或通过ExecutionEnvironment对象调用setRestartStrategy配置

• 固定延时重启策略：固定N次尝试重启，每次间隔一定延时时间，超过次数则失败

      restart-strategy.fixed-delay.attempts: 3
      restart-strategy.fixed-delay.delay: 10 s
  

      ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
      env.setRestartStrategy(RestartStrategies.fixedDelayRestart(
        3, // 尝试重启的次数
        Time.of(10, TimeUnit.SECONDS) // 延时
      ));
  

• 失败率重启策略：固定时间内，失败超过多少次就认定失败

      restart-strategy.failure-rate.max-failures-per-interval: 3
      restart-strategy.failure-rate.failure-rate-interval: 5 min
      restart-strategy.failure-rate.delay: 10 s
  

      ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
      env.setRestartStrategy(RestartStrategies.failureRateRestart(
        3, // 每个时间间隔的最大故障次数
        Time.of(5, TimeUnit.MINUTES), // 测量故障率的时间间隔
        Time.of(10, TimeUnit.SECONDS) // 延时
      ));
  

• 直接失败不重启

      restart-strategy: none
  

      ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
      env.setRestartStrategy(RestartStrategies.noRestart());
  

• 备用重启策略（Fallback Restart Strategy）：使用集群定义的重启策略，也就是启用了checkpoint但是你又没配置其他重启策略，那么集群默认使用固定延时重启策略，并尝试Integer.MAX_VALUE次重启

• 以上其实是3种，业务实践上建议配置固定延时重启策略或者失败率重启策略，不要一点都不配置。

• 以上Flink内部的重启策略，仍然可能失败，业务实践上建议配合运维系统定义好Flink外部的监控报警和调度重启机制，避免意外

• 流计算是一直无限的运行的，所以一定要监控好日志和Metric，如果运维强大可以配合制定好闲时重启机制的策略，如果有和外部系统交互的比如Kafka、Redis、Hbase等，也要做好相应的读写监控，尤其Kafka的流量峰值、Redis和Hbase的QPS等（个人业务实践时，维表使用的HBase，高峰流量时，HBase压力巨大（这个优化后面开文章好好聊，细节很多），曾一度拒绝FlinkJob链接或间断性的读数据慢的异常情况，导致Flink任务背压和挂掉并且自动重启失败，此时挂掉就依赖外部的重启机制了）。

恢复策略（Failover Strategies）：flink-conf.yaml中配置jobmanager.execution.failover-strategy，配置值说明如下：

• 全图重启：full：job的所有task全部重启
• 基于 Region 的局部重启：region：job的所有task会被flink内部根据某种逻辑依赖，划分成一个个逻辑上的region，当有task故障时，会把task所在的region和下游的region进行重启，如果有依赖上游数据流，则关联的region也会被重启，目的是保证数据一致性。这种形式

业务实践中如何选择呢，一般会优先配置为region，保证实时性，快速恢复处理数据。本地测试时可以full

Flink的状态机制与业务升级

这个话题，个人见解，有不严谨的地方，请指出，可以多加讨论，适用于业务

任务临时暂停，然后重启继续运行，这基本不会有啥问题，很顺畅。但是，比如生产上报错了或者需求更新，我得改，改了业务逻辑，再上线，会不会和checkpoint或者savepoint冲突不兼容？肯定的，那咋搞，怎么解决？

来，贴文档：Savepoints

DataStreamAPI

如果是DataStreamAPI开发的话，一定记得每个算子都设置一个OperatorID，文档里也是强烈建议。

    DataStream<String> stream = env.
      // Stateful source (e.g. Kafka) with ID
      .addSource(new StatefulSource())
      .uid("source-id") // ID for the source operator
      .shuffle()
      // Stateful mapper with ID
      .map(new StatefulMapper())
      .uid("mapper-id") // ID for the mapper
      // Stateless printing sink
      .print(); // Auto-generated ID

• 这个OperatorID，也叫UID，有啥讲究呢，没啥讲究。随便给个唯一值就行，但不能改。为啥？有用

• 还记得状态缓存吗，有状态的编程，状态数据在checkpoint或者savepoint后存在状态后端里，那重启时，状态数据怎么给到对应算子呢，到这里肯定就有思路了，就是根据uid给，存的时候也会与uid有个mapping关系。

• 所以uid一定要设置。如果不设置那怎么状态恢复给对应算子呢？你不设置，系统自动帮你生成一个，而且是根据flink运行的DAG图关系和其他一些信息组合起来生成一个hash值。所以你不动程序，直接重启，肯定能恢复。但是如果动了，导致DAG图也改了，那必然hash值会改，那么所有状态都无法恢复了。。。直接GG

• 设置了uid，但是状态数据结构改了咋办？也会恢复失败，但是你可以先保留旧的数据结构，然后开新的数据结构用来兼容过渡就可以解决这个问题。所以说，DataStreamAPI不存在无法恢复状态问题，只要好好设计uid，然后兼容好状态的数据结构即可。

TableAPI&SQL

坑就在这里，流批一体流批一体，重SQL的使用。Flink迅速火热，各个大厂都构建自己的FlinkSQL开发平台，实现了几乎不用一行代码，纯SQL，就能解决大部分场景需求。SQL开发迅速易上手，大大提升业务开发效率，这也是Flink后起之秀越来越代替Storm和SparkStreaming的原因。未来SQL肯定会越来越成熟和覆盖更多业务场景的开发（部分场景SQL可能无法处理或者很复杂所以还是会DataStreamAPI去搞），所以，未来Flink的使用，尤其流批一体的架构设计，SQL必须的熟悉使用！

上文说到uid解决状态恢复对应关系，TableAPI和SQL却无法手动设置uid，只能依靠自动生成，所以业务更新升级就无法避免会有状态无法恢复的情况

如下情况肯定可以恢复状态

• 有状态的计算里增加where条件
• 无状态的计算里可以随便改动

如下情况肯定无法恢复状态

• 增减sql流程：比如额外加个sql3，无论sql3是否是有状态的计算，因为算子的执行图会作为uid生成的一部分

• 有状态的计算里对group by或者聚合指标做了更改：你分组key（group by）都改了或者状态数据结构（聚合指标，比如增加个sum）都改了，肯定无法恢复。不过这种情况只有这个算子无法恢复，但是它无法恢复，是不是最终结果会被影响呢。。。。对吧

  比较重要的一点：状态无法恢复，但是offset可以恢复，只要topic没变

补充下小结：

（1）每个算子都有个uid

（2）savepoint保存的是当前的offset和各个算子对应的state

（3）DataStreamAPI可手动设置算子uid，进行精细化管理state和savepoint恢复

（4）TableAPI&SQL不可以手动设置uid，系统自动生成

（5）uid生成跟jobDAG等等有关，故新增、删除节点都会重新分配

（6）新增、删除SQL节点时，DAG里所有节点都会重新分配uid，savepoint里的state无法恢复，需加参数 --allowNonRestoredState （忽略不能映射到uid的state），Job方可重新启动

（7）修改有状态的计算SQL节点，只要不改group by相关计算，就可以正常从Savepoint恢复，否则状态恢复失败，需加参数 --allowNonRestoredState可忽略失败的状态是的算子继续启动

（8）修改无状态的计算SQL节点，无影响

（9）关于状态能不能恢复总结下：改了DAG必然无法恢复，原因是uid对应不上了；改了有状态计算的状态key（group by部分）和value的数据结构（sum、count这些）部分，只该节点状态无法恢复，不影响其他节点恢复情况。原因是uid能对上，但是新旧状态数据结构不一样导致无法恢复。

（10）只要必须加–allowNonRestoredState才能启动时，一定是存在部分或所有的节点状态不能恢复，可以用这点去检测是否会状态恢复失败

咋个解决呢？下面列举下可行的方案，因业务场景和实时性要求而做不同选择

• （1）长窗口或累计计算等情况，第三方存储保存中间结果【部分场景可以解决】

• （2）从较早checkpoint开始启动，允许状态恢复失败，但可以重复跑一段时间段数据来保证不丢失，需要下游支持幂等【推荐】

• （3）流批混跑（流负责实时+批闲时替换流实时或批闲时重跑），批兜底【T+1报表之类的可以考虑：资源冗余、需要实现流批一体否则两套代码】

• （4）闲时升级【推荐：重实时性、重数据准确或一致性】

• （5）由于流计算实时性特点，部分业务实时准确性在升级逻辑时确实难以保证，与下游业务方沟通告知，且保证能接续offset继续计算。【推荐：重实时性、轻数据准确或一致性】

• （6）重点逻辑DataStreamAPI开发并设置uid来保证此逻辑节点的状态恢复【重实时性、轻数据准确或一致性、但是难以预测业务的变更】

以上，个人愚见，若有表述错误的，还请指出，避免误导！