Flink优化——资源优化（一）

目录

资源配置优化

内存设置 （1CPU 配置 4G 内存）

并行度设置

最优并行度计算

Source 端并行度的配置

Transform 端并行度的配置

Keyby 之前的算子

Keyby 之后的算子 （KeyGroup 最小值为128）

Sink 端并行度的配置

RocksDB 大状态调优

设置本地 RocksDB 多目录：

Checkpoint 设置

---

资源配置优化

    Flink 性能调优的第一步，就是为任务分配合适的资源，在一定范围内，增加资源的分配与性能的提升是成正比的，实现了最优的资源配置后，在此基础上再考虑进行后面论述的心更难调优策略。

    提交方式主要 yarn-per-job ，资源的分配在使用脚本提交 Flink 任务时进行指定。

内存设置 （1CPU 配置 4G 内存）

    生产资源配置：

bin/flink run \
-t yarn-per-job \
-d \
-p 5 \ 指定并行度
-Dyarn.application.queue=test \ 指定 yarn 队列
-Djobmanager.memory.process.size=2048mb \ JM2～4G足够
-Dtaskmanager.memory.process.size=6144mb \ 单个TM2～8G足够
-Dtaskmanager.numberOfTaskSlots=2 \ 与容器核数 1 core：1 slot或1 core：2 slot
-c com.xxxx.classApp
/opt/..../ jar

Flink 是实时流处理，关键在于资源情况能不能抗住高峰时期每秒的数据量，通常用QPS/TPS来描述数据情况。

并行度设置

最优并行度计算

开发完成后，先进行压测，任务并行度给 10 以下，测试单个并行度的处理上限。然后 总 QPS / 单并行度的处理能力 = 并行度

不能只从 QPS 去得出并行度，因为有些字段少、逻辑简单的任务，单并行度一秒处理几万条数据。而有些数据字段多，处理逻辑复杂，单并行度一秒只能处理 1000 条数据。

最好根据高峰期的 QPS 压测， 并行度*1.2倍，富余一些资源。

Source 端并行度的配置

数据源端是 Kafka， Source 的并行度设置为 Kafka 对应 Topic 的分区数

如果已经等于 Kafka 的分区数，消费速度仍跟不上数据生产速度，考虑下 Kafka 要扩大分区，同时调大并行度等于分区数。

Flink 的一个并行度可以处理一至多个分区的数据，如果并行度多于 Kafka 的分区数， 那么就会造成有的并行度空闲，浪费资源。

Transform 端并行度的配置

Keyby 之前的算子

一般不会做太重的操作，都是比如 map、filter、flatmap 等处理较快的算子。并行度可以和 source 保持一致。

Keyby 之后的算子 （KeyGroup 最小值为128）

如果并发较大，建议设置并行度为 2 的整数次幂， 例如：128、256、512；

小并发任务的并行度不一定需要设置成 2 的整数次幂；

大并发任务如果没有 Keyby，并行度也无需设置为 2 的整数次幂；

Sink 端并行度的配置

Sink 端是数据流向下游的地方，可以根据 Sink 端的数据量 及 下游的服务抗压能力 进行评估。

如果 Sink 端是 Kafka，可以设为 Kafka 对应 Topic 的分区数。

Sink 端的数据量小，比较常见的就是监控告警的场景，并行度可以设置的小一些。

Source 端的数据量是最小的，拿到 Source 端流过来的数据后做了细粒度的拆分，数据量不断的增加，到 Sink 端的数据量就非常大。那么在 Sink 到下游的存储中间件的时候就需要提高并行度。

另外 Sink 端要与下游的服务进行交互，并行度还得根据下游的服务抗压能力来设置，如果在 Flink Sink 这端的数据量过大的话，且 Sink 处并行度也设置的很大， 但下游的服务完全撑不住这么大的并发写入， 可能会造成下游服务直接被写挂，所以最终还是要在 Sink 处的并行度做一定的权衡。

RocksDB 大状态调优

RocksDB 是基于 LSM Tree 实现的（类似 HBase），写数据都是先缓存到内存中，所以 RocksDB 的写请求效率比较高。 RocksDB 使用内存结合磁盘的方式来存储数据，每次获取数据时，先从内存中 bolckcache 中查找，如果内存中没有再去磁盘中查询。优化后差不多单并行度 TPS 5000 record/s，性能瓶颈主要在于 RocksDB 对磁盘的读请求，所以当处理性能不够时，仅需要横向扩展并行度即可提高整个 Job 的吞吐量，以下几个调优参数：

设置本地 RocksDB 多目录：

在 flink-conf.yaml 中配置： state.backend.rocksdb.localdir:xxx

注意：不要配置单块磁盘的多个目录，务必将目录配置到多块不同的磁盘上，让多块磁盘来分担压力。当设置多个 RocksDB 本地磁盘目录时， Flink 会随机选择要使用的目录，所以就可能存在三个并行度共用同一目录的情况。如果服务器磁盘数较多，一般不会出现该情况，但是如果任务重启后吞吐量较低，可以检查是否发生了多个并行度共用同一块磁盘的情况。

当一个 TaskManager 包含 3 个 slot 时，那么单个服务器上的三个并行度都对磁盘造成频繁读写，从而导致三个并行度的之间相互争抢同一个磁盘 io，这样务必导致三个并行度的吞吐量都会下降。设置多目录实现三个并行度使用不同的硬盘从而减少资源竞争。

state.backend.incremental: 开启增量检查点，默认 false，改为 true。

state.backend.rocksdb.predefined-options:SPINNING_DISK_OPTIMIZED_HIGH_MEM 设置为机械硬盘 + 内存模式，有条件上 SSD，指定为 FLASH_SSD_OPTIMIZED

state.backend.rocksdb.block.cache-size: 整个 RocksDB 共享一个 block cache，读数据时内存的 cache 大小，该参数越大读数据时缓存命中率越高，默认大小为 8MB，建议设置到 64 - 256 MB

state.backend.rocksdb.thread.num: 用于后台 flush 和合并 sst 文件的线程数，默认为 1， 建议调大，机械硬盘用户可以改为 4 等更大的值。

state.backend.rocksdb.writebuffer.size: RocksDB 中， 每个 State 使用一个 Column Family, 每个 Column Family 使用独占的 write buffer，建议调大，例如：32M

state.backend.rocksdb.writebuffer.count: 每个 Column Family 对应的 writebuffer 数目，默认值是 2， 对应机械磁盘来说，如果内存足够大，可以调大到 5 左右。

state.backend.rocksdb.writebuffer.number-to-merge: 将数据从 writebuffer 中 flush 到磁盘时，需要合并的 writebuffer 数量，默认值为 1，可以调成 3。

Checkpoint 设置

 一般我们的 Checkpoint 时间间隔可以设置为分钟级别，对于状态很大的任务每次 Checkpoint 访问 HDFS 比较耗时，可以设置为 5 - 10 分钟一次 Checkpoint ，并且调大两次 Checkpoint 之间的暂停间隔，例如设置两次 Checkpoint 之间至少暂停 4或8 分钟。

如果 Checkpoint 语义配置为EXACTLY_ONCE，那么在 Checkpoint 过程中还会存在 barrier 对齐的过程，可以通过 Flink Web UI 的 Checkpoint 选项来查看 Checkpoint 过程中个阶段的耗时情况，从而确定到底是那个阶段导致 Checkpoint 时间过长。

参考

176-Flink优化-资源优化_哔哩哔哩_bilibili