flink 运行时的组件
JobManager
控制一个应用程序执行的主进程，也就是说，每个应用程序都会被一个不同的JobManager 所控制执行。
JobManager 会先接收到要执行的应用程序，这个应用程序回包括：作业图（JobGraph）、逻辑数据流图（logical dataflow graph）和打包了所有类、库和其他资源的JAR包。JobManager会把 JobGraph 转换成一个物理层面的数据流图，这个图被叫做"执行图"，包含了所有可以并发执行的任务。
JobManager 会向资源管理器（ResourceManager）请求执行任务必要的资源，也就是任务管理器（TaskManager）上的插槽（Slot）。一旦它获取到了足够的资源，就会将执行图分发到真正运行他们的TaskManager上。而在运行过程中，JobManager 会负载所有需要中央协调的操作，比如说检查点（checkpoints）的协调。
TaskManager
Flink 中的工作进程。通常在Flink中会有多个TaskManager运行，每一个TaskManager都包含了一定数量的插槽（slots）。插槽的数量限制了TaskManager 能够执行的任务数量。启动之后，TaskManager会向资源管理器注册它的插槽；收到资源管理器的指令后，TaskManager就会将一个或者多个插槽提供给JobManager调用。JobManager就可以向插槽分配任务（tasks）来执行了。
在执行过程中，一个TaskManager可以跟其他运行同一应用程序的TaskManager交换数据。
ResourceManager
主要负责管理任务管理器（TaskManager）的插槽（slot），TaskManager 插槽是Flink中定义的处理资源单元。
Flink为不同的环境和资源管理工具提供了不同资源管理器，比如YARN、MEsos、K8s，以及standalone部署。
当JobManager 申请插槽资源时，ResourceManager 会将有空闲插槽的TaskManager分配给JobManager。如果ResourceManager没有足够的插槽来满足JobManager的请求，它还可以向资源提供平台发起会话，以提供启动TaskManager进程的容器。
Dispatcher
可以跨作业运行，它为 应用提交提供了REST接口。当一个应用被提交执行时，分发器就会启动并将移交给一个JobManager。Dispatcher也会启动一个Web UI，用来方便地展示和监控作业执行的信息。
Dispatcher 在架构中可能并不是必须的，这取决于应用提交运行的方式。
任务提交流程
任务提交过程
YARN 模式
详细提交流程
- Flink任务提交后，client向HDFS上传Flink的jar包和配置
- Client向Yarn ResourceManager 提交任务
- ResourceManager 分配Container 资源并通知对应的NodeManager 启动 ApplicationMaster
- ApplicationMaster 启动后加载Flink的jar包和配置构建环境
- ApplicationMaster启动JobManager
- ApplicationMaster向ResourceManager申请资源启动 TaskManager
- ResourceManager 分配Container 资源后
- 由ApplicationMaster 通知资源所在节点的NodeManager 启动 TaskManager
- NodeManager 加载Flink的jar包和配置构建环境并启动TaskManager
- TaskManager启动后向JobManager发送心跳包
- 等待JobManager 向其分配任务
优缺点
YARN 资源的统一管理和调度。Yarn 集群中所有节点的资源（内存、CPU、磁盘、网络等）被抽象为 Container。计算框架需要资源进行运算任务时需要向 Resource Manager 申请 Container，Yarn 按照特定的策略对资源进行调度和进行 Container 的分配。Yarn 模式能通过多种任务调度策略来利用提高集群资源利用率。例如 FIFO Scheduler、Capacity Scheduler、Fair Scheduler，并能设置任务优先级。
资源隔离。Yarn 使用了轻量级资源隔离机制 Cgroups 进行资源隔离以避免相互干扰，一旦 Container 使用的资源量超过事先定义的上限值，就将其杀死。
自动 failover 处理。例如 Yarn NodeManager 监控、Yarn ApplicationManager 异常恢复。
TaskManager 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taskslot）
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（CPU是靠抢的），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，即使他们是不同任务的子任务（前提是他们来自同一个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
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。
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。
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（重新分配）：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；任务链必须满足两个条件：one-to-one的数据传输并且并行度相同