Flink - [08] 状态一致性

题记部分

一、什么是状态一致性

  有状态的流处理，内部每个算子任务都可以有自己的状态。对于流处理器内部来说，所谓的状态一致性，其实就是我们所说的计算结果要保证准确、一条数据也不应该丢失，也不应该重复计算，在遇到故障时可以恢复状态，恢复以后的重新计算，结果应该也是完全正确的。

二、状态一致性分类

（1）AT-MOST-ONCE（最多一次）

  当任务故障时，最简单的做法是什么都不干，既不恢复丢失的状态，也不重播丢失的数据。At-most-once 语义的含义是最多处理一次事件。

（2）AT-LEAST-ONCE（至少一次）

  在大多数的真实应用场景，我们希望不丢失事件。这种类型的保障称为at-least-once，意思是所有的事件都得到了处理，而一些事件还可能被处理多次。

（3）EXACTLY-ONCE（精确一次）

  恰好处理一次是最严格的保证，也是最难实现的。恰好处理一次语义不仅仅意味着没有事件发生，还意味着针对每一个数据，内部状态仅仅更新一次。

三、一致性检查点

  Flink使用了一种轻量级快照机制 —— 检查点（checkpoint）来保证exactly-once语义，有状态流应用的一致检查点，其实就是：所有任务的状态，在某个时间点的一份拷贝（一份快照）。而这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候。应用状态的一致检查点，是Flink故障恢复机制的核心。

四、端到端状态一致性

  目前我们看到的一致性保证都是由流处理器实现的，也就是说都是在Flink流处理器内部保证的；而在真实应用中，流处理应用除了流处理器以外还包含了数据源（例如Kafka）和输出到持久化系统。端到端的一致性保证，意味着结果的正确性贯穿了整个流处理应用的始终；每一个组件都保证了它自己的一致性。整个端到端的一致性级别取决于所有组件中一致性最弱的组件。

五、端到端 exactly-once

（1）内部保证 —— checkpoint

（2）source端 —— 可重设数据的读取位置

（3）sink端 —— 从故障恢复时，数据不会重复写入外部系统

  ① 幂等写入

  ② 事务写入

六、幂等写入

  所谓幂等操作，是说一个操作，可以重复执行很多次，但只导致一次结果更改，也就是说，后面再重复执行就不起作用了。

七、事务写入

（1）事务（Transaction）

  ① 应用程序中一系列严密的操作，所有操作必须成功完成，否则在每个操作中所作的所有更改都会被撤销

  ② 具有原子性：一个事务中的一系列的操作要么全部成功，要么一个都不做

（2）实现思想：构建的事务对应着checkpoint，等到checkpoint真正完成的时候，才把所有对应的结果写入sink系统中。

（3）实现方式：

  ① 预写日志

  ② 两阶段提交

八、预写日志

  把结果数据先当成状态保存，然后在收到checkpoint完成的通知时，一次性写入sink系统。简单易于实现，由于数据提前在状态后端中做了缓存，所以无论什么sink系统，都能用这种方式一批搞定。DatasStream API提供了一个模板类：GenericWriteAheadSink，来实现这种事务性sink。

九、两阶段提交

Two-Phase-Commit，2PC

  对于每个checkpoint，sink任务会启动一个事务，并将接下来所有接收的数据添加到事务里。然后将这些数据写入外部sink系统，但不提交它们 —— 这时只是“预提交”。当它收到checkpoint完成的通知时，它才正式提交事务，实现结果的真正写入。这种方式真正实现了exactly-once，它需要一个提供事务支持的外部sink系统。Flink提供了TwoPhaseCommitSinkFunction接口。

  2PC对外部sink系统的要求？

（1）外部sink系统必须提供事务支持，或者sink任务必须能够模拟外部系统上的事务。

（2）在checkpoint的间隔期间里，必须能够开启一个事务并接受数据写入。

（3）在收到checkpoint完成的通知之前，事务必须是“等待提交”的状态。在故障恢复的情况下

十、不同Source和Sink的一致性保证

十一、Flink + Kafka端到端状态一致性保证

十二、Exactly-once 两阶段提交

— 业精于勤荒于嬉，行成于思毁于随 —