1.架构设计
分层设计说明(相关术语解释）
物理部署层-deploy层
负责解决Flink的部署模式问题，
支持多种部署模式：本地部署、集群部署（Standalone/Yarn/Mesos）、云（GCE/EC2）以及kubernetes。
通过该层支持不同平台的部署，用户可以根据自身场景和需求选择使用对应的部署模式。
Runtime核心层
是Flink分布式计算框架的核心实现层，负责对上层不同接口提供基础服务。
支持分布式Stream作业的执行、JobGraph到ExecutionGraph的映射转换以及任务调度等。
将DataStream和DataSet转成统一的可执行的Task Operator，达到在流式计算引擎下同时处理批量计算和流式计算的目的。
API & Libraries层
负责更好的开发用户体验，包括易用性、开发效率、执行效率、状态管理等方面。
Flink同时提供了支撑流计算和批处理的接口，同时在这基础上抽象出不同的应用类型的组件库，如：
基于流处理的CEP（复杂事件处理库）
Table & Sql库
基于批处理的FlinkML（机器学习库）
图处理库(Gelly)
API层包括两部分
流计算应用的DataStream API
批处理应用的DataSet API
统一的API，方便用于直接操作状态和时间等底层数据
提供了丰富的数据处理高级API，例如Map、FllatMap操作等，
并提供了比较低级的Process Function API
通过该层支持不同平台的部署，用户可以根据自身场景和需求选择使用对应的部署模式。
Runtime核心层
是Flink分布式计算框架的核心实现层，负责对上层不同接口提供基础服务。
支持分布式Stream作业的执行、JobGraph到ExecutionGraph的映射转换以及任务调度等。
将DataStream和DataSet转成统一的可执行的Task Operator，达到在流式计算引擎下同时处理批量计算和流式计算的目的。
API & Libraries层
负责更好的开发用户体验，包括易用性、开发效率、执行效率、状态管理等方面。
Flink同时提供了支撑流计算和批处理的接口，同时在这基础上抽象出不同的应用类型的组件库，如：
基于流处理的CEP（复杂事件处理库）
Table & Sql库
基于批处理的FlinkML（机器学习库）
图处理库(Gelly)
API层包括两部分
流计算应用的DataStream API
批处理应用的DataSet API
统一的API，方便用于直接操作状态和时间等底层数据
提供了丰富的数据处理高级API，例如Map、FllatMap操作等，
并提供了比较低级的Process Function API2、运行模式
运模模式核心区分点
集群生命周期和资源隔离保证
应用程序的main()方法是在客户端还是在集群上执行
所有模式分类说明
本地运行模式
standalone模式
集群运行模式
经常是指flink on yarn集群模式，yarn也可以换成mesos,Kubernetes(k8s)等资源管理平台替换。
共3种
session模式
per-job模式
application模式
session模式
per-job模式
application模式 本地运行模式
运行过程：一个机器启动一个进程的多线程来模拟分布式计算。
主要用于代码测试
standalone模式
运行过程：完全独立的Flink集群的模式，各个环节均Flink自己搞定。并没有yarn、mesos的统一资源调度平台。
主要是只有纯Flink纯计算的场景，商用场景极少。
集群运行模式
Flink Session 集群(会话模式)
集群生命周期：
在 Flink Session 集群中，客户端连接到一个预先存在的、长期运行的集群，该集群可以接受多个作业提交。即使所有作业完成后，集群（和 JobManager）仍将继续运行直到手动停止 session 为止。因此，Flink Session 集群的寿命不受任何 Flink 作业寿命的约束。
资源隔离：
TaskManager slot 由 ResourceManager 在提交作业时分配，并在作业完成时释放。由于所有作业都共享同一集群，因此在集群资源方面存在一些竞争 — 例如提交工作阶段的网络带宽。此共享设置的局限性在于，如果 TaskManager 崩溃，则在此 TaskManager 上运行 task 的所有作业都将失败；再比如，如果 JobManager 上发生一些致命错误，它将影响集群中正在运行的所有作业。
其他注意事项：
拥有一个预先存在的集群可以节省大量时间申请资源和启动 TaskManager。有种场景很重要，作业执行时间短并且启动时间长会对端到端的用户体验产生负面的影响 — 就像对简短查询的交互式分析一样，希望作业可以使用现有资源快速执行计算。
Flink Session 集群也被称为 session 模式下的 Flink 集群。
工作模式
附加模式（默认）
特点
客户端与Flink作业集群相互同步
细节描述
yarn-session.sh客户端将 Flink 集群提交给 YARN，但客户端保持运行，跟踪集群的状态。
如果集群失败，客户端将显示错误。如果客户端被终止，它也会通知集群关闭。
分离模式（-d或–detached）
特点
客户端与Flink作业集群相互异步，客户端提交完成后即可退出
细节描述
yarn-session.sh客户端将Flink集群提交给YARN，然后客户端返回。
需要再次调用客户端或 YARN 工具来停止 Flink 集群。
工作流程特征说明
多个不同的FlinkJob向同一个Flink Session会话上提交作业，由这一个统一个的FlinkSession管理所有的Flink作业。
工作流程示意图
Flink Job 集群(per-job模式）
集群生命周期：
在 Flink Job 集群中，可用的集群管理器（例如 YARN）用于为每个提交的作业启动一个集群，并且该集群仅可用于该作业。在这里客户端首先从集群管理器请求资源启动 JobManager，然后将作业提交给在这个进程中运行的 Dispatcher。然后根据作业的资源请求惰性的分配 TaskManager。一旦作业完成，Flink Job 集群将被拆除。
资源隔离：
JobManager 中的致命错误仅影响在 Flink Job 集群中运行的一个作业。
其他注意事项：
由于 ResourceManager 必须应用并等待外部资源管理组件来启动 TaskManager 进程和分配资源，所以其实时计算性并没有session模式强，因此 Flink Job 集群更适合长期运行、具有高稳定性要求且对较长的启动时间不敏感的大型作业。
Flink Job 集群也被称为 job (or per-job) 模式下的 Flink 集群。
工作流程特征说明
多个不同的FlinkJob向各自由统一资源管理器(Yarn)生成的专用Flink Session会话上提交作业，由作业所属的FlinkSession管理自己的Flink作业。
工作流程示意图
Flink Application 集群(应用模式)
集群生命周期：
Flink Application 集群是与Flink作业执行直接相关的运行模式，并且 main()方法在集群上而不是客户端上运行。
提交作业是一个单步骤过程：
无需先启动 Flink 集群，然后将作业提交到现有的 session 集群。
而是，将应用程序逻辑和依赖打包成一个可执行的作业 JAR 中，由入口机客户端提交jar包和相关资源到hdfs当中。
然后由调度启动的集群当中JobManager来拉取已由上一步上传完成的运行代码所需要的所有资源。如果有JobManager HA设置的话，将会同时启动多个JobManager作HA保障，此时将面临JobManager的选择，最终由一个胜出的JobManager作为Active进程推进下边的执行。
并由运行JobManager进程的集群入口点节点机器（ApplicationClusterEntryPoint）负责调用 main()方法来提取 JobGraph，即作为用户程序的解析和提交的客户端程序与集群进行交互，直到作业运行完成。
另外，如果一个main()方法中有多个env.execute()/executeAsync()调用，在Application模式下，这些作业会被视为属于同一个应用，在同一个集群中执行（如果在Per-Job模式下，就会启动多个集群）
该模式也允许我们像在 Kubernetes 上部署任何其他应用程序一样部署 Flink 应用程序。
因此，Flink Application 集群的寿命与 Flink 应用程序的寿命有关。
资源隔离：
在 Flink Application 集群中，ResourceManager 和 Dispatcher 作用于单个的 Flink 应用程序，相比于 Flink Session 集群，它提供了更好的隔离。
Flink Job 集群可以看做是 Flink Application 集群”客户端运行“的替代方案。
该模式为yarn session和yarn per-job模式的折中选择。
工作流程特征说明
将各个环节更进一步进行专用化处理，相当于每个FlinkJob都有一套专用的服务角色进程。
总结
应用场景
本地布署模式：demo、代码测试场景。
Session模式：集群资源充分、频繁任务提交、小作业居多、实时性要求高的场景。(该模式较少）
Per-Job模式：作业少、大作业、实时性要求低的场景。
Application模式：实时性要求不太高、安全性有一定要求均可以使用，普遍适用性最强。
生产环境使用说明
一般建议用per-job或是application模式，提供了更好的资源隔离性和安全性。
3、运行流程
3.1) 运行时核心角色组成
由两种类型的进程组成，一个 JobManager 和一个或者多个 TaskManager。
工作流程图
补充说明
Client 客户端不是运行时和程序执行的一部分，而是用于准备数据流并将其发送给 JobManager。
提交任务完成之后，Client可以断开连接（分离模式），或保持连接来接收进程报告（附加模式）。
Client可以作为触发执行 Java/Scala 程序的一部分运行，也可以在命令行进程./bin/flink run …中运行。
可以通过多种方式启动 JobManager 和 TaskManager：直接在机器上作为standalone 集群启动、在容器中启动、或者通过YARN或Mesos等资源框架管理并启动。TaskManager 连接到 JobManagers，宣布自己可用，并被分配工作。
actor system
各个角色组件互相通信的消息传递系统中间件。
actor是一种并发编程模型，与另一种模型共享内存完全相反，Actor模型share nothing，即没有任何共享。
所有的线程(或进程)通过消息传递的方式进行合作(通信)，这些线程(或进程)称为Actor。
以其简单、高效著称
缺点
唯一的缺点是不能实现真正意义上的并行， 而是通过并发实现的并行效果，会存在一定的不确定性。
纯消息通信，实时性和粒度控制上会略弱于共享内存的方式。
核心组成角色剖析
JobManager
JobManager 具有许多与协调 Flink 应用程序的分布式执行有关的职责：它决定何时调度下一个 task（或一组 task）、对完成的 task 或执行失败做出反应、协调 checkpoint、并且协调从失败中恢复等等。这个进程由三个不同的组件组成：
ResourceManager
ResourceManager 负责 Flink 集群中的资源提供、回收、分配 - 它管理 task slots，这是 Flink 集群中资源调度的最小单位。Flink 为不同的环境和资源提供者（例如 YARN、Mesos、Kubernetes 和 standalone 部署）实现了对应的 ResourceManager。在 standalone 设置中，ResourceManager 只能分配可用 TaskManager 的 slots，而不能自行启动新的 TaskManager。
Dispatcher
Dispatcher 提供了一个 REST 接口，用来提交 Flink 应用程序执行，并为每个提交的作业启动一个新的 JobMaster。它还运行 Flink WebUI 用来提供作业执行信息。
JobMaster
JobMaster 负责管理单个JobGraph的执行。Flink 集群中可以同时运行多个作业，每个作业都有自己的 JobMaster。
始终至少有一个 JobManager。高可用（HA）设置中可能有多个 JobManager，其中一个始终是 leader，其他的则是 standby。
TaskManager
TaskManager（也称为 worker）执行作业流的 task，并且缓存和交换数据流。
必须始终至少有一个 TaskManager。在 TaskManager 中资源调度的最小单位是 task slot。TaskManager 中 task slot 的数量表示并发处理 task 的数量。请注意一个 task slot 中可以执行多个算子。
3.2）Yarn模式提交任务的工作流程
工作流程图
补充说明
注意Session和Job模式的区分性。
