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。

1、一致性级别

在流处理中，一致性可以分为3 个级别：

  • 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。
  • 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。
  • 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丢失，还意味着针对每一个数据，内部状态仅仅更新一次。

2、端到端（end-to-end）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。具体可以划分如下：

  • 内部保证—— 依赖checkpoint
  • source 端—— 需要外部源可重设数据的读取位置
  • sink 端—— 需要保证从故障恢复时，数据不会重复写入外部系统

而对于sink 端，又有两种具体的实现方式：幂等（Idempotent）写入和事务性（Transactional）写入。

2.1 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。

FLink怎么保证数据仅此一次 flink如何保证数据不丢失_FLink怎么保证数据仅此一次

2.2 事务写入

事务（Transaction）

  • 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消
  • 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

需要构建事务来写入外部系统，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。

对于事务性写入，具体又有两种实现方式：预写日志（WAL）和两阶段提交（2PC）。

2.2.1 预写日志（Write-Ahead-Log，WAL）

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DataStream API 提供了一个模板类：GenericWriteAheadSink，来实现这种事务性 sink。

2.2.2 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

  • 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
  • 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
  • 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，这可能需要一些时间。如果这个时候sink系统关闭事务（例如超时了），那么未提交的数据就会丢失
  • sink 任务必须能够在进程失败后恢复事务
  • 提交事务必须是幂等操作

3、Flink+Kafka 端到端状态一致性的保证

  • 内部 —— 利用 checkpoint 机制，把状态存盘，发生故障的时候可以恢复，保证内部的状态一致性
  • source —— kafka consumer 作为source，可以将偏移量保存下来，如果后续任务出现了故障，恢复的时候可以由连接器重置偏移量，重新消费数据，保证一致性
  • sink —— kafka producer 作为sink，采用两阶段提交sink，需要实现一个TwoPhaseCommitSinkFunction

Exactly-once 两阶段提交

FLink怎么保证数据仅此一次 flink如何保证数据不丢失_scala_02


JobManager 协调各个 TaskManager 进行 checkpoint 存储。checkpoint保存在 StateBackend中，默认StateBackend是内存级的，也可以改为文件级的进行持久化保存。

FLink怎么保证数据仅此一次 flink如何保证数据不丢失_kafka_03


当 checkpoint 启动时，JobManager 会将检查点分界线（barrier）注入数据流barrier会在算子间传递下去。

FLink怎么保证数据仅此一次 flink如何保证数据不丢失_kafka_04


每个算子会对当前的状态做个快照，保存到状态后端。checkpoint 机制可以保证内部的状态一致性。

FLink怎么保证数据仅此一次 flink如何保证数据不丢失_scala_05


每个内部的 transform 任务遇到 barrier 时，都会把状态存到 checkpoint 里。sink 任务首先把数据写入外部 kafka，这些数据都属于预提交的事务；遇到barrier 时，把状态保存到状态后端，并开启新的预提交事务。

FLink怎么保证数据仅此一次 flink如何保证数据不丢失_scala_06


当所有算子任务的快照完成，也就是这次的 checkpoint 完成时，JobManager 会向所有任务发通知，确认这次 checkpoint 完成。sink 任务收到确认通知，正式提交之前的事务，kafka 中未确认数据改为“已确认”。

Exactly-once 两阶段提交步骤

  • 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