【Flink-State】Flink三种StateBackend的区别与使用:MemoryStateBackend & FsStateBackend & RocksDBStateBackend
- 1)场景描述
- 2)StateBackend的存储位置与配置方式
- 3)StateBackend的种类
- 4)StateBackend的介绍
- 4.1.MemoryStateBackend
- 4.2.FsStateBackend
- 4.3.RocksDBStateBackend
- 5)StateBackend的使用
- 5.1.不同StateBackend吞吐量对比
- 5.2.不同StateBackend延迟对比
- 5.3.StateBackend的选择
- 5.4.StateBackend的设置方式
1)场景描述
当Flink程序的checkpoint
被触发时,状态会被持久化到checkpoint
,以防止数据丢失和无缝恢复。
状态在内部如何组织和它们如何以及在哪持久化,依赖于所选的状态后端。
2)StateBackend的存储位置与配置方式
(1)StateBackend的存储位置
Checkpoint
的存储的位置取决于配置的StateBackend
(JobManager 内存,文件系统,数据库...
)
默认情况下,State
存储在TaskManager内存
中,Checkpoint
存储在 JobManager内存
中。
(2)StateBackend的配置方式
Flink 支持在其他StateBackend中存储 State 和 Checkpoint。可以通过如下方法配置:StreamExecutionEnvironment.setStateBackend(…)
Flink 提供了不同的StateBackend,支持不同的State存储方式和位置。默认会使用配置文件flink-conf.yaml
指定的选项,也可以在每个作业中设置来覆盖默认选项:
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(...);
3)StateBackend的种类
Flink自带了以下几种开箱即用的StateBackend:
- MemoryStateBackend
- FsStateBackend
- RocksDBStateBackend
在没有配置的情况下,系统默认使用MemoryStateBackend。
4)StateBackend的介绍
MemoryStateBackend
:默认,小状态,本地调试使用。
FsStateBackend
:大状态,长窗口,高可用场景。
RocksDBStateBackend
:超大状态,长窗口,高可用场景,可增量checkpoint。
4.1.MemoryStateBackend
(1)了解MemoryStateBackend
1、MemoryStateBackend将内部的数据保存在Java堆上。Key/value状态和窗口操作符持有存储值,触发器等的哈希表。
2、当进行checkpoint时,这个状态后端会对当前的状态进行快照,并且将其作为checkpoint ACK消息的一部分发送给JobManager(master),该JobManager将其存储在它的堆上。
3、MemoryStateBackend的四个构造函数
public MemoryStateBackend() {
this(5242880);
}
public MemoryStateBackend(int maxStateSize) {
this(maxStateSize, true);
}
public MemoryStateBackend(boolean asynchronousSnapshots) {
this(5242880, asynchronousSnapshots);
}
public MemoryStateBackend(int maxStateSize, boolean asynchronousSnapshots) {
this.maxStateSize = maxStateSize;
this.asynchronousSnapshots = asynchronousSnapshots;
}
注意:
MemoryStateBackend可以配置使用异步快照的方式。
虽然我们强烈鼓励使用异步快照的方式来避免管道阻塞,但是请注意,这个是一个新特性,目前默认情况下不启用。
为了启用这个状态,用户可以在初始化MemoryStateBackend时将构造函数中相应的布尔标识设为true,例如:
new MemoryStateBackend(MAX_MEM_STATE_SIZE, true);
(2)MemoryStateBackend的局限性
- 单个状态的大小默认情况下最大为5MB。这个值可以通过MemoryStateBackend构造函数进行增加。
- 无论配置的最大状态大小为多少,状态的大小不能超过akka帧大小。
- 聚合的状态必须在JobManager的内存中能存放。
(3)MemoryStateBackend适用于
- 本地开发和调试。
- 只有很小状态的作业,例如作业只由record-at-a-time函数组成(Map,FlatMap,Filter,…)。Kafka消费者只需要非常小的状态。
4.2.FsStateBackend
(1)了解FsStateBackend
1、FsStateBackend默认使用异步快照,对每个快照文件大小有要求:[0, 1048576],且状态快照大小不能超过TaskManager的内存。但状态快照最终保存在文件系统中,所以FsStateBackend适用于大数据的生产环境,可处理长窗口,大状态或大key-value状态任务。
2、FsStateBackend将流计算数据状态存储在<font color=orangeTaskManager的内存中,在数据流遇到检查点屏障时,再将数据快照存储在配置好的文件系统中,在<font color=orangeJobManager内存中会存储少量的checkpoint元数据。
3、FsStateBackend的三种构造函数:
public FsStateBackend(String checkpointDataUri, boolean asynchronousSnapshots) throws IOException {
this(new Path(checkpointDataUri), asynchronousSnapshots);
}
public FsStateBackend(Path checkpointDataUri, boolean asynchronousSnapshots) throws IOException {
this(checkpointDataUri.toUri(), asynchronousSnapshots);
}
//fileStateSizeThreshold默认1024
public FsStateBackend(URI checkpointDataUri, int fileStateSizeThreshold, boolean asynchronousSnapshots) throws IOException {
Preconditions.checkArgument(fileStateSizeThreshold >= 0, "The threshold for file state size must be zero or larger.");
Preconditions.checkArgument(fileStateSizeThreshold <= 1048576, "The threshold for file state size cannot be larger than %s", new Object[]{1048576});
this.fileStateThreshold = fileStateSizeThreshold;
this.basePath = validateAndNormalizeUri(checkpointDataUri);
this.asynchronousSnapshots = asynchronousSnapshots;
}
(2)FsStateBackend的存储路径
- FsStateBackend需要配置存储的文件系统,可以是
HDFS
路径
hdfs://namenode:40010/flink/checkpoints
- 也可以是
文件系统
路径
file:///data/flink/checkpoints
(3)FsStateBackend的推荐使用的场景
- 处理大状态,长窗口,或大键值状态的有状态处理任务, 例如分钟级窗口聚合或 join。
- 适合用于高可用方案(需要开启HA的作业)
- 可以在生产环境中使用。
4.3.RocksDBStateBackend
(1)了解RocksDBStateBackend
1、RocksDBStateBackend的存储位置
RocksDBStateBackend将in-flight数据存储在RocksDB数据库中,它(默认)存储在TaskManager的data目录下。
当checkpoint时,整个RocksDB数据库将被checkpoint到配置的文件系统和目录下。最小的元数据存储在JobManager的内存中(或者,在高可用模式下,在元数据checkpoint中)
2、RocksDB介绍
RocksDB是一种嵌入式的本地数据库。RocksDBStateBackend 将处理中的数据使用RocksDB存储在本地磁盘上。
在checkpoint时,整个RocksDB数据库会被存储到配置的文件系统中,或者在超大状态作业时可以将增量的数据存储到配置的文件系统中。同时Flink会将极少的元数据存储在JobManager 的内存中,或者在Zookeeper中(对于高可用的情况)
RocksDB默认也是配置成异步快照的模式。RocksDB是一个 key/value 的内存存储系统,和其他的 key/value 一样,先将状态放到内存中,如果内存快满时,则写入到磁盘中,但需要注意RocksDB不支持同步的Checkpoint,构造方法中没有同步快照这个选项。不过`RocksDB支持增量的 Checkpoint,意味着并不需要把所有sst文件上传到 Checkpoint目录,仅需要上传新生成的sst文件即可。
它的Checkpoint存储在外部文件系统(本地或HDFS),其容量限制只要单个 TaskManager上State总量不超过它的内存+磁盘,单Key最大2G,总大小不超过配置的文件系统容量即可。
(2)RocksDBStateBackend局限性
- RocksDB支持的单key和单value的大小最大为每个2^31字节。这是因为 RocksDB 的JNI API是基于byte[]的。
- 对于使用具有合并操作的状态的应用程序,例如 ListState,随着时间可能会累积到超过2^31字节大小,这将会导致在接下来的查询中失败。
(3)RocksDBStateBackend推荐使用的场景
- 最适合用于处理大状态,长窗口,或大键值状态的有状态处理任务。
- 非常适合用于高可用方案。
- 最好是对状态读写性能要求不高的作业。
注意:
RocksDBStateBackend是目前唯一提供增量checkpoint的状态后端。
5)StateBackend的使用
5.1.不同StateBackend吞吐量对比
结论:
(1)使用FileSystem和Memory的吞吐差异不大(都是使用堆内存管理处理中的数据),使用RocksDB的吞吐差距明显。
(2)Standalone和on Yarn的总体差异不大,使用FileSystem和Memory时 on Yarn模式下吞吐稍高,相反的使用RocksDB时Standalone模式下的吞吐稍高。
5.2.不同StateBackend延迟对比
结论:
(1)使用FileSystem和Memory时延迟基本一致且较低。
(2)使用RocksDB时延迟稍高,且由于吞吐较低,在达到吞吐瓶颈附近延迟陡增。其中on Yarn模式下吞吐更低,延迟变化更加明显。
5.3.StateBackend的选择
StateBackend | in-flight | checkpoint | 吞吐 | 推荐使用场景 |
MemoryStateBackend | TM Memory | JM Memory | 高 | 调试、无状态或对数据丢失或重复无要求 |
FsStateBackend | TM Memory | FS/HDFS | 高 | 普通状态、窗口、KV 结构 |
RocksDBStateBackend | RocksDB on TM | FS/HDFS | 低 | 超大状态、超长窗口、大型 KV 结构 |
注意:
(1)如果不做任何指定,默认的状态后端是JobManager
。
(2)如果你希望为你的集群中的所有作业创建一个非默认的状态后端,你可以通过在flink-conf.yaml
中指定一个新的默认后端。默认的状态后端可以在每个作业的基础上进行覆盖。
5.4.StateBackend的设置方式
(1)作业的状态后端通过作业中的StreamExecutionEnvironment
进行设置
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(new FsStateBackend("hdfs://namenode:40010/flink/checkpoints"));
(2)默认状态后端可以通过在flink-conf.yaml
中设置state.backend值指定
1、配置项
- jobmanager (MemoryStateBackend)
- filesystem (FsStateBackend)
- rocksdb (RocksDBStateBackend)
- 或者实现了状态后端工厂
FsStateBackendFactory
的类的完全限定类名,例如,为RocksDBStateBackend
设置为org.apache.flink.contrib.streaming.state.RocksDBStateBackendFactory
2、配置文件示例
# The backend that will be used to store operator state checkpoints
state.backend: filesystem
# Directory for storing checkpoints
state.backend.fs.checkpointdir: hdfs://namenode:40010/flink/checkpoints