Flink 幕后之内存管理
引言

目前很多大数据处理框架，例如Hadoop、Spark、Storm、Flink等。它们都基于JVM语言开发（java or scala)，运行在JVM上。为了加速合并或者排序（基于磁盘的方式通常要慢一些），需要将数据加载到内存中，由于数据量巨大，对内存是不小的压力。

数据存储最简单的做法是将封装成对象直接存储到如List或者Map这样的数据结构中。这种做法会引发两个问题。一个问题是数据规模大，需要创建的对象非常多（数据加上存储的数据结构，它们将耗费大量的内存），可能引发OOM。另一个问题是GC，源源不断的数据需要被处理，对象持续产生并需要被销毁，对GC来说是不小的压力。

鉴于JVM自带的GC无法满足高效稳定的流处理，Flink建立了一套自己的内存管理体系。

类图

flink on yarn 内存设置 flink内存管理_内存管理

MemorySegment

MemorySegment是Flink管理内存的最小单位，是内存的抽象。MemorySegment有两种实现，堆（HeapMemorySegment、基于JVM内存），非堆（HybridMemorySegment、混合，可使用JVM内存或者直接内存）。

用户可以通过配置决定使用哪一种，参数“taskmanager.memory.off-heap”默认false，使用堆；设置为true，使用非堆。

MemorySegment的实现做了一些优化。

  1. MemorySegment使用了较为底层的“sun.misc.Unsafe“。这里有一个典型的操作非堆的方式：将内存地址存储到address字段中，后续的通过index、offset的定位来读写数据。这种类C的写法，可以减少不必要的拷贝操作。
  2. 在Flink运行过程中，仅有一种MemorySegment实现类被加载（根据上述的配置），这样有利于JIT编译器的预热，通过使方法内连（method-inline)的方式降低调用的开销。
MemoryPool创建流程

flink on yarn 内存设置 flink内存管理_内存管理_02

MemoryPool

MemoryPool负责管理MemorySegment，例如创建、销毁、获取、重用等。

MemoryPool在初始化的时候，创建了空的ArrayDeque，之后申请内存加入到ArrayDeque中。内存申请有两种：new byte[segmentSize] -- 堆内存、ByteBuffer.allocateDirect(segmentSize) -- 直接内存。(SegmentSize由配置"taskmanager.memory.segment-size"指定，默认32kb) 。这两种不同类型的内存，在使用之前会由MemorySegmentFactory.wrapXXXHeapMemory包装一次，统一抽象成MemorySegment。

MemoryPool的生命周期很长，从TaskManager创建直至销毁。所以在任务执行期间它占用的内存（Segment）不会释放，而是通过回收来重复使用。MemoryPool通过减少对象的创建和回收，大大降低了GC压力。

需要注意的是：Flink不是将所有的对象都写入到MemoryPool管理的内存中。默认的，Flink分配70%的内存给MemoryManager。执行过程中还需要一些内存，例如用户实现的自定义函数，在函数中创建的对象存储在堆中，由JVM的GC机制管理。

序列化

Flink在内存管理之外，还有一套自己的序列化体系。在执行的过程中，数据对象通过序列化转换成字节，或者字节反序列化成对象。

以简单的ETL任务距离，抽取 --> 过滤 --> 存储，对象类型是提前预知的，调用对象的序列化即可。若用户需要加上自己的处理，抽取 --> 过滤 --> 转换 --> 存储。在转换的过程中，会引入Flink"未知"的对象类型。为了解决这种场景，Flink提供了一种基于反射的类型提取。用户需要提供TypeInformation来告知Flink类型信息，Flink根据类型自动选择合适的序列化方式。

创建TypeInformation：

TypeInformation<List<CommonLogBean>> typeInformation =
    TypeInformation.of(new TypeHint<List<CommonLogBean>>() {});
总结

Flink构建了一套特有的内存管理体系，降低了OOM的风险以及GC的负载，另外提供了智能高效的序列化方式。它们功能构成了高效的流处理基础。