flink搭建java flink jvm 配置

本文主要介绍一些flink内存模型、参数配置、性能监控相关知识，直接先上一个思维导图。

Flink 性能调优的第一步，就是为任务分配合适的资源，在一定范围内，增加资源的分配与性能的提升是成正比的，实现了最优的资源配置后，在此基础上再考虑进行后面论述的性能调优策略。

一、资源配置调优

内存模型详解

1. JVM 特定内存

JVM 本身使用的内存，包含 JVM 的 metaspace 和 over-head

• JVM metaspace：JVM 元空间

taskmanager.memory.jvm-metaspace.size，默认 256mb

JVM over-head 执行开销：JVM 执行时自身所需要的内容，包括线程堆栈、IO、编译缓存等所使用的内存。

taskmanager.memory.jvm-overhead.fraction，默认 0.1

taskmanager.memory.jvm-overhead.min，默认 192mb

taskmanager.memory.jvm-overhead.max，默认 1gb

总进程内存*fraction，如果小于配置的 min（或大于配置的 max）大小，则使用 min/max大小

2. 框架内存

Flink 框架，即 TaskManager 本身所占用的内存，不计入 Slot 的资源中。

• 堆内：taskmanager.memory.framework.heap.size，默认 128MB
• 堆外：taskmanager.memory.framework.off-heap.size，默认 128MB

3. Task 内存

Task 执行用户代码时所使用的内存

• 堆内：taskmanager.memory.task.heap.size，默认 none，由 Flink 内存扣除掉其他部分的内存得到。
• 堆外：taskmanager.memory.task.off-heap.size，默认 0，表示不使用堆外内存

4. 网络内存

网络数据交换所使用的堆外内存大小，如网络数据交换缓冲区

堆外：

taskmanager.memory.network.fraction，默认 0.1

taskmanager.memory.network.min，默认 64mb

taskmanager.memory.network.max，默认 1gb

Flink 内存*fraction，如果小于配置的 min（或大于配置的 max）大小，则使用 min/max大小

5. 托管内存

用于 RocksDB State Backend 的本地内存和批的排序、哈希表、缓存中间结果。

堆外：

taskmanager.memory.managed.fraction，默认 0.4

 taskmanager.memory.managed.size，默认 none

如果 size 没指定，则等于 Flink 内存 * fraction

案例分析

基于Yarn模式，一般参数指定的是总进程内存，taskmanager.memory.process.size，比如指定为 4G，每一块内存得到大小如下：

1. 计算 Flink 内存

• JVM 元空间 256m
  JVM 执行开销： 4g*0.1=409.6m，在[192m,1g]之间，最终结果 409.6m
  Flink 内存=4g-256m-409.6m=3430.4m
  网络内存=3430.4m*0.1=343.04m，在[64m,1g]之间，最终结果 343.04m
  托管内存=3430.4m*0.4=1372.16m
  框架内存，堆内和堆外都是 128m
  Task 堆内内存=3430.4m-128m-128m-343.04m-1372.16m=1459.2m

所以进程内存给多大，每一部分内存需不需要调整，可以看内存的使用率来调整。（在监控上图页面时看各部分内存占用情况，设置一个合理的值）

二、并行度设置

这里不过多介绍，上下游都是kafka时，一般保证source端和sink端的并行度和kafka分区数保持一致。以source为例，kafka分区为6，source并行度为4，那么有两个并行度会处理2个kafka分区的数据，造成数据倾斜；kafka分区为4，source并行度为6，有两个并行度得不到数据，会导致watermark不会更新。

本文持续更新中。。。。。。。。