溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
作者: 王紹翾（大沙）
本文來自于王紹翾在2018年08月11日Flink China Meetup。
王紹翾，花名“大沙”，加州大學圣迭戈分校計算機工程的博士，Apache Flink Commiter。目前在阿里負責Flink平臺以及生態的一些工作。
本文內容如下：
Flink是德國data Artisans創造的，早期Flink主要是做偏批計算的，但是Spark在批處理上已經有一定優勢，正面競爭沒什么意義，于是改變方向，基于chandy-lamport算法開始做流計算，完成后完美的解決了低延遲問題和狀態管理。
低延遲是Flink源生的，當然保證了快速容錯。大數據計算中job總是會失敗，所以需要能夠快速的恢復。如果平時延遲很低，但是job一失敗，恢復幾分鐘，肯定是無法接受的。
Flink有了基礎的能力后，開始考慮通用的API，最開始的時候有了一些Java和Scala的一些API。但是發展到一定程度之后，因為API不只是開放于開發，而是所有用戶。怎么樣更容易的滿足用戶的需求和支持用戶，這是流計算的很核心的一點。
彈性，高性能是大數據不變的主題。怎么樣確保引擎在上千臺機器不出問題的運行，scalability很重要，包括Spark早期到一定規模遇到很多問題，當然Blink已經完美的解決了所有問題。在性能上，Flink不僅是在流計算還是批處理上已經有了絕對的優勢。
Flink的早期interface是非常弱的，包括Spark早期也是，于是流計算的社區開始討論流計算的SQL到底是什么樣子的，于是形成了兩派風格，一派是認為Streaming SQL是一種different SQL跟Batch Sql，另一派推的SQL跟Batch SQL是完全一致的。
為什么會說完全一致？流計算跟批計算一個基本的區別是，都是計算，但是流計算需要提前看到結果，這需要將結果提前發出，但是后面過來的數據會對前面的結果進行修正，所以流計算跟批計算比較大的區別就是數據提前發出和數據修正，最終保證數據正確。
怎么來處理這個問題:
首先要告訴用戶API，怎么樣去計算完全是用戶的語義
另外兩點就是什么時候發出去，什么時候修正，這些跟SQL本身描述是沒什么關系的
高性能
高級分析
容易開發
開箱即用
cdn.xitu.io/2019/4/25/16a539a2cf310379?w=1055&h=563&f=jpeg&s=123260">
我們說的是大數據，而不僅僅是流計算。對于功能型的用戶，更關心的是易用性，如何做好分析，如何更好的開發，如何更容易上手。我沒學過計算機，但是學的是其他任何的一個行業可能是統計，生物，建筑，金融……，怎么樣才能更快的開發出來。
假如老板說，今天要部署Flink了，于是給了你50臺機器，到了第二天，你部署完畢了，作業跑起來了，老板嚇呆了，覺得你KPI非常的棒。所以開箱即用，更容易的去開發對用戶來說非常需要的。
傳統的批計算要追求performance，目前流計算對performance需求越來越大。
知道了用戶想要的，我們看Flink現狀。
Flink目前被廣泛的用于超低延遲流計算場景中，但是Flink在批處理上其實已經有非常高的處理性能，并且在API上流和批是統一的，在性能上和易用性上都有不錯的表現。
帶著已知的事情和一點點未知的事情，來看看Flink能做的一些事情:流計算已經非常成熟，批計算，AI的計算，包括TF ON Flink，training也好，prediction也好，任何計算。另外還有很大的一塊IOT，Hadoop Summit 中強調各種數據中，流的也好，批的也好，最終IOT的數據最大。雖然不是每個公司都會接觸IOT，但它絕對是一個很大的future。
Blink1.0實際上是enterprise版的Flink，主要專注與流計算上。
Blink2.0是一個統一的引擎，支持流處理和批處理，在其他方面，例如AI方面做了很大的改進，在batch性能上已經遠超Spark。回饋社區也是這個版本。
我們先看一眼Flink SQL Engine，從上面開始有Query的API，有Query Optimization，下來會翻譯到DataSteam或者DataSet算子，然后Runtime，在各個集群上運行。這個架構在里面展開DataSteam和DataSet，可以看到幾個比較大的問題：
在設計上，從來沒想過統一起來。最終Query Optimization翻譯完之后到DataStream或者DataSet是完全兩條獨立的pipline，而且往下的代碼是全完不復用的
我們把整個的SQL Engine換成上圖所示。從上層開始的API，到下面的Query Processor包括了Query Optimizer和Query Executor，當做完這些發現，代碼大量的減少并被復用，一個job用同樣的SQL只需要標識是Batch Mode還是Stream Mode，就會得到一樣的結果。
從API開始，翻譯成Logical Plan經過Optimizer，再到類似寫DataStream的這種Physical Plan，我們可以看到在Optimizer之前的批跟流完全一樣，SQL一樣，Logical Plan也一樣。即用戶腦子里想的東西，在批和流中一模一樣。
在Optimizer之后，流和批有些不一樣。
批和流在一樣的地方就是一些簡單的filter，predicate，projection還有joining reorder。
區別就是在流計算我們不去支持sort，因為每條數據一來，就要對之前的數據更新，就好比我讓在座的各位稱個體重，排個序，突然在座的哪位去上個廁所，體重變了，會影響很多人的排序，就需要改變大量的結果。所以在流上不去考慮類似sort的東西。但是流上因為有state的使用，怎么樣把它的性能變得很高，減少Retraction，怎么樣讓用戶的SLA用MicroBatch去優化。
流計算上一旦變成SQL，就得跑標準的SQL測試，TPC-H，TPC-DS。我們看這個TPCH13，這個是測試的是用一張Customer表和一張Order表，需要做一次join和count。
這個計算在批計算上處理很方便，因為兩個表就在那兒，它明顯的知道用戶表很小，它會把用戶表hash到各個地方先cache下來，然后讓訂單表流過去，這個性能非常高，因為Order這張最大的表只是不停的流而不落地。
在流計算上怎么處理呢？因為根本不知道數據長什么樣子，每邊一來就得存下來，左邊的Customer表來了之后存下來，因為一行只需存一個，所以用的是ValueState，但是每個用戶有很多的Order，右邊的Order表則需要使用MapState，這個計算量非常大，性能非常差。怎么優化呢，我們使用的SQL就有一個天然的好處Optimizer。SQL Engine有個rule就是轉移了上面的countAgg和下面的join，SQL里面有個代數優化，先不考慮數據是什么樣子，我從代數上認為中間這幅圖和最右邊這幅圖的計算結果是一致的，所以我可以先對兩邊進行agg，我可以在Order那一邊先把每個用戶count完變成一行只有一個數據，預先處理好數據，這樣把Order表壓縮成和customer一樣大小的表，join上的開銷省了很多，state從龐大的MapState變成了輕量的ValueState，性能提升了25倍，這也是為什么SQL是有意義的。
對于一些流計算的特有優化，比如知道用戶的SLA，有段時間就可以去配置mini-batch 。
做全網的count，那么用以上左圖的紅色和紫色，分別發送到一個地方去統計，不做預處理的話，紅色節點負載過高，很快就導致反壓。最好的辦法就是紅色和紫色的節點現在上游chain起來做預處理，相當于把一個聚合分成兩部分，先做count，再做sum。
當然上面的方案不總是有效，比如count distinct，它也需要按顏色group by還要按某一列去distinct，導致不同的數據無法被預聚合。所以在local-global上除了chain的方式還有shuffle的方式，相當于shuffle兩次，也就是大家在流計算中所說的打散。第一次按distinct key去shuffle，第二次用group by的key去做shuffle。當然這些都是SQL Engine都會自動幫你做。
開源社區除了coding的貢獻外，還有文檔，生態，社區，產品，只要對這個開源的產品有幫助。更重要的是你在社區里面的活躍度，為社區解決什么問題。
作為一個用戶你可以提出一些問題，去mailing list回答問題，去做testing和report等等
作為一個開發你可以去review code，包括自己的idea，大的重構。還可以幫助其他用戶回答問題。
Mailing lists：
<dev@flink.apache.org> 開發者提問交流。
<user@flink.apache.org> 用戶提問交流。
JIRA: https://issues.apache.org/jira/browse/FLINK
是社區的工作方式。Bug，feature，improvements提出的地方，每一個code的貢獻都會關聯到一個JIRA issue。
Wiki: https://cwiki.apache.org/confluence/display/FLINK
有許多文檔，包括大量FLIP，當然也等著大家contribution。
那如何要參與開發呢？
你要在社區提出自己的想法，收集一些建議。
你還要了PMC，commiter對分別對哪部分code負責，你可以聯系他，讓他幫你review。
可以依靠JIRA處理一些小的問題，但是比較重大的改進還是需要依靠FLIP。
更多資訊請訪問 Apache Flink 中文社區網站
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
