我是 Flink，现在 “背” 感压力

2023-10-13 10:49:34

为什么你的Flink运行开始减慢了？
为什么你试遍Flink参数还是无法解决？
Flink背压常常发生在生产事故中，切记不要掉以轻心。

不知为何，最近的我开始走下坡路了。。。

1 故事的开始

此刻，我抬头看了一眼坐在对面的这个家伙: 格子衫、中等身材，略高的鼻梁下顶着一副黑框眼镜，微眯的目光透出丝丝倦意，正一眨不眨地盯着我看。

我心里直犯嘀咕: 我又有什么好看的呢？不过是A君你用来换取面包、汽车的工具罢了。虽然陪伴了五年的时光，想来也就是如此~

说到这，忘了自我介绍了。我叫Flink，当然，我还是喜欢你们叫我的全名: Apache Flink，因为这样听起来很有科技感。我是目前最火的大数据实时计算引擎之一。

之所以敢这么说，是因为目前我在实时领域确实处于独领风骚的地位，不信请看下面的统计:

此处需要@一下我的老大哥：Apache Spark，我听说一度出现过"Flink的出现，Spark是否慢慢成为鸡肋"的言论。咱也不敢说，也不敢问，对于前辈还是保持尊重和理性。

“咳”~ 一声轻咳把我拉回了现实，A君又开始调试代码了~

2 我开始有压力了

其实我是在上周和A君再次遇见的，之前听说他在我的好朋友:Kafka那里呆了一周，好像是准备搞一个大事情。

等到他找到我, 才知道公司准备建设实时数仓。需要我和Kafka兄弟一起加入，处理亿级别实时数据。

对于实时数仓我大抵是了解的。再看看A君的老大拿出的架构方案，心中暗喜：这可是到了我的专业领域。

整体架构并不难，很好理解。

程序实时获取源数据，放置kafka ods层存储
进行ods->dwd->dws层实时加工计算，结果写进kafka
再加一条离线处理流程，作为备用

我看了一眼旁边跃跃欲试的Kafka兄弟，互相点了点头，我们开始吧~

作为老搭档，我和Kafka兄弟配合的很默契，A君也是个老手，于是我们在短短的一周内就出色的完成了初步任务。

我可以给你看看我们的部分配合成果：

- src.main.scala.com.xxproject.xx
  |--handler
    |---FlinkODSHandler.scala
    |---FlinkDWHandler.scala
    |---FlinkADSHandler.scala
    ...
  |--service
    |---KafkaSchdulerService.scala
    |---SchdulerService.scala
    ...
  |--config/util/model
    |---KafkaUtils.scala
    |---XXDataModel.scala
    ...

春风得意马蹄疾~ 此刻的心情舒服极了，我们仨简直就是完美搭档。。

可是好景不长。来到第二周，我渐渐的发现自己开始变慢了~

具体的表现为 :

运行开始时正常，到了后面就出现大量Task任务等待

少量Task任务开始报checkpoint超时问题

Kafka数据堆积，无法消费

我有点慌，去看了下自身的状况，结果吓了一大跳:

无论是输入还是输出，缓冲区内存都被占满了。数据处理不过来，barrier流动极为缓慢，大量checkpoint生成时间变长。

我发生了背压问题！！！

3 我的反压机制

在默默的进行一段时间的自我调节后，问题依然没有解决。

同时，我的周围不断拉响警报，内存频繁告急。转眼间我的Task执行页面已被红色High标识占满~

没有办法，最终我还是向A君发出了告警~

A君收到消息，盯着我看了好一会，叹了口气。我觉得有点不好意思，感觉把事情搞砸了。。

他没有多说什么，只是问起了我的反压机制，说要从源头解决问题。

下面是A君和我的对话

1. 反压一般有哪些情况？

按照我以往的经验，一般出现反压就是下游数据的处理速度跟不上上游数据的产生速度。

可以细分两种情况：

当前Task任务处理速度慢，比如task任务中调用算法处理等复杂逻辑，导致上游申请不到足够内存。
下游Task任务处理速度慢，比如多次collect()输出到下游，导致当前节点无法申请足够的内存。

2. 频繁反压的影响是什么？

频繁反压会导致流处理作业数据延迟增加，同时还会影响到Checkpoint。

Checkpoint时需要进行Barrier对齐，此时若某个Task出现反压，Barrier流动速度会下降，导致Checkpoint变慢甚至超时，任务整体也变慢。

长期或频繁出现反压才需要处理，如果由于网络波动或者GC出现的偶尔反压可以不必处理。

3. 你是怎么发现反压的？

在我的Web界面，我会从Sink到Source逆向Task排查。逐个查看BackPressure详情，找到第一个出现反压的Task。

下面这是正常的状况~

我的内部检测原理

BackPressure界面定期采样Task线程栈信息，统计线程请求内存Buffer的阻塞频率，判断节点是否处于反压状态。

默认情况下，频率小于0.1显示正常
(0.1，0.5) 为LOW，背压轻微
超过0.5为 HIGH，需要注意反压

此时，我指给A君看了目前项目的BackPressure页面，这明显是不正常的状况。

4. 反压机制原理是什么？

A君顿了顿嗓子，提示我此处讲的仔细一点。我整理了下思路，决定先从限流开始说起:

数据流程

整体流程可类比为生产者->消费者体系。上游生产者发送数据(2M/s)至Send Buffer，途径网络传输(5M/s)到Receive Buffer, 最终下游Consumer消费(<1M/s)。

这明显是不行的，下游速度慢于上游速度，数据久积成疾~ 需要做限流。

限流

这很好理解。既然上游处理较快，那么我添加一个限流机制将其速度降下来，让上下游速度基本一致，这样不就解决了吗。。

其实不然，这里有几个问题：

我无法提前预估下游实际速度(流速限制设置多少)

常碰到网络波动等情况，上下游的流速是动态变化的

考虑到这些原因，我的内部提供一种强大的反压机制：

上下游动态反馈，如果下游速度慢，则上游限速；否则上游提速。实现动态自动反压的效果。

反压机制示意

上游发送网络数据前经过自身的Network Buffer层，之后往下传输到Channel Buffer层(Netty通道)。最终通过网络传输，层层传递达到下游。

Network Buffer、Channel Buffer和Socket Buffer通俗理解就是用户态和内核态的区别，处于不同的交换空间和操作系统。

有关内核态和用户态原理，有兴趣的小伙伴欢迎添加个人微信: youlong525 一起讨论~

反压机制原理

前面做了一些铺垫，这里我给A君总结了我的反压机制的运行流程：

每个TaskManager维护共享Network BufferPool(Task共享内存池)，初始化时向Off-heap Memory中申请内存。
每个Task创建自身的Local BufferPool(Task本地内存池)，并和Network BufferPool交换内存。
上游Record Writer向 Local BufferPool申请buffer(内存)写数据。如果Local BufferPool没有足够内存则向Network BufferPool申请，使用完之后将申请的内存返回Pool。
Netty Buffer拷贝buffer并经过Socket Buffer发送到网络，后续下游端按照相似机制处理。
当下游申请buffer失败时，表示当前节点内存不够，则逐层发送反压信号给上游，上游慢慢停止数据发送，直到下游再次恢复。