apache-flink - 如何阻止高负载导致级联 Flink 检查点故障

Question

我会主动提出几点:

我是 Flink 的新手(现在使用它大约一个月了)

我正在使用 Kinesis Analytics(AWS 托管的 Flink 解决方案)。从各方面来看，这并没有真正限制 Flink 的多功能性或容错选项，但无论如何我都会说出来。

我们有一个相当直接的滑动窗口应用程序。键控流按特定键(例如 IP 地址)组织事件，然后在 ProcessorFunction 中处理它们。我们主要使用它来跟踪事物的数量。例如，过去 24 小时内特定 IP 地址的登录次数。我们每 30 秒计算一次窗口中每个键的事件，并将该值保存到外部数据存储中。状态也会更新以反射(reflect)该窗口中的事件，以便旧事件过期并且不占用内存。

有趣的是，基数不是问题。如果我们有 20 万人登录，在 24 小时内，一切都很完美。当一个 IP 在 24 小时内登录 20 万次时，事情就开始变得棘手了。在这一点上，检查点开始花费越来越长的时间。一个平均检查点需要 2-3 秒，但是对于这种用户行为，检查点开始需要 5 分钟，然后是 10，然后是 15，然后是 30，然后是 40，等等。

令人惊讶的是，应用程序可以在这种情况下顺利运行一段时间。也许10或12个小时。但是，迟早检查点会完全失败，然后我们的最大迭代器年龄开始飙升，并且没有处理新事件等。

在这一点上，我已经尝试了一些事情:

向问题 throw 更多金属(自动缩放也已打开)

对 CheckpointingInterval 和 MinimumPauseBetweenCheckpoints 大惊小怪 https://docs.aws.amazon.com/kinesisanalytics/latest/apiv2/API_CheckpointConfiguration.html

重构以减少我们存储的状态的占用空间

(1) 没有做太多事情。
(2) 这似乎有所帮助，但随后又出现了比我们之前看到的更大的流量高峰，从而扼杀了任何好处
(3) 目前还不清楚这是否有帮助。我认为与您从 Yelp 或 Airbnb 中想象的相比，我们的应用程序内存占用相当小，它们都将 Flink 集群用于大规模应用程序，因此我无法想象我的状态真的有问题。

我会说我希望我们不必深刻改变应用程序输出的期望。这个滑动窗口是一个非常有值(value)的数据。

编辑:有人问我的状态看起来像一个 ValueState[FooState]

case class FooState(
                         entityType: String,
                         entityID: String,
                         events: List[BarStateEvent],
                         tableName: String,
                         baseFeatureName: String,
                       )

case class BarStateEvent(target: Double, eventID: String, timestamp: Long)

编辑:
我想强调用户 David Anderson 在评论中所说的:

One approach sometimes used for implementing sliding windows is to use MapState, where the keys are the timestamps for the slices, and the values are lists of events.

这是必不可少的。对于试图走这条路的其他人，我找不到一个可行的解决方案，它不会将事件分成某个时间片。我的最终解决方案涉及将事件分成 30 秒的批次，然后按照大卫的建议将它们写入 map 状态。这似乎可以解决问题。对于我们的高负载时期，检查点保持在 3mb 并且它们总是在一秒钟内完成。

Answer 1

如果您有一个 24 小时长的滑动窗口，并且它会滑动 30 秒，那么每次登录都会分配给 2880 个单独窗口中的每一个。没错，Flink 的滑动窗口就是做副本的。在本例中为 24 * 60 * 2 份。
如果您只是计算登录事件，那么在窗口关闭之前无需实际缓冲登录事件。您可以改为使用 ReduceFunction 执行 incremental aggregation .
我的猜测是您没有利用这种优化，因此当您有一个热键(IP 地址)时，处理该热键的实例的数据量不成比例，并且需要很长时间来检查点。
另一方面，如果您已经在进行增量聚合，并且检查点与您描述的一样有问题，那么值得更深入地研究以尝试了解原因。
一种可能的补救方法是使用 ProcessFunction 实现您自己的滑动窗口。 .通过这样做，您可以避免维护 2880 个单独的窗口，并使用更有效的数据结构。
编辑(基于更新的问题):
我认为问题是这样的:使用 RocksDB 状态后端时，状态以序列化字节的形式存在。每个状态访问和更新都必须通过 ser/de。这意味着您的 List[BarStateEvent]正在反序列化，然后在每次修改时重新序列化。对于列表中包含 20 万个事件的 IP 地址，这将非常昂贵。
你应该做的是使用 ListState或 MapState .这些状态类型针对 RocksDB 进行了优化。 RocksDB 状态后端可以附加到 ListState无需反序列化列表。并与 MapState ，映射中的每个键/值对都是一个单独的 RocksDB 对象，允许高效的查找和修改。
有时用于实现滑动窗口的一种方法是使用 MapState，其中键是切片的时间戳，值是事件列表。在 Flink docs 中有一个做类似事情的例子(但有翻滚的窗口)。 .
或者，如果您的状态可以放入内存，则可以使用 FsStateBackend。那么你的所有状态都将是 JVM 堆上的对象，而 ser/de 只会在检查点和恢复期间发挥作用。