上一篇教大家如何搭建一个Flink集群，本篇博客给大家讲解一下Flink运行时架构（面试必问）
一、Flink运行时组件
1.1 作业管理器（JobManager）
- 控制一个应用程序执行的主进程，也就是说，每个应用程序都会被一个不同的Jobmanager所控制执行
- Jobmanager会先接收到要执行的应用程序，这个应用程序会包括：作业图（ Job Graph）、逻辑数据流图（ ogical dataflow graph）和打包了所有的类、库和其它资源的JAR包。
- Jobmanager会把 Jobgraph转换成一个物理层面的数据流图，这个图被叫做“执行图”（Executiongraph),包含了所有可以并发执行的任务。Job Manager会向资源管理器（ Resourcemanager）请求执行任务必要的资源，也就是（任务管理器（ Taskmanager）上的插槽slot。一旦它获取到了足够的资源，就会将执行图分发到真正运行它们的 Taskmanager上。而在运行过程中Jobmanagera会负责所有需要中央协调的操作，比如说检查点（ checkpoints的协调。
1.2 任务管理器（Taskmanager）
- Flink中的工作进程。通常在 Flink中会有多个 Taskmanageria运行，每个 Taskmanageri都包含了一定数量的插槽（ slots）。插槽的数量限制了Taskmanageri能够执行的任务数量。
- 启动之后， Taskmanager会向资源管理器注册它的插槽；收到资源管理器的指令后， Taskmanageri就会将一个或者多个插槽提供给Jobmanageri调用。 Jobmanager就可以向插槽分配任务（ tasks）来执行了。
- 在执行过程中，一个 Taskmanagera可以跟其它运行同一应用程序的Taskmanager交换数据。
1.3 资源管理器（Resource Manager)
- 主要负责管理任务管理器（ Task Manager）的插槽（slot)Taskmanger插槽是 Flink中定义的处理资源单元。
- Flink为不同的环境和资源管理工具提供了不同资源管理器，比如YARNMesos、K8s，以及 standalone部署。
- 当 Jobmanagerl申请插槽资源时， Resourcemanager会将有空闲插槽的Taskmanager？分配给Jobmanager。如果 Resourcemanagery没有足够的插槽来满足 Jobmanagerf的请求，它还可以向资源提供平台发起会话，以提供启动 Taskmanageri进程的容器。
1.4 分发器（Dispatcher）
- 可以跨作业运行，它为应用提交提供了REST接口。
- 当一个应用被提交执行时，分发器就会启动并将应用移交给Jobmanage
- Dispatcher他会启动一个WebUi，用来方便地展示和监控作业执行的信息。
- Dispatcher？在架构中可能并不是必需的，这取決于应用提交运的方式。
二、任务提交流程
- 提交应用
- 启动并提交应用
- 请求slots
- 任务启动
- 注册slots
- 发出提供slot的指令
- 提供slots
- 提交要在slots中执行的任务
- 交换数据
2.1 任务提交流程（YARN）
- Flink 任务提交后，Client 向 HDFS 上传 Flink 的 Jar 包和配置
- 随后向 Yarn ResourceManager 提 交 任 务 ，ResourceManager 分 配 Container 资 源 并 通 知 对 应 的 NodeManager 启 动
- ApplicationMaster，ApplicationMaster 启动后加载 Flink 的 Jar 包 和 配 置 构 建 环 境
- 然 后 启 动 JobManager ， 之 后 ApplicationMaster 向 ResourceManager 申 请 资 源 启 动 TaskManager
- ResourceManager 分 配 Container 资 源 后 ， 由 ApplicationMaster 通 知 资 源 所 在 节 点 的 NodeManager 启动 TaskManager
- NodeManager 加载 Flink 的 Jar 包和配置构建环境并启动 TaskManager
- TaskManager 启动后向 JobManager 发送心跳包，并等待 JobManager 向其分配任务。
三、任务调度原理
3.1 TaskManager 和 Slots
- Flink中每一个 Taskmanageri都是一个JMM进程，它可能会在独立的线程上执行一个或多个 subtask
- 为了控制一个 Taskmanageri能接收多少个task, Taskmanager通过 task slot来进行控制（一个 Taskmanager至少有一个slot）
3. 默认情况下，Fink允许子任务共享slot，即使它们是不同任务的子任务。这样的结果是，一个slot可以保存作业的整个管道。
4. Task Slot是静态的概念，是指 Taskmanager具有的并发执行能力
3.2 程序与数据流（DataFlow）
- 所有的 Flink程序都是由三部分组成的： Source、 Transformation和Sink
- Source负责读取数据源， Transformation利用各种算子进行处理加工，Sink负责输出
- 在运行时， Flink上运行的程序会被映射成“逻辑数据流”（ dataflows),它包含了这三部分
- 每一个 dataflow以一个或多个 Sources开始以一个或多个 sinks结束。 dataflow类以于任意的有向无环图（DAG)
- 在大部分情况下，程序中的转换运算（ transformations）跟 dataflow中的算子
3.3 执行图（ExecutionGraph）
Flink中的执行图可以分成四层：
Streamgraph -> Jobgraph -> Executiongraph -> 物理执行图
- Streamgraph：是根据用户通过 Stream API编写的代码生成的最初的图。用来表示程序的拓扑结构。
- Jobgraph: Streamgraph经过优化后生成了 Jobgraph，提交给 Jobmanager的数据结构。主要的优化为，将多个符合条件的节点 chain在一起作为一个节点Execution Graph: Jobmanager根据 Jobgraph生成
- ExecutiongraphExecution Graph是 Job Graphi的并行化版本，是调度层最核心的数据结构。
- 物理执行图： Jobmanager根据 Executiongraph对Job进行调度后，在各个Taskmanager上部署Task后形成的“图”，并不是一个具体的数据结构。
3.4 并行度（Parallelism）
- 特定算子的子任务（ subtask）的个数被称之为其并行度（ parallelism)般情况下，一个 stream的并行度，可以认为就是其所有算子中最大的并行度。
- 一个程序中，不同的算子可能具有不同的并行度
- 算子之间传输数据的形式可以是 one-to-one( (forwarding）的模式也可以是redistributing的模式，具体是哪一种形式，取決于算子的种类
- One-to-one: stream维护着分区以及元素的顺序（比如 Sources和map之间）。这意味着map算子的子任务看到的元素的个数以及顺序跟 Source算子的子任务生产的元素的个数、顺序相同。map、 fliter.、 flatmap等算子都是 one-to-one的对应关系
- Redistributing: stream的分区会发生改变。每一个算子的子任务依据所选择的transformation发送数据到不同的目标任务。例如， keyby基于 hash Code重分区、而 broadcast和 rebalance会随机重新分区，这些算子都会引起distributer过程，而 redistribute过程就类似于 Spark中的 shuffle过程。
3.5 任务链（Operator Chains）
- Flink采用了一种称为任务链的优化技术，可以在特定条件下减少本地通信的开销。为了满足任务链的要求，必须将两个或多个算子设为相同的并行度，并通过本地转发（ ocal forward）的方式进行连接
- 相同并行度的one-to-one操作， Flink这样相连的算子链接在一起形成一个task，原来的算子成为里面的 subtask并行度相同、并且是one-to-one操作，两个条件缺一不可
转载：https://blog.csdn.net/qq_43791724/article/details/108158444
查看评论