Flink原理（二）——资源

前言

　　本文主要是想简要说明Flink在集群部署、任务提交、任务运行过程中资源情况，若表述有误欢迎大伙留言分享，非常感谢！

---

一、集群部署阶段

　　集群部署这里指的是Flink standalone模式，因为在Yarn模式（包括session、single job模式也成Per-job模式）是可以仅通过Flink client提交任务到Yarn上，所以是否手动部署Flink集群对任务的执行是没有影响的。下图[1]是简单的Flink的集群构成情况，包括一个master（JobManager）、两个worker（TaskManager）。至于Flink standalone模式的HA（一般有两个JobManager加上若干个TaskManager组成）是通过zookeeper实现的，其主要思想是通过zookeeper选举出JobManager的active节点，该结点负责资源分配等，另一个节点为standby。Flink的Yarn模式的高可用的通过在container中对JobManager的重启实现的，其具体过程在此不详细说明。

　　部署阶段主要有以下两个参数：

 #每个TaskManager中slot的个数，在conf/flink-conf.yaml中，默认为1
 taskmanager.numberOfTaskSlots
 #任务的并行度，默认为1
 parallelism.default

　　1）taskmanager.numberOfTaskSlots：每个TaskManager中slot的数量，官方文档推荐：和每个TaskManager中物理CPU的个数成比例，比如：等于CPU的个数，或者是CPU个数的一半；

　　2）parallelism.default：任务的并行度，默认值为1，该值可以通过在程序中设定setParallesim()改变，并行度与slot的关系见下详解；

二、任务提交阶段

　　Flink集群资源的使用情况除了和已分配的资源有关外，还与并行度有关，已分配的资源表示Flink可以利用这么多资源，而实际能利用多少资源还和并行度有关。任务并行度的最大值由TaskManager集群的Slot总数决定，如：slot总数为10，则任务最大的并行度为10.

　　在standalone模式中，Flink任务能利用的总资源已在启动集群时确定，其并行通过在执行./flink run 时，通过可选参数[-p]确定（不指定则为默认值1）。

　　在Yarn模式中，均是先Yarn集群中分配资源给新建的Flink集群，如下图，其详细过程见文档[2]。

　　Flink的Yarn模式session、single job模式在实现方法上还是存在一定的区别：

　　1）session模式是先利用yarn-session.sh在yarn新建一个Flink集群，然后利用./flink run flinkExample.jar提交任务，其资源分配的方式和standalone模式一致；

./yarn-session.sh -n 4 -s 8 -jm 3072 -tm 32768 

　　-n：在yarn上分配了4个container，即分配了4个TaskManager；

　　-s：每个TaskManager有8个slot；

　　-jm：每个JobManager中的内存数；

　　-tm：每个TaskManager中的内存数；

　　2）single job模式在命令中在申请资源的同时，提交任务，常用命令如下：

./flink run -m yarn-cluster -yn 7 -ys 8 example.jar

　　-yn：yarn上分配的container个数，即TaskManager的个数；

　　-ys：每个TaskManager中slot的个数

　　其他参数的具体使用方法可以在控制台中执行./flink、./yarn-session.sh得到说明。

说明：session模式和single job的区别：

　　1）session模式：Flink任务运行结束后，从yarn上申请到的资源是不被释放的，等待下一个Flink的提交，类似一个常住在yarn上永远不会结束的yarn任务。因为，yarn的资源分配模式中比如fair策略还是存在资源的竞争的，session模式资源的不释放性，这样可以在Yarn提供资源分配上的基础上进行实现资源隔离，也实现了对集群物理环境的屏蔽，但在一定的程度上造成了资源的浪费；

　　2）single job模式和一般的yarn任务一样，任务结束后就会释放申请到的资源，使资源得到重复利用。

　　所以session、single job模式的实际应用应根据需求使用，一般情况下：

　　single job模式是按需申请资源，一般适合执行时间较长的大任务。此外，该模式下，每次提交任务都需单独启动Flink集群自己的ResourceManager会造成一定的时延；

　　session模式共享资源，一般适合执行时间短的小任务。此模式下，会共享ResourceManager，所以启动快。

　　【说明】这里所说的ResourceManager不是Yarn的组件，是Flink本身的，关于深层的分析，见后续博客。

三、任务运行阶段

　　假定一个3个TaskManager的集群，每个TaskManager有3个slot，集群一个9个slot，从下图中可以得到[3]：任务的并行度为1时，只会用一个slot，并行度为2会用2个slot，依次类推，当并行度为9时，9个slot都会被利用，当然从example4中可知，可以针对不同的算子（operator）定义并行度。

Ref:

[1]https://ci.apache.org/projects/flink/flink-docs-release-1.6/ops/deployment/cluster_setup.html

[2] https://ci.apache.org/projects/flink/flink-docs-release-1.6/ops/deployment/yarn_setup.html

[3]https://ci.apache.org/projects/flink/flink-docs-release-1.6/ops/config.html