Flink流处理（五）- 状态与一致性模型

状态（State）与一致性模型

接下来我们转向另一个在流处理中十分重要的点：状态（state）。状态在数据处理中是无处不在的。为了产生一个结果，函数一般会聚合某个时间段内（或是一定数量的）events的状态信息（例如计算聚合值，或是发现一个模式），有状态的 operators使用流的输入事件以及内部状态，计算出它们的输出。例如，一个滚动聚合operator输出当前它读入的所有的events的总和。Operator 持有当前sum的值作为它的内部状态，并在每次读入新值时对它做更新。类似，考虑一个operator在检测到“高温”后，若是在接下来的10分钟内检测到“烟”，则发出警报。此时operator需要将“高温”事件存储在它的状态信息中，直到看见“烟”事件，或是到达10分钟的过期时间。

由于流处理器可能会处理无限的数据，所以需要注意的是，不要让内部state无限地增长下去。为了限制state 大小，一般来说，operators会维护一些到目前为止看到的所有events的概要（synopsis）、或是总结（summary）信息。这个摘要信息可以是 计数、sum、 一个样本、亦或是用户自定义的一个数据结构（用于存储某些需要的属性）。

对于支持有状态的operators，会有以下挑战：

1. 状态管理

系统需要高效地管理state，并确保它可以被（合理地）并行更新

2. 状态分区

在并行处理时，场景较为复杂，因为输出的结果依赖于state以及持续输入的events。不过在大部分场景中，我们可以通过key将state分区，并单独的管理每个state。例如处理的输入流为一组传感器的events，这时可以使用分区的operator state 独立地维护每个传感器的状态信息。

3. 状态恢复

最大的挑战为：在发生错误时，有状态的operator需要确保state可以被恢复，并且仍能输出正确的结果。

接下来我们详细地讨论一下任务失败以及result guarantees。

任务失败

在流处理工作中，opratror state是非常重要的信息，需要对此有容错能力。如果在一次failure中，state丢失，则即使最终作业恢复了，输出的结果可能仍是不对的。流处理工作一般会持续运行较长时间，所以state可能会在几天（甚至几月）才会被收集一次。如果重新去处理所有的输入，以生成丢失的state，会是一个费时费算力的过程。

在实际场景中，可以经常见到有上百个并行任务（task）的流作业。而在长期运行的流作业中，每个任务在任何时间都有可能失败。如何确保这些故障可以被透明地处理，并让流工作继续运行？事实上，我们需要流处理器不仅可以在任务失败时仍能继续处理，还需要保证结果以及operator state的正确性。接下来我们会对此讨论具体细节。

什么是一个任务失败

对于输入流里的每一个event来说，一个任务是一个处理步骤，包含以下几步：（1）接收到event，将它存储在本地缓存；（2）可能会更新内部state；并（3）生成一个输出条目。而故障可能在以上任意一步发生。如果故障发生在第一步，event是否会丢失？如果在已经更新了state后发生故障，state的信息在任务恢复后是否再次被更新？而在这些场景下，最终输出的结果是否仍是准确的？

流系统通过提供结果保障（result guarantees）定义任务在故障发生时的行为。下面我们会介绍主流流处理器提供的保障（guarantees），以及为了达到这些guarantees，系统实现的一些机制。

至多一次（AT-MOST-ONCE）

当一个任务失败时，最简单的做法是不做任何事。至多一次确保每个event仅被处理一次 。也就是说，失败了就失败了。events可以简单的被丢弃，并且不做任何事去确保结果的正确性。这种guarantee也被称为“没有保障“（no guarantee），因为一个丢弃所有events的系统也可以提供这种保障。没有保障这点可能听起来是一个比较差的想法，但是如果你关注的是尽量少的延迟，并且系统并不要求很高的准确性，则这也是一个可接受的选择。

至少一次（AT-LEAST-ONCE）

在大部分真实应用中，我们会希望events不应该丢失。这种guarantee被称为至少一次，意思是：所有的events均会被处理，并且有些可能会被处理不止一次。如果应用的准确性仅取决于所有事件的完整性，则重复的处理可能也是能被接受的。例如，如果场景是判断某个特定的event是否在流中出现，则可以使用此guarantee。但是如果是判断此特定event在流中出现的次数，则使用此gurantee会返回错误的结果。

为了确保at-least-once结果的准确性，我们需要有一种方式replay events（从数据源或是缓冲区）。持久化的 event log会将events写入到可靠存储，所以在task失败时，这些events可以被replay。另一种达到同样效果的方法是使用 记录确认（record acknowledgments）。此方法会在缓存中存储每个event，直到某个event被管道中所有的task 确认处理后，此event才会被丢弃。

精确一次（EXACTLY-ONCE）

精确一次是最严格的guarantee，并且很难达成。精确一次意思是：不仅没有event丢失，而且在更新state时，每个event仅被应用一次。本质上说，exactly-once guarantee 表示应用会提供准确的结果，就像故障没有发生一样。

提供exactly-once guarantee需要at-least-once guarantees，所以数据replay的机制也是必须的。此外，流处理器还需要确保internal state的一致性。也就是说，在从错误恢复后，它应该能够知道，一个event是否已经被state使用了。事务更新（transactional updates）是一种实现它的方式，但是它会引发大量性能开销的问题。在Flink中，它用了一个轻量级的快照机制（snapshotting）达成exactly-once result guarantee。会在之后的章节进一步讨论。

端到端精确一次（END-TO-END EXACTLY-ONCE）

到目前为止我们所见到的各种guarantees，都表示的是：由流处理器（stream processor）管理的application state。在真实的流应用中，除了流处理器外，都至少会有一个source和一个sink。End-to-end guarantees表示的是在整个数据处理pipeline中的结果准确性。每个组件提供了它自己的guarantee，所以整个pipeline的 end-to-end guarantee 是每个组件中最弱的那个guarantee。需要注意的是，有时候使用较弱的guarantees可能也能获取更强guarantee的语义。一个常见的案例是：当一个task求最大值或最小值的时，使用at-least-once guarantess即可达到exactly-once语义的效果。

总结

到现在为止，我们独立于Flink介绍了流处理中的一些概念，在之后的章节中，我们会介绍Flink是如何实现的这些概念，以及如何使用DataStream API 去编写应用程序并使用介绍到的这些功能。

References：

Vasiliki Kalavri, Fabian Hueske. Stream Processing With Apache Flink. 2019