Flink 优化-反压处理

一、什么是反压？

        简单来说，Flink 拓扑中每个节点（Task）间的数据都以阻塞队列的方式传输，下游来不及消费导致队列被占满后，上游的生产也会被阻塞，最终导致数据源的摄入被阻塞。

        反压通常产生于这样的场景：短时间的负载高峰导致系统接收数据的速率远高于它处理数据的速率。许多日常问腿都会导致反压，例如，垃圾回收停顿可能会导致流入的数据快速堆积；遇到大促、秒杀活动导致流量陡增。

二、反压会带来什么影响？

        反压如果不能得到正确的处理，可能会影响到 checkpoint 时长和 state 大小，甚至可能会导致资源耗尽甚至系统崩溃。

影响 checkpoint 时长：barrier 不会越过普通数据，数据处理被阻塞也会导致 checkpoint barrier 流经整个数据管道的时长变长，导致 checkpoint 总体时间变长。影响 state 大小：barrier 对齐时，接收到较快的输入管道的 barrier 后，他后面的数据就会被缓存起来但不处理，直到最慢的输入管道的 barrier 也到达，这些被缓存的数据会被放到 state 里面，导致 checkpoint 变大。

        这两个影响对于生产环境的作业是十分危险的，因为 checkpoint 是保证数据一致性的关键，checkpoint 时间变长有可能会导致 checkpoint 超时失败，而 state 太大同样会拖慢 checkpoint 甚至导致 OOM（使用 Heap-base StateBackend）或者物理内存使用超出容器资源（使用 RocksDBStateBackend）的稳定性问题。

三、如何定位反压节点？

        想要解决反压，首先要做的就是定位造成反压的节点，排查的时候，先把 operator chain 禁用，方便定位到具体算子。

3.1 利用 Flink Web UI 定位

        Flink Web UI 的反压监控提供了 SubTask 级别的反压监控。

        1.13 版本以前是通过周期性对 Task 线程的栈信息采样，得到线程被阻塞在请求 Buffer（意味着下游被阻塞）的频率来判断该节点是否处于反压状态。默认配置下，这个频率在 0.1 以下则为 OK，0.1 至 0.5 为 LOW，而超过 0.5 则为 HIGH。

        Flink 1.13 优化了反压检测的逻辑，使用基于任务 Mailbox 计时，而不再于堆栈采样，并且重新实现了作业图的 UI 展示：Flink 现在在 UI 上通过颜色和数值来展示繁忙和反压程度。

从上图可以看到 Map 算子处于反压：

如果处于反压状态，那么有两种可能：

该节点的发送速率跟不上他的产生数据速率。这一般会发生在一条输入多条输出的算子（比如 flatmap）。在这种情况下，该节点是反压的根源节点，他是从 Source Task 到 Sink Task 的第一个出现反压的节点。下游的节点接收速率较慢，通过反压机制限制了该节点的发送速率。这种情况，需要继续排查下游节点，一直找到第一个为 OK 的一般就是根源节点。

总结：第一个出现反压的节点，反压根源要么是这个节点，要么就是它紧接着的下游节点。

通常来讲，第二种情况更常见。如果无法确定，还可以结合 Metrics 进一步判断。

3.2 利用 Metrics 定位

        监控反压时会用到的 Metrics 主要和 Channel 接收端的 Buffer 使用率有关，最有用的是以下几个 Metrics：

Metrics	描述
outPoolUsage	发送端 Buffer 的使用率
inPoolUsage	接收端 Buffer 的使用率
floatingBuffersUsage	接收端 Floating Buffer 的使用率
exclusiveBuffersUsage	接收端 Exclusive Buffer 的使用率

其中 inPoolUsage = floatingBuffersUsage + exclusiveBuffersUsage。

3.2.1 根据指标分析反压

        分析反压的大致思路是：如果一个 SubTask 的发送端 Buffer 占用率很高，则表明它被下游反压限速了；如果一个 SubTask 的接收端 Buffer 占用很高，则表明它将反压传导至上游。反压情况可以根据下表对号入座：

	outPoolUsage 低	outPoolUsage 高
inPoolUsage 低	正常	被下游反压，处于临时情况（还没传到上游）
		可能是反压的根源，一条输入多条输出的场景
inPoolUsage 高	如果上游所有 outPoolUsage 都是低，有可能最终导致反压（还没传递到上游）	被下游反压
	如果上游的 outPoolUsage 是高，则为反压根源

3.2.2 分析数据传输

        还可以根据 floatingBuffersUsage / exclusiveBuffersUsage 以及其上下游 Task 的 outPoolUsage 来进一步的分析一个 SubTask 和其上游 SubTask 的数据传输。

        在流量较大时，Channel 的 Exclusive Buffer 可能会被写满，此时 Flink 会向 Buffer Pool 申请剩余的 Floating Buffer。这些 Floating Buffer 属于备用 Buffer。

	exclusiveBuffersUsage 低	exclusiveBuffersUsage 高
floatingBuffersUsage     低 所有上游 outPoolUsage 低	正常
floatingBuffersUsage     低 所有上游 outPoolUsage 高	潜在的网络瓶颈
floatingBuffersUsage     高 所有上游 outPoolUsage 低	最终对部分 inputChannel 反压（正在传递）	最终对大多数或所有 inputChannel 反压（正在传递）
floatingBuffersUsage     高 所有上游 outPoolUsage 高	只对部分 inputChannel 反压	对大多数或所有 inputChannel

总结：

floatingBuffersUsage 为高，则表明反压正在传导至上游同时 exclusiveBuffersUsage 为低，则表明可能有倾斜。

        比如，floatingBuffersUsage 高、exclusiveBuffersUsage 低为有倾斜，因为少数 channel 占用了大部分的 Floating Buffer。

四、反压的原因及处理方法

        反压可能是暂时的，可能由于负载高峰、Checkpoint 或作业重启引起的数据积压而导致反压。如果反压是暂时的，应该忽略它。另外，断断续续的反压会影响分析和解决问题。

        定位到反压节点后，分析造成原因的办法主要时观察 Task Thread。按照下面的额顺序，一步一步去排查。

4.1 查看是否数据倾斜

        在实际生产中，很多情况下的反压是由于数据倾斜造成的，这点我们可以通过 Web UI 各个 SubTask 的 Records Sent 和 Records Recived 来确认，另外 Checkpoint detail 里不同 SubTask 的 State size 也是一个分析数据倾斜的有用指标。

4.2 使用火焰图分析

        如果不是数据倾斜，最常见的问题可能是用户代码的执行效率问题（频繁被阻塞或者性能问题），需要找到性能瓶颈算子中的哪部分计算逻辑消耗巨大。

        最有用的办法就是对 TaskManager 进行 CPU profile，从中可以分析到 Task Thread 是否跑满一个 CPU 核：如果是的话，要分析 CPU 主要花费在哪些函数里面；如果不是的话，要看 Task Thread 阻塞在哪里，可能是用户函数本身有些同步的调用，可能是 Checkpoint 或者 GC 等系统活动导致的暂时系统暂停。

1.查看火焰图

火焰图是通过对堆栈跟踪进行多次采样来构建的。每个方法都由一个条形表示，其中条形的长度与其在样本中出现的次数成正比。

On-CPU：处于 [RUNNABLE，NEW] 状态的线程。Off-CPU：处于 [TIMED_WAITING，WAITING，BLOCKED] 的线程，用于查看在样本中发现的阻塞调用。 

2. 分析火焰图

颜色没有特殊含义，具体查看：

纵向是调用链，从上往下，顶部就是正在执行的函数。横向是样本出现次数，可以理解为执行时长。

看顶层的哪个函数占据的宽度最大，只要“平顶”（plateaus），就表示该函数可能存在性能问题。

4.3 分析 GC 情况

        TaskManager 的内存以及 GC 问题也可能会导致反压，包括 TaskManager JVM 各区内存不合理导致的频繁 Full GC 甚至失联。通常建议使用默认的 G1 垃圾回收器。

        可以通过打印 GC 日志（-XX:+PrintGCDetails），使用 GC 分析器（GCViewer工具）来验证是否处于这种情况。

1. 在 Flink 提交脚本中，设置 JVM 参数，打印 GC 日志：

-Denv.java.opts="-XX:+PrintGCDetails -XX:+PrintGCDateStamps"

2. 下载 GC 日志的方式：

        因为是 on yarn 模式，运行的节点一个一个找比较麻烦。可以打开 WebUI，选择
JobManager 或者 TaskManager，点击 Stdout，即可看到 GC 日志，点击下载按钮即可
将 GC 日志通过 HTTP 的方式下载下来。

3. 分析 GC 日志：

        通过 GC 日志分析出单个 Flink TaskManager 堆总大小、年轻代、老年代分配的内存空间、Full GC 后老年代剩余大小等，相关指标可以去 Github 具体查看。

GCViewer 地址：https://github.com/chewiebug/GCViewer
 
#Linux 下分析
java -jar gcviewer_1.3.4.jar gc.log

最重要的指标是 Full GC 后老年代剩余大小这个指标，按照《Java 性能优化权威指南》这本书 Java 堆大小计算法则，设 Full GC 后老年代剩余大小空间为 M，那么堆的大小建议 3 ~ 4 倍 M，新生代为 1 ~ 1.5 倍 M，老年代应为 2 ~ 3 倍 M。

4.4 外部组件交互

        如果发现 Source 端数据读取性能较低或者 Sink 端写入性能较低，需要检查第三方组件是否遇到瓶颈，还有就是做维表 join 时的性能问题。例如：

 Kafka 集群是否需要扩容，Kafka 连接器是否并行度较低。Habse 的 rowkey 是否遇到热点问题，是否请求处理不过来。ClickHouse 并发能力较弱，是否达到瓶颈。......

关于三方组件的性能问腿，需要结合具体的组件来分析，最常用的思路：

异步 IO + 热缓存来优化读写性能批量写入