京東Flink優(yōu)化與技術實踐

分 享嘉賓： 付海濤 京 東 高級技術專家

編輯整理：趙明明

出品平臺：DataFunTalk

導讀：Flink是目前流式處理領域的熱門引擎，具備高吞吐、低延遲的特點，在實時數(shù)倉、實時風控、實時推薦等多個場景有著廣泛的應用。京東于2018年開始基于Flink+K8s深入打造高性能、穩(wěn)定、可靠、易用的實時計算平臺，支撐了京東內(nèi)部多條業(yè)務線平穩(wěn)度過618、雙11多次大促。本次講演將分享京東Flink計算平臺在容器化實踐過程中遇到的問題和方案，在性能、穩(wěn)定性、易用性等方面對社區(qū)版Flink所做的深入的定制和優(yōu)化，以及未來的展望和規(guī)劃。主要內(nèi)容包括：

• 實時計算演進

• Flink容器化實踐

• Flink優(yōu)化改進

• 未來規(guī)劃

01

實時計算引進

1.發(fā)展歷程

最初大數(shù)據(jù)的模式基本都是T+1，但是隨著業(yè)務發(fā)展，對數(shù)據(jù)實時性的要求越來越高，比如對于一個數(shù)據(jù)，希望能夠在分鐘級甚至秒級得到計算結果。京東是在2014年開始基于Storm打造第一代流式計算平臺，并在Storm的基礎上，做了很多優(yōu)化改進，比如基于cgroup實現(xiàn)對worker使用資源的隔離、網(wǎng)絡傳輸壓縮優(yōu)化、引入任務粒度toplogy master分擔zk壓力等。到2016年，Storm已經(jīng)成為京東內(nèi)部流式處理的最主要的計算引擎，服務于各個業(yè)務線，可以達到比較高的實時性。

隨著業(yè)務規(guī)模的不斷擴大，Storm也暴露出許多問題，特別是對于吞吐量巨大、但是對于延遲不是那么敏感的業(yè)務場景顯得力不從心。于是，京東在2017年引入了Spark Streaming流式計算引擎，用于滿足此類場景業(yè)務需要。

隨著業(yè)務的發(fā)展，不光是對于數(shù)據(jù)的延遲有很高要求，同時對于數(shù)據(jù)的吞吐處理能力也有很高的要求，所以迫切需要一個兼具低延遲和高吞吐能力的計算框架，于是在2018年我們引入了Flink。在Flink社區(qū)版的基礎上，我們從性能、穩(wěn)定性、易用性還有功能等方面，都做了一些深入的定制和優(yōu)化。同時我們基于k8s實現(xiàn)了實時計算全面的容器化，因為容器化有很多的優(yōu)點，它可以做到很好的資源隔離，同時它有一個很強的自愈能力，另外它很容易實現(xiàn)資源的彈性調(diào)度。同時我們基于Flink打造了全新的SQL平臺，降低用戶開發(fā)實時計算應用的門檻。

到2020年，基于Flink和k8s實時計算平臺已經(jīng)做的比較完善了。過去流式處理是我們關注的重點，今年我們也開始逐漸的支持批處理，朝著批流一體的方向演進。另外AI是目前比較火的一個方向，對于AI來說，它的實時化也是一個重要的研究方向。所以我們的實時計算平臺將會朝著批流一體和AI的方向進行發(fā)展。

2.平臺架構

上面是京東實時計算平臺JRC的整體架構，整個架構以定制化改造后的Flink為核心，F(xiàn)link運行在K8S上，狀態(tài)存儲在HDFS集群上，通過Zookeeper保證集群的高可用。支持流式源JDQ（京東基于Kafka深入定制實現(xiàn)的實時數(shù)據(jù)總線）和Hive，數(shù)據(jù)主要寫入JimDB（京東內(nèi)存數(shù)據(jù)庫）、ES、Hbase和京東OLAP。計算平臺支持SQL和普通JAR包兩種方式的作業(yè)，具有配置、部署、調(diào)試、監(jiān)控、和日志處理等功能。

3. 業(yè)務場景

京東Flink服務于京東內(nèi)部非常多的業(yè)務線，有70多個一級部門在使用，主要應用場景包括實時數(shù)倉，實時大屏，實時推薦，實時報表，實時風控和實時監(jiān)控，當然還有其他一些應用場景。對數(shù)據(jù)計算實時性有一定要求的場景，一般都會使用Flink進行開發(fā)。

4. 業(yè)務規(guī)模

京東Flink集群目前由5000多臺物理機組成，它服務了京東內(nèi)部70多個一級業(yè)務部門，目前線上的流計算任務大概有3000多個，數(shù)據(jù)的處理能力可以達到每分鐘數(shù)十億甚至更高。

02

Flink容器化實踐

1.容器化歷程

京東從2018年開始進行計算引擎的容器化改造，2019年初已經(jīng)實現(xiàn)計算單元全部容器化，2020年進行了容器化方案升級，使用native k8s實現(xiàn)計算資源的彈性擴容。容器化改造的好處是提升了資源使用率，提高了研發(fā)效率，增強了業(yè)務穩(wěn)定性，減少了運維部署成本。

2.容器化方案

舊的容器化方案是基于k8s Deployment部署的Standalone Session集群，它需要事先預估出集群所需資源，比如需要的JobManager和TaskManager的資源規(guī)格和個數(shù)。然后JRC平臺通過K8S客戶端向K8S Master提出請求，創(chuàng)建JobManager的Deployment和TaskManager的Deployment。其中使用ZK保證高可用，使用Hdfs實現(xiàn)狀態(tài)存儲，使用Prometheus實現(xiàn)監(jiān)控指標的上傳，結合Grafana實現(xiàn)指標的直觀展示。集群使用ES存儲日志，方便日志的查詢。

3.容器化遇到的問題&對策

容器化過程中可能遇到很多問題：

①?JM/TM故障自動恢復

應用部署在容器中，當應用出現(xiàn)異常時，如何發(fā)現(xiàn)應用或者異常的情況呢？比如可以使用存活探針，編寫檢測腳本定期讀取應用的心跳信息。當檢測到Pod處于不健康狀態(tài)時，可以采用k8s的重啟機制來重啟不健康的容器。

② 減少Pod異常對業(yè)務影響

在k8s中由于硬件異常、資源過載、Pod不健康等問題會導致Pod被驅逐或自動重啟，Pod重啟時勢必會影響到該Pod上分布計算任務的正常運行。這個時候可以考慮采用適當?shù)闹貑⒉呗?、改造?nèi)核等方案來減少對任務影響。比如京東實現(xiàn)了JM Failover優(yōu)化，當Pod異常引起JM Failover時采用的是任務不恢復、重建任務狀態(tài)恢復的方式，可以一定程度上減少Pod重啟對業(yè)務帶來的影響。

③ 性能問題

在容器環(huán)境下，JVM對cpu和內(nèi)存的感知會有一定的問題，在Java8版本中，一些參數(shù)就要進行顯式的設置。對于機器性能差異或熱點等問題導致部分Pod計算慢的問題，可以考慮進行針對性優(yōu)化（比如實現(xiàn)基于負載的數(shù)據(jù)分發(fā)）或處理（比如檢測到計算慢的Pod將其驅逐到負載較低的機器）。此外，對于使用容器網(wǎng)絡的情況下，可能會帶來一定的網(wǎng)絡性能損耗，此時可以根據(jù)情況選擇使用主機網(wǎng)絡避免網(wǎng)絡虛擬化帶來的開銷，或者選擇更高性能的網(wǎng)絡插件。

④ 重要業(yè)務穩(wěn)定性

如何保證業(yè)務的穩(wěn)定性是一個需要重點考慮的問題。除了保證系統(tǒng)各個環(huán)節(jié)的高可用外，還可以根據(jù)業(yè)務情況考慮使用其它合理的方案，例如業(yè)務分級管理，獨立資源池，多機房互備等。

4.容器化方案升級（Native k8s）

原有容器化方案存在一定的問題：

• 資源需要提前分配

• 無法實現(xiàn)資源彈性伸縮

• 極端場景下Pod不能正常拉起，影響任務恢復

• 重要業(yè)務穩(wěn)定性

容器化升級的解決方案是采用Native K8s的方式。由JRC平臺先向K8S Master發(fā)出請求，創(chuàng)建JobManager的Deployment；然后在用戶通過Rest服務提交任務后，由JobMaster通過JDResourceManager 向JRC平臺發(fā)出請求，然后JRC平臺向 K8s Master 動態(tài)申請資源去創(chuàng)建運行TaskManager 的Pod。

此處，通過引入JRC平臺與K8s交互，屏蔽了不同容器平臺的差異，解耦了鏡像與平臺集群配置&邏輯變化。另外，為了兼容原有Slot分配策略，在提交任務時會預估出任務所需資源并一次性申請，之后采用等待一定時間后進行slot分配的方式達到兼容目的。

03

Flink優(yōu)化改進

主要做了以下四個方面的優(yōu)化：

• 性能

• 穩(wěn)定性

• 易用性

• 功能擴展

下邊分幾個重要的點進行講解：

1.預覽拓撲

預覽拓撲主要是為了解決業(yè)務的一些痛點：比如任務調(diào)優(yōu)繁瑣、SQL任務無法指定并行度、任務需要的額Slot數(shù)不清楚、并行度調(diào)整后網(wǎng)絡buffer不足等。在Flink任務調(diào)試階段，對任務并行度、Slot分組、Chaining策略的調(diào)整是個反復的過程，如果把參數(shù)寫到命令行就太繁瑣了。而基于預覽拓撲就可以很方便地對這些參數(shù)進行配置。

預覽拓撲基本的實現(xiàn)方案如上圖：用戶提交JAR包后可根據(jù)JAR包生成對應的拓撲圖，之后用戶根據(jù)拓撲圖可以進行在線調(diào)整，最后自動將修改后的配置和原來的JAR包一起進行任務提交。

預覽拓撲機制使得不修改程序多次提交任務調(diào)優(yōu)成為可能，但是如何保證前后兩次提交生成算子穩(wěn)定的對應關系呢？解決方案的關鍵是保證算子有穩(wěn)定的唯一身份標識，具體算法是：如果算子指定了uidHash就用uidHash，如果算子指定了uid就使用uid，否則就從source開始廣度優(yōu)先遍歷，利用算子在graph中的位置生成一個穩(wěn)定hash值。

2.背壓量化

第二個重要的優(yōu)化是背壓量化。

在Flink開發(fā)的時候，主要有兩種方式：

①通過Flink UI背壓面板觀察是否背壓。使用這種方式在某些場景比較方便，但是它存在幾個問題：

• 在有些場景下采集不到背壓

• 對于歷史背壓情況無法跟蹤

• 背壓影響不直觀

• 大并行度時背壓采集壓力

②通過任務背壓相關指標進行觀察和分析，通過將指標定期采集并存儲起來，可以進行實時或歷史的背壓分析。但是它也有一些不足的地方：

• 不同F(xiàn)link版本中指標含義有一定差異

• 分析背壓有一定門檻，需要對于指標含義有深入理解，聯(lián)合進行分析

• 背壓未量化，對業(yè)務影響程度不夠直觀

京東的解決方案是采集背壓發(fā)生的位置、時間和次數(shù)指標，并對這些指標進行上報存儲。同時對量化的背壓指標結合運行時拓撲，可以精確反映發(fā)生背壓現(xiàn)場的情況。

3.HDFS優(yōu)化

隨著業(yè)務數(shù)量的增多，HDFS集群的壓力就會變得很大。這會直接導致RPC響應時間變慢，造成請求堆積，同時大量小文件也會對NN內(nèi)存造成很大壓力。對此京東嘗試的解決方案有4方面：限制checkpoint最小間隔，時間最小設置在1min左右可以滿足大部分業(yè)務需求；進行小文件合并；降低cp創(chuàng)建和刪除時的hdfs rpc請求；HDFS集群多ns分散均衡壓力。

4.網(wǎng)絡分發(fā)優(yōu)化

在實踐過程中我們發(fā)現(xiàn)，即使業(yè)務使用了rebalance并且對任務進行了打散分布，但是由于機器處理能力和負載的差異，會導致任務各個并行度不同程序的背壓表現(xiàn)，嚴重影響了任務的性能。為此，我們開發(fā)了基于負載的動態(tài)rebalance，在數(shù)據(jù)進行分發(fā)時優(yōu)先選擇下游負載最小的channel進行分發(fā)。

經(jīng)測試，在特定場景下性能能夠提升近一倍。

5.ZK防抖

目前一般都是使用ZK集群實現(xiàn)Flink集群的高可用，但是當網(wǎng)絡抖動、機器繁忙、ZK集群暫時無響應或運維機器的時候，都可能會導致任務重啟。

任務重啟的原因是由于在這些場景發(fā)生時，Curator會將狀態(tài)設置為suspended，并且Curator認為suspended為Error狀態(tài)，從而會釋放leader，F(xiàn)link發(fā)現(xiàn)notleader后會revokeLeadership，從而造成任務重啟。

一個可行的解決辦法是升級Curator的版本，同時將connectionStateErrorPolicy設置為SessionConnetionStateErrorPolicy。

6.日志分離

目前我們一個集群是支持跑多個任務的，這時日志會出現(xiàn)的問題是：任務的日志和集群Framework日志混在一起，同時集群的多個任務日志也是混在一起的，不太方便用戶查看日志，快速定位問題。

為了解決這個問題，首先要弄清楚目前Flink加載日志框架的基本機制：為了避免跟業(yè)務Job中可能包含的日志框架的依賴、配置文件產(chǎn)生沖突，F(xiàn)link日志相關類的加載都代理給TaskManager框架的類加載器，也就是Parent Classloader，而框架加載的這些類都是從Flink安裝包的lib目錄下加載的。對于日志配置文件，F(xiàn)link通過 JVM 啟動參數(shù)來指定配置日志配置文件路徑。

日志分離的解決方案是：將日志相關jar包加入到各個task自己classloader（user classloader）的類路徑中；同時確保使用user classloader加載日志類和加載自己的日志配置；

另外對于使用了Flink框架的類（比如PrintSinkFunction），日志不能做到很好的分離，可以考慮使用logback MDC機制。

04

未來規(guī)劃

未來規(guī)劃主要包括四個方面:

① 統(tǒng)一計算引擎

引擎Storm全部升級為Flink，這樣可以減少平臺的運維成本，同時可以提高作業(yè)性能（目前已經(jīng)接近完成）。

② 更多SQL作業(yè)

持續(xù)完善SQL平臺，降低用戶的使用門檻，推動用戶更多使用SQL開發(fā)作業(yè)。

③ 智能運維

使用智能診斷，自適應調(diào)整運行參數(shù)，提升任務的魯棒性

④ 批流一體

深度打造批流一體實時計算平臺，兼具低延遲的流處理和高性能的批處理能力。另外統(tǒng)一架構，實現(xiàn)代碼復用，降低用戶的使用成本。

今天的分享就到這里，謝謝大家。

特別推薦一個分享架構+算法的優(yōu)質內(nèi)容，還沒關注的小伙伴，可以長按關注一下：

長按訂閱更多精彩▼
如有收獲，點個在看，誠摯感謝