三种State Backends | 你该用哪个？
来源:大数据技术与架构作者:王知无
大数据技术与架构
点击右侧关注，大数据开发领域最强公众号！
暴走大数据
点击右侧关注，暴走大数据！
By 大数据技术与架构
场景描述：当Flink程序的checkpoint被激活时，状态会被持久化到checkpoint，以防止数据丢失和无缝恢复。状态在内部如何组织和它们如何以及在哪持久化，依赖于所选的状态后端。
关键词：Flink State
选择 State backend
Checkpoint 的存储的位置取决于配置的 State backend（JobManager 内存，文件系统，数据库...）。默认情况下，State 存储在 TaskManager 内存中，Checkpoint 存储在 JobManager 内存中。Flink 支持在其他 state backend 中存储 State 和 Checkpoint。可以通过如下方法配置：StreamExecutionEnvironment.setStateBackend(…)Flink 提供了不同的 State backend，支持不同的 State 存储方式和位置。默认会使用配置文件 flink-conf.yaml 指定的选项，也可以在每个作业中设置来覆盖默认选项：
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setStateBackend(...);
Flink 自带了以下几种开箱即用的 state backend：
- MemoryStateBackend
- FsStateBackend
- RocksDBStateBackend
在没有配置的情况下，系统默认使用 MemoryStateBackend。
优劣比较
尽管有checkpoint保证exactly-once，但对于实时性要求高的业务场景，每次重启所消耗的时间都可能会导致业务不可用。也许你也经常遇到这样的情况，checkpoint又失败了？连续失败？task manager 内存爆了？ 这些情况都很容易导致Flink任务down了，这时候需要思考下你所处的业务场景下，选用的Flink State Backends是否合理？
我们翻译一下上面图中对三种状态后端的介绍：
- MemoryStateBackend 默认，小状态，本地调试使用
- FsStateBackend 大状态，长窗口，高可用场景
- RocksDBStateBackend 超大状态，长窗口，高可用场景，可增量checkpoint
MemoryStateBackend
MemoryStateBackend将内部的数据保存在Java堆上。Key/value状态和窗口操作符持有存储值，触发器等的哈希表。
当进行checkpoint时，这个状态后端会对当前的状态进行快照，并且将其作为checkpoint ACK消息的一部分发送给JobManager(master)，该JobManager将其存储在它的堆上。我们来看下MemoryStateBackend的四个构造函数：
public MemoryStateBackend() { this(5242880); }public MemoryStateBackend(int maxStateSize) { this(maxStateSize, true);}public MemoryStateBackend(boolean asynchronousSnapshots) { this(5242880, asynchronousSnapshots);}public MemoryStateBackend(int maxStateSize, boolean asynchronousSnapshots) { this.maxStateSize = maxStateSize; this.asynchronousSnapshots = asynchronousSnapshots;}MemoryStateBackend可以配置使用异步快照的方式。虽然我们强烈鼓励使用异步快照的方式来避免管道阻塞，但是请注意，这个是一个新特性，目前默认情况下不启用。为了启用这个状态，用户可以在初始化 MemoryStateBackend 时将构造函数中相应的布尔标识设为 true，例如：
new MemoryStateBackend(MAX_MEM_STATE_SIZE, true);
MemoryStateBackend的局限性:
- 单个状态的大小默认情况下最大为5MB。这个值可以通过MemoryStateBackend构造函数进行增加。
- 无论配置的最大状态大小为多少，状态的大小不能超过akka帧大小
- 聚合的状态必须在JobManager的内存中能存放
MemoryStateBackend适用于:
- 本地开发和调试
- 只有很小状态的作业，例如作业只由record-at-a-time函数组成(Map，FlatMap，Filter，...)。Kafka消费者只需要非常小的状态。
FsStateBackend
FsStateBackend需要配置存储的文件系统，可以是hdfs路径:
hdfs://namenode:40010/flink/checkpoints
也可以是文件系统路径:
file:///data/flink/checkpoints
FsStateBackend将流计算数据状态存储在TaskManager的内存中，在数据流遇到检查点屏障时，再将数据快照存储在配置好的文件系统中，在JobManager内存中会存储少量的checkpoint元数据。
FsStateBackend的三种构造函数：
public FsStateBackend(String checkpointDataUri, boolean asynchronousSnapshots) throws IOException { this(new Path(checkpointDataUri), asynchronousSnapshots);}
public FsStateBackend(Path checkpointDataUri, boolean asynchronousSnapshots) throws IOException { this(checkpointDataUri.toUri(), asynchronousSnapshots);}
//fileStateSizeThreshold默认1024public FsStateBackend(URI checkpointDataUri, int fileStateSizeThreshold, boolean asynchronousSnapshots) throws IOException { Preconditions.checkArgument(fileStateSizeThreshold >= 0, "The threshold for file state size must be zero or larger."); Preconditions.checkArgument(fileStateSizeThreshold <= 1048576, "The threshold for file state size cannot be larger than %s", new Object[]{1048576}); this.fileStateThreshold = fileStateSizeThreshold; this.basePath = validateAndNormalizeUri(checkpointDataUri); this.asynchronousSnapshots = asynchronousSnapshots;}FsStateBackend默认使用异步快照，对每个快照文件大小有要求:[0, 1048576]，且状态快照大小不能超过 TaskManager 的内存。但状态快照最终保存在文件系统中，所以FsStateBackend适用于大数据的生产环境，可处理长窗口，大状态或大key-value状态任务。当选择使用 FsStateBackend时，正在进行的数据会被存在TaskManager的内存中。在checkpoint时，此后端会将状态快照写入配置的文件系统和目录的文件中，同时会在JobManager的内存中（在高可用场景下会存在 Zookeeper 中）存储极少的元数据。容量限制上，单 TaskManager 上 State 总量不超过它的内存，总大小不超过配置的文件系统容量。
默认情况下，FsStateBackend 配置成提供异步快照，以避免在状态 checkpoint 时阻塞数据流的处理。该特性可以实例化 FsStateBackend 时传入false的布尔标志来禁用掉，例如：new FsStateBackend(path, false)
推荐使用的场景：
- 处理大状态，长窗口，或大键值状态的有状态处理任务， 例如分钟级窗口聚合或 join。
- 适合用于高可用方案（需要开启HA的作业）。
- 可以在生产环境中使用
RocksDBStateBackend
RocksDBStateBackend 使用文件系统URL(类型，地址，路径)，例如
'hdfs://namenode:40010/flink/checkpoints
或
file:///data/flink/checkpoints
RocksDBStateBackend将in-flight数据存储在RocksDB数据库中，它(默认)存储在TaskManager的data目录下。当checkpoint时，整个RocksDB数据库将被checkpoint到配置的文件系统和目录下。最小的元数据存储在JobManager的内存中(或者，在高可用模式下，在元数据checkpoint中)。RocksDB 是一种嵌入式的本地数据库。RocksDBStateBackend 将处理中的数据使用 RocksDB 存储在本地磁盘上。在 checkpoint 时，整个 RocksDB 数据库会被存储到配置的文件系统中，或者在超大状态作业时可以将增量的数据存储到配置的文件系统中。同时 Flink 会将极少的元数据存储在 JobManager 的内存中，或者在 Zookeeper 中（对于高可用的情况）。RocksDB 默认也是配置成异步快照的模式。
RocksDB是一个 key/value 的内存存储系统，和其他的 key/value 一样，先将状态放到内存中，如果内存快满时，则写入到磁盘中，但需要注意RocksDB不支持同步的 Checkpoint，构造方法中没有同步快照这个选项。不过RocksDB支持增量的 Checkpoint，也是目前唯一增量 Checkpoint 的 Backend，意味着并不需要把所有 sst 文件上传到 Checkpoint 目录，仅需要上传新生成的 sst 文件即可。它的 Checkpoint 存储在外部文件系统（本地或HDFS），其容量限制只要单个 TaskManager 上 State 总量不超过它的内存+磁盘，单Key最大2G，总大小不超过配置的文件系统容量即可。
RocksDBStateBackend局限性：
RocksDB支持的单key和单value的大小最大为每个 2^31 字节。这是因为 RocksDB 的 JNI API 是基于byte[]的。对于使用具有合并操作的状态的应用程序，例如 ListState，随着时间可能会累积到超过 2^31 字节大小，这将会导致在接下来的查询中失败。
RocksDBStateBackend推荐使用的场景：
- 最适合用于处理大状态，长窗口，或大键值状态的有状态处理任务。
- 非常适合用于高可用方案。
- 最好是对状态读写性能要求不高的作业
RocksDBStateBackend是目前唯一提供增量checkpoint的状态后端。
如何使用状态后端
不同 State backend 吞吐量对比
- 使用 FileSystem 和 Memory 的吞吐差异不大（都是使用堆内存管理处理中的数据），使用 RocksDB 的吞吐差距明显。
- Standalone 和 on Yarn 的总体差异不大，使用 FileSystem 和 Memory 时 on Yarn 模式下吞吐稍高，相反的使用 RocksDB 时 Standalone 模式下的吞吐稍高。
不同 State backend 延迟对比
- 使用 FileSystem 和 Memory 时延迟基本一致且较低。
- 使用 RocksDB 时延迟稍高，且由于吞吐较低，在达到吞吐瓶颈附近延迟陡增。其中 on Yarn 模式下吞吐更低，延迟变化更加明显。
State backend 的选择
StateBackendin-flightcheckpoint吞吐推荐使用场景MemoryStateBackendTM MemoryJM Memory高调试、无状态或对数据丢失或重复无要求FsStateBackendTM MemoryFS/HDFS高普通状态、窗口、KV 结构RocksDBStateBackendRocksDB on TMFS/HDFS低超大状态、超长窗口、大型 KV 结构如果您不做任何指定，默认的状态后端是JobManager。如果你希望为你的集群中的所有作业创建一个非默认的状态后端，你可以通过在flink-conf.yaml中指定一个新的默认后端。默认的状态后端可以在每个作业的基础上进行覆盖，如下所示。
设置一个作业级的状态后端
作业的状态后端通过作业中的 StreamExecutionEnvironment进行设置，如下述示例所示:
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();env.setStateBackend(new FsStateBackend("hdfs://namenode:40010/flink/checkpoints"));设置默认状态后端默认状态后端可以通过在 flink-conf.yaml 中设置state.backend值指定。可能的配置项是：jobmanager (MemoryStateBackend)， filesystem (FsStateBackend)， rocksdb (RocksDBStateBackend)，或者实现了状态后端工厂FsStateBackendFactory的类的完全限定类名，例如，为RocksDBStateBackend设置为org.apache.flink.contrib.streaming.state.RocksDBStateBackendFactory。配置文件中的示例部分如下所示:
# The backend that will be used to store operator state checkpointsstate.backend: filesystem# Directory for storing checkpointsstate.backend.fs.checkpointdir: hdfs://namenode:40010/flink/checkpoints
欢迎点赞+收藏+转发朋友圈素质三连
文章不错？点个【在看】吧！