状态一致性级别
-
AT-MOST-ONCE (最多一次)：当任务故障时，最简单的做法是什么都不干，既不恢复丢失的状态，也不重
播丢失的数据。At-most-once 语义的含义是最多处理一次事件。 -
AT-LEAST-ONCE (至少一次)：在大多数的真实应用场景,我们希望不丢失事件。这种类型的保障称为at-
least-once,意思是所有的事件都得到了处理，而一些事件还可能被处理多次。 -
EXACTLY-ONCE (精确一次)：恰好处理一次是最严格的保证，也是最难实现的。恰好处理一次语义不仅仅
意味着没有事件丢失，还意味着针对每一个数据，内部状态仅仅更新一次。
端到端状态一致性
- 目前我们看到的一致性保证都是由流处理器实现的，也就是说都是在Flink流处理器内部保证的;而在真实应用中，流处理应用除了流处理器以外还包含了数据源(例如Kafka)和输出到持久化系统
- 端到端的一致性保证，意味着结果的正确性贯穿了整个流处理应用的始终;每一个组件都保证了它自己的一致性
- 整个端到端的一致性级别取决于所有组件中一致性最弱的组件
EXACTLY-ONCE (精确一次)
- 内部保证：checkpoint
- Source端：可重设数据的读取位置
- Sink端：从故障恢复时，数据不会重复写入外部系统
➢幂等写入
➢事务写入
幂等写入(Idempotent Writes)
- 所谓幂等操作，是说一个操作，可以重复执行很多次,但只导致一次结果更改，也就是说，后面再重复执行就不起作用了
事务写入(Transactional Writes)
- 事务(Transaction)
➢应用程序中一系列严密的操作，所有操作必须成功完成，否则在每个操作中作的所有更改都会被撤消
➢具有原子性:一个事务中的一系列的操作要么全部成功，要么一个都不做 - 实现思想:构建的事务对应着checkpoint,等到checkpoint真正完成的时候，才把所有对应的结果写入sink系统中
- 实现方式
➢预写日志
➢两阶段提交
预写日志(Write- Ahead-Log, WAL)
- 把结果数据先当成状态保存,然后在收到checkpoint完成的通知时,一次性写入sink系统，相当于批处理了，增加延迟，降低了实时性
- 简单易于实现，由于数据提前在状态后端中做了缓存，所以无论什么sink系统，都能用这种方式一批搞定
- DataStream API提供了一个模板类: GenericWriteAheadSink, 来实现这种事务性sink
- 但依然无法完美解决，如果sink在批量输出时挂掉，一样会又重新回滚，重新输出，依旧会又重复数据
两阶段提交(Two-Phase-Commit， 2PC)
- 对于每个checkpoint, sink 任务会启动一个事务，并将接下来所有接收的数据添加到事务里
- 然后将这些数据写入外部sink系统，但不提交它们，这时只是"预提交”
- 当它收到checkpoint完成的通知时，它才正式提交事务，实现结果的真正写入。这种方式真正实现了exactly-once,它需要一个 提供事务支持的外部sink系统。Flink 提供了TwoPhaseCommitSinkFunction接口
2PC对外部sink系统的要求
- 外部sink系统必须提供事务支持，或者sink任务必须能够模拟外部系统上的事务
- 在checkpoint的间隔期间里，必须能够开启一个事务并接受数据写入
- 在收到checkpoint完成的通知之前，事务必须是"等待提交的状态。在故障恢复的情况下，这可能需要一些时间。如果这个时候sink系统关闭事务(例如超时了) ,那么未提交的数据就会丢失
- sink任务必须能够在进程失败后恢复事务
- 提交事务必须是幂等操作
不同Source和Sink的一致性保证
示例：Flink+ Kafka端到端状态一致性的保证
- 内部：利用checkpoint机制，把状态存盘，发生故障的时候可以恢复,保证内部的状态一致性
- source：kafka consumer作为source,可以将偏移量保存下来,如果后续任务出现了故障,恢复的时候可以由连接器重置偏移量，重新消费数据，保证一致性
- sink：kafka producer作为sink,采用两阶段提交sink,需要实现一个TwoPhaseC ommitSinkFunction
原理详解：Flink+ Kafka端到端状态一致性的保证
原理图一
- JobManager 协调各个TaskManager进行checkpoint存储
- checkpoint保存在 StateBackend中，默认StateBackend是内存级的，也可以改为文件级的进行持久化保存
原理图二
- 当checkpoint启动时，JobManager 会将检查点分界线(barrier) 注入数据流
- barrier会在算子间传递下去
原理图三
- 每个算子会对当前的状态做个快照，保存到状态后端
- checkpoint机制可以保证内部的状态-致性
原理图四
- 每个内部的 transform任务遇到barrier时，都会把状态存到checkpoint里
- sink任务首先把数据写入外部kafka,这些数据都属于预提交的事务;遇到barrier时，把状态保存到状态后端，并开启新的预提交事务，但前面的事务还没有关闭，需要等到这次Checkpoint返回完成才会提交事务
原理图五
- 当所有算子任务的快照完成，也就是这次的checkpoint完成时，JobManager 会向所有任务发通知，确认这次checkpoint完成
- sink任务收到确认通知，正式提交之前的事务，kafka中未确认数据改为“已确认”
使用两阶段提交需要注意一个问题，就是如果kafka的时候等待超过15分钟没有被提交就会自动丢弃数据，如果Checkpoint操作超过15分钟就会发生这种情况，所有在做配置的时候Checkpoint超时时间尽量小一些
Exactly-once两阶段提交步骤详解
- 第一条数据来了之后，开启一个kafka的事务(transaction) ，正常写入kafka分区日志但标记为未提交，这就是”预提交’
- jobmanager 触发checkpoint操作，barrier 从source开始向下传递，遇到barrier的算子将状态存入状态后端,并通知jobmanager
- sink 连接器收到barrier,保存当前状态，存入checkpoint,通知jobmanager, 并开启下一阶段的事务，用于提交下个检查点的数据
- jobmanager 收到所有任务的通知，发出确认信息，表示checkpoint 完成
- sink任务收到jobmanager的确认信息，正式提交这段时间的数据
- 外部kafka关闭事务，提交的数据可以正常消费了。