在大数据领域，很多开源框架（Hadoop、Spark、Storm）都是基于 JVM 运行，但是 JVM 的内存管理机制往往存在着诸多类似 OutOfMemoryError 的问题，主要是因为创建大量的实例，超过 JVM 的最大堆内存限制，没有被有效的回收。这在很大程度上影响了系统的稳定性，因此很多框架都实现了自己的内存管理，从而更好的使用 JVM 来处理大规模数据集。本章我们通过对 Flink 内存模型、JobManager 以及 TaskManager 内存配置的介绍，全方位了解 Flink 在内存方面是如何自主管理的。
目录
flink-%E8%87%AA%E4%B8%BB%E5%86%85%E9%83%A8%E7%AE%A1%E7%90%86-toc" style="margin-left:40px;">Flink 自主内部管理
flink-%E8%BF%9B%E7%A8%8B%E5%86%85%E5%AD%98%E6%A8%A1%E5%9E%8B-toc" style="margin-left:40px;">Flink 进程内存模型
JobManager 内存管理
TaskManager 内存管理
Flink 自主内部管理
Apache Flink 基于 JVM 的高效处理能力，依赖于其对各组件内存用量的细致掌控。从一开始就使用了自主内存管理，避开了 JVM 内存管理在大数据场景下的问题提升了计算效率。
Flink 的内存管理和操作系统管理内存一样，将内存划分为内存段、内存页等结构。
- 内存段
Flink 并不是将大量对象存在堆内存上，而是将对象都序列化到一个预分配的内存块上，这个内存块叫做 MemorySegment，它代表了一段固定长度的内存（默认大小为 32KB），也是 Flink 中最小的内存分配单元，并且提供了非常高效的读写方法，很多运算可以直接操作二进制数据，不需要反序列化即可执行。每条记录都会以序列化的形式存储在一个或多个 MemorySegment 中。
