如果让你来做一个有状态流式应用的故障恢复，你会如何来做呢？
单机和多机会遇到什么不同的问题？
Flink Checkpoint 是做什么用的？原理是什么？

一、什么是 Checkpoint？

Checkpoint 是对当前运行状态的完整记录。程序重启后能从 Checkpoint 中恢复出输入数据读取到哪了，各个算子原来的状态是什么，并继续运行程序。
即用于 Flink 的故障恢复。
这种机制保证了实时程序运行时，即使突然遇到异常也能够进行自我恢复。

二、如何实现 Checkpoint 功能？

如果让你来设计，对于流式应用如何做到故障恢复？
我们从最简单的单机单线程看起。

一）单机情况

同步执行，每次只处理一条数据

很简单，这种情况下，整个流程一次只处理一条数据。

• 数据到 Write 阶段结束，各个算子记录一次各自状态信息（如读取的 offset、中间算子的状态）
• 遇到故障需要恢复的时候，从上一次保存的状态开始执行
• 当然为了降低记录带来的开销，可以攒一批之后再记录。

同时处理多条数据

每个计算节点还是只处理一条数据，但该节点空闲就可以处理下一条数据。

如果还按照一个数据 Write 阶段结束开始保存状态，就会出现问题：

• 前面节点的状态，在处理下一个数据时被改过了
• 从此时保存的记录恢复，前面的节点会出现重复处理的问题
• 此时被称为 - 确保数据不丢（At Least Once）

一种解决方式：

• 在输入数据中，定期插入一个 barrier。
• 各算子遇到 barrier 就开始做状态保留，并且不再接收新数据的计算。
• 当前算子状态保留后，将 barrier 传递给下一个算子，并重复上面的步骤。
• 当 barrier 传递到最后一个算子，并完成状态保留后，本次状态保留完成。

这样，各个节点保存的都是相同数据节点时的状态。
故障恢复时，能做到不重复处理数据，也就是精确一次（Exactly-once）。

但这里，你可能会发现一个问题：

• 数据已经写出了怎么办？在两个保存点之间，已经把结果写到外部了，重启后不是又把部分数据再写了一次？

这里实际是**「程序内部精确一次」和「端到端精确一次」**。
那么如何做到「端到端精确一次」？

• 方案一：最后一个 sink 算子不直接向外部写出，等到 barrier 来了，才把这一批数据批量写出去
• 方案二：两阶段提交。需要 sink 端支持（如 kafka）。
  • 方式类似于 MySQL 的事务。
  • sink 端正常向外部写出，不过输出端处于 pre-commit 状态，这些数据还不可读取
  • 当 sink 端等到 barrier 时，将输出端数据变为 committed，下游输出端的数据才正式可读

不过以上方法为了做到端到端精确一次，会带来数据延迟问题。（因为要等 Checkpoint 做完，数据才实际可读）。

解决数据延迟有一种方案：

• 方案：幂等写入。同样一条数据，无论写入多少次对输出端看来都是一样的。（比如按照主键重复写这一条数据，并且数据本身没变化）

二）重要概念介绍

一致性级别

前面的例子中，我们提到了部分一致性级别，这里我们总结下。在流处理中，一致性可以分为 3 个级别：

• at-most-once（最多一次）: 这其实是没有正确性保障的委婉说法——故障发生之后，计数结果可能丢失。
• at-least-once （至少一次）: 这表示计数结果可能大于正确值，但绝不会小于正确值。也就是说，计数程序在发生故障后可能多算，但是绝不会少算。
• exactly-once （精确一次）: 这指的是系统保证在发生故障后得到的计数结果与正确值一致。恰好处理一次是最严格的保证，也是最难实现的。

按区间分：

• 程序（Flink）内部精确一次
• 端到端精确一次

Checkpoint 中保留的是什么信息？

🤔 如果是你来设计，checkpoint 都需要保留哪些信息，才能让程序恢复执行？
【这里说的就是 state】
考虑一个开发需求：单词计数。
从 kafka 中读数据，处理逻辑是将输入数据拆分成单词，有一个 map 记录各个单词的数量，最后输出。

• 从输入流中，拆分单词
• 将统计的结果放到内存中一个 Map 集合，单词做为 key，对应的数量做为 value

想要恢复的时候还能接着上次的状态来，要么就需要几个信息：

• 处理到哪条数据了
• 中间状态是啥
• 数据写出到哪条了

以及，上述信息应是针对同一条数据的。否则状态就乱了。
那么可以得到，保留的信息是：

source	中间算子	sink
已输入的数据（offset）	[<hello, 5>, <world, 10>, …]	写出到第几条了

三）多机多进程

随着业务的发展，单机已经不能满足需求了，开始并行分布式的处理。
读取、处理、写出，也不再是一个进程从头到尾干完，会拆分到多个机器上执行。也不再等待一条数据处理完，才处理下一条。

多机多线程，问题就开始变得复杂起来：

• 如何确保状态拥有精确一次的容错保证？
• 如何在分布式场景下，替多个拥有本地状态的算子产生一个全域一致的快照？
• 对于流合并，合并节点会受到多个 barrier 如何处理？
• 如何在不中断运算的前提下产生快照？

🤔 先思考下，如果还用单线程中 barrier 的方式来处理。会遇到什么问题，该如何解决？

处理流程

我们还是在数据流中插入 barrier。

• 到达第一个 source 节点和之前的没区别，source 节点开始保存状态（offset）

• 接下来，source 将 barrier 拆分为两个，分别发往下游的算子

• 下游算子收到 barrier，开始记录状态

• 关键是最后的 operator#2，它会收到多个 barrier
  • barrier 的初始目的是，收到 barrier 表示前面的数据都处理完了，要开始保存状态了
  • 两个绿色的节点（operator#1）分别发送 barrier，代表两个 barrier 之前处理过的数据，实际都是第一个蓝色节点（source）barrier 之前的数据。
  • 那么最后的橙色节点（operator#2），理应收到所有由绿色节点（operator#1）发送的 barrier，才代表数据已经收全了，可以开始保存状态。【叫做 barrier 对齐】

对于多分支合并的情况，在等待所有 barrier 到齐的过程中：

• 先收到 barrier 的分支，还会有数据不断流入
• 为了能做到精确一次（Exactly-once），就不能处理这些数据，需要先缓存起来，否则这个节点的状态就不对了
• 上面一条反过来说，如果不等，直接处理，那么就是**至少一次（At Least Once）**的效果。（想想在故障恢复的时候，是不是就会重复计算了）

如何在不中断运算的前提下产生快照？
前面做快照，我们假设的是节点收到 barrier 后，就不再接收新数据，把当前节点状态保存后，再接收新数据，然后把 barrier 再向后传递。
那，是否必须这样串行来呢？

• 卡住新数据，保存当前状态，这里必须串行，不串行状态就乱了
• 但是，向后发送 barrier 可以同时做，不影响当前节点的保存

那，后面节点保存完了，前面节点还没保存完怎么办？

• 没关系，一次 checkpoint 成功，需要等待所有节点都成功才行，保存的先后顺序无所谓

三、Flink Checkpoint 配置

程序中如何开启 checkpoint

java">StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 开启 checkpoint，并设置间隔 ms
env.enableCheckpointing(1000);
// 模式 Exactly-Once、At-Least-Once
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
// 两个 checkpoint 之间最小间隔
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
// 超时时间
env.getCheckpointConfig().setCheckpointTimeout(60000);
// 同时执行的 checkpoint 数量（比如上一个还没执行完，下一个已经触发开始了）
env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
// 当用户取消了作业后，是否保留远程存储上的Checkpoint数据
env.getCheckpointConfig().enableExternalizedCheckpoints(ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);

checkpoint 存储

Flink 开箱即用地提供了两种 Checkpoint 存储类型：

• JobManagerCheckpointStorage
  • 将 Checkpoint 快照存储在 JobManager 的堆内存中
• FileSystemCheckpointStorage
  • 放到 HDFS 或本地磁盘中

四、小结

本节介绍了 Flink Checkpoint 故障恢复机制。从单机单线程，到多机多线程一步步分析如何实现状态保存和故障恢复。
同时对一致性级别进行了探讨，对程序内部和端到端一致性的实现方式给出了可行的方案。
后续会对 Checkpoint 程序内部实现原理进行剖析。

---

参考文章：
Flink Checkpoint 深入理解-CSDN博客
漫谈 Flink - Why Checkpoint - Ying
Flink之Checkpoint机制-阿里云开发者社区 （图不错）
Flink 状态一致性、端到端的精确一次（ecactly-once）保证 - 掘金
硬核！八张图搞懂 Flink 端到端精准一次处理语义 Exactly-once（深入原理，建议收藏）-腾讯云开发者社区-腾讯云