編輯整理：趙明明
出品平臺：DataFunTalk
導讀：Flink是京東踐目前流式處理領域的熱門引擎，具備高吞吐、化技低延遲的術實特點，在實時數倉、京東踐實時風控、化技實時推薦等多個場景有著廣泛的術實應用。京東于2018年開始基于Flink+K8s深入打造高性能、京東踐穩定、化技可靠、術實易用的實時計算平臺，支撐了京東內部多條業務線平穩度過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、穩定性、易用性等方面對社區版Flink所做的深入的定制和優化，以及未來的展望和規劃。主要內容包括：
實時計算演進
Flink容器化實踐
Flink優化改進
未來規劃
最初大數據的模式基本都是T+1，但是隨著業務發展，對數據實時性的要求越來越高，比如對于一個數據，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，做了很多優化改進，比如基于cgroup實現對worker使用資源的隔離、網絡傳輸壓縮優化、引入任務粒度toplogy master分擔zk壓力等。到2016年，Storm已經成為京東內部流式處理的最主要的計算引擎，服務于各個業務線，可以達到比較高的實時性。
隨著業務規模的不斷擴大，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務需要。
隨著業務的發展，不光是對于數據的延遲有很高要求，同時對于數據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社區版的基礎上，我們從性能、穩定性、易用性還有功能等方面，都做了一些深入的定制和優化。同時我們基于k8s實現了實時計算全面的容器化，因為容器化有很多的優點，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，另外它很容易實現資源的彈性調度。同時我們基于Flink打造了全新的SQL平臺，降低用戶開發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，Flink運行在K8S上，狀態存儲在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深入定制實現的實時數據總線）和Hive，數據主要寫入JimDB（京東內存數據庫）、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，具有配置、部署、調試、監控、和日志處理等功能。
3. 業務場景
京東Flink服務于京東內部非常多的業務線，有70多個一級部門在使用，主要應用場景包括實時數倉，實時大屏，實時推薦，實時報表，實時風控和實時監控，當然還有其他一些應用場景。對數據計算實時性有一定要求的場景，一般都會使用Flink進行開發。
4. 業務規模
京東Flink集群目前由5000多臺物理機組成，它服務了京東內部70多個一級業務部門，目前線上的流計算任務大概有3000多個，數據的處理能力可以達到每分鐘數十億甚至更高。
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年初已經實現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，提高了研發效率，增強了業務穩定性，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的資源規格和個數。然后JRC平臺通過K8S客戶端向K8S Master提出請求，創建JobManager的Deployment和TaskManager的Deployment。其中使用ZK保證高可用，使用Hdfs實現狀態存儲，使用Prometheus實現監控指標的上傳，結合Grafana實現指標的直觀展示。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，當應用出現異常時，如何發現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的重啟策略、改造內核等方案來減少對任務影響。比如京東實現了JM Failover優化，當Pod異常引起JM Failover時采用的是任務不恢復、重建任務狀態恢復的方式，可以一定程度上減少Pod重啟對業務帶來的影響。
③性能問題
在容器環境下，JVM對cpu和內存的感知會有一定的問題，在Java8版本中，一些參數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化（比如實現基于負載的數據分發）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，對于使用容器網絡的情況下，可能會帶來一定的網絡性能損耗，此時可以根據情況選擇使用主機網絡避免網絡虛擬化帶來的開銷，或者選擇更高性能的網絡插件。
④重要業務穩定性
如何保證業務的穩定性是一個需要重點考慮的問題。除了保證系統各個環節的高可用外，還可以根據業務情況考慮使用其它合理的方案，例如業務分級管理，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
重要業務穩定性
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發出請求，創建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平臺發出請求，然后JRC平臺向 K8s Master 動態申請資源去創建運行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。
主要做了以下四個方面的優化：
性能
穩定性
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務的一些痛點：比如任務調優繁瑣、SQL任務無法指定并行度、任務需要的額Slot數不清楚、并行度調整后網絡buffer不足等。在Flink任務調試階段，對任務并行度、Slot分組、Chaining策略的調整是個反復的過程，如果把參數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進行配置。
預覽拓撲基本的實現方案如上圖：用戶提交JAR包后可根據JAR包生成對應的拓撲圖，之后用戶根據拓撲圖可以進行在線調整，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優成為可能，但是如何保證前后兩次提交生成算子穩定的對應關系呢？解決方案的關鍵是保證算子有穩定的唯一身份標識，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開始廣度優先遍歷，利用算子在graph中的位置生成一個穩定hash值。
2.背壓量化
第二個重要的優化是背壓量化。
在Flink開發的時候，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Flink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，聯合進行分析
背壓未量化，對業務影響程度不夠直觀
京東的解決方案是采集背壓發生的位置、時間和次數指標，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，可以精確反映發生背壓現場的情況。
3.HDFS優化
隨著業務數量的增多，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務需求；進行小文件合并；降低cp創建和刪除時的hdfs rpc請求；HDFS集群多ns分散均衡壓力。
4.網絡分發優化
在實踐過程中我們發現，即使業務使用了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，嚴重影響了任務的性能。為此，我們開發了基于負載的動態rebalance，在數據進行分發時優先選擇下游負載最小的channel進行分發。
經測試，在特定場景下性能能夠提升近一倍。
5.ZK防抖
任務重啟的原因是由于在這些場景發生時，Curator會將狀態設置為suspended，并且Curator認為suspended為Error狀態，從而會釋放leader，Flink發現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：為了避免跟業務Job中可能包含的日志框架的依賴、配置文件產生沖突，Flink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，Flink通過 JVM 啟動參數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。
未來規劃主要包括四個方面:
①統一計算引擎
引擎Storm全部升級為Flink，這樣可以減少平臺的運維成本，同時可以提高作業性能（目前已經接近完成）。
②更多SQL作業
持續完善SQL平臺，降低用戶的使用門檻，推動用戶更多使用SQL開發作業。
③智能運維
使用智能診斷，自適應調整運行參數，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。另外統一架構，實現代碼復用，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+算法的優質內容，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
免責聲明：本文內容由21ic獲得授權后發布，版權歸原作者所有，本平臺僅提供信息存儲服務。文章僅代表作者個人觀點，不代表本平臺立場，如有問題，請聯系我們，謝謝！
