「Flink」理解流式处理重要概念

什么是流式处理呢？

这个问题其实我们大部分时候是没有考虑过的，大多数，我们是把流式处理和实时计算放在一起来说的。我们先来了解下，什么是数据流。

数据流（事件流）

• 数据流是无边界数据集的抽象
• 我们之前接触的数据处理，大多都都是有界的。例如：处理某天的数据、某个季度的数据等
• 无界意味着数据是无限地、持续增长的
• 数据流会随着时间的推移，源源不断地加入进来
• 数据流无处不再
• 信息卡交易
• 电商购物
• 快递
• 网络交换机的流向数据
• 设备传感器发出的数据
• …
• 这些数据都是无穷无尽的
• 每一件事情，都可以看成事件序列
• 数据流是有序的
• 数据的到来总是有个先后顺序
• 数据流是不可变的
• 事件一旦发生，就不能被改变
• 它陈述了某一个时刻的事实
• 数据流是可以重播的
• 为了处理的一些问题、纠正过去的错误，可以重跑数据流
• 借助于Kafka，我们可以重新消费几个月之前的原始数据流

流式处理

流式处理就是指实时地处理一个或多个事件流。它是一种编程范式。其他编程领域，主要有3种编程范式：

1. 请求与响应
• 延迟最小的一种方式，响应时间要求亚毫秒级到毫秒之间
• 响应时间一般分稳定
• 发出请求，等待响应（大部分的JavaEE同学，都是开发这一类编程范式的应用），其实就是OLTP
2. 批处理
• 特点：高延迟、高吞吐
• 一般是固定某个时刻开始启动执行，读取所有的数据，然后输出接口
• 每次读取到的都是旧数据
• 主要应用在DWH或BI中
3. 流式处理
• 特点：介于上述两者之间
• 流式处理可以让业务报告保持更新，持续响应

流的定义不依赖某个框架，只要储蓄从一个无边界数据集中读取数据，并对它们进行处理生成结果，就是进行流式处理。重点是：整个过程必须是持续的。

流式处理中的时间

上述我们已经说过了，数据流都是有序的。某一时刻的数据是确定的。时间是流式处理中非常重要的概念。大部分流式应用的操作都是基于时间窗口的。

流式系统一般包含以下几个时间概念（熟悉Flink的同学应该会很熟悉）：

• 事件时间（Eventtime）
• 事件实际发生的时间
• 用户一般只对事件发生时间感兴趣
• 日志追加时间
• 日志追加时间是指事件保存到事件存储源的时间
• 例如：数据是什么到达Kafka的（Kafka是可以启用自动添加时间戳功能的）
• 处理时间
• 流式处理应用接收到事件后，要对齐进行处理的时间
• 处理时间取决于流式处理应用何时读取到这个时间
• 如果应用程序使用了两个线程来读取同一个事件，这个时间戳可能会不一样
• 这个时间戳非常不可靠，应该避免使用它

状态

如果流式处理是来一个事件就处理一个事件，那么流式处理就很简单。但如果操作中包含了多个事件，流式处理就有意思了。例如：我们想在流式处理中统计北京用户的订单数量、消费金额等等。此时，就不能光处理单个事件了，我们需要获取更多的事件。事件与事件之间的信息就称之为状态。例如简单的，求某个类型的订单数等。

这些状态一般就保存在流式处理程序本地变量（本地内存）中，例如：使用HashMap来保存计数。但这种做法是很不可靠的，流式处理处理的是无界数据集，一旦应用程序出现异常，就会出现状态丢失，这是我们说不能接受的。所以，每一种流式计算框架都会很小心地持久化状态。如果应用程序重启，需要将这些数据恢复。

流式处理一般包含两种状态：

• 本地状态
• 这种状态只能被应用程序实例访问（不过Flink 1.9版本是可以外部来访问本地状态的）
• 内嵌到应用程序的数据库中进行维护和管理
• 特点：速度快，但受内存大小的限制，所以，很多流式处理系统都将数据拆分到多个子流中处理
• 外部状态
• 用外部存储来处理，一般使用NoSQL系统，例如：Cassadra
• 特点：没有大小限制，可以被应用程序多个实例访问、甚至外部应用访问，但引入额外的系统会造成延迟、复杂性（例如：要维护内部和外部状态一致性问题）

时间窗口

大部分针对流的操作都是基于时间窗口的。例如：计算一周内销量最好的产品。两个流的合并也是基于时间窗口的。流式系统会合并发生在相同时间段上的事件。窗口是有类型的。以下几点是我们设计窗口需要考虑的：

• 窗口的大小
• 是基于5分钟计算还是基于15分钟、甚至是一天
• 窗口越小，就能越快地发现变更，不过噪声也就越多
• 窗口越大，变更就跟平滑，不过延迟也越严重
• 窗口的移动频率（移动间隔）
• 5分钟的窗口，可以1分钟计算一次，或者每秒钟计算一次，或者每当有新事件到达时计算一次
• 如果“移动频率”与窗口大小相等，这种称为滚动窗口（tumbling window）
• 如果窗口随着每一条记录移动，这种情况称为滑动窗口（sliding window）
• 窗口的可更新时长
• 假设：计算了 00:00 – 00:05 之间的订单总数，一个小时后，又得到了一些“事件时间”是 00:02的事件（例如：因为网络通信故障，这个消息晚到了一段时间），这种情况，是否需要更新 00:00 – 00:05 这个窗口的结果呢？或者就不处理了？
• 理想情况下，可以定义一个时间段，只要在这个时间段内，事件可以被添加到对应的时间片段里。例如：如果事件处于4个小时以内，就更新，否则，就忽略掉。
• 窗口时间对齐
• 窗口可以与时间对齐，例如：5分钟的窗口如果每分钟移动一次，那么第一个分片可以是：00:00 – 00:05，第二个就是 00:01 – 00:06
• 窗口也可以不与时间对齐，例如：应用可以在任何时间启动，那么第一个分片有可能是03:17 – 03:22
• 滑动窗口永远不会与时间对齐，只要有新的记录到达，就会发生移动

下面这张图，说明了滚动窗口与滑动窗口的区别。

滚动窗口：假设窗口的大小为5分钟，这里确定的3个时间窗口

滑动窗口：假设每分钟滑动一次，那么这个时候会有5个时间窗口，计算结果会发生重叠

流式处理的设计模式

单个事件处理

这是流式处理最基本的模式。这种模式也叫：map或filter模式。经常被用来过滤无用的事件或者用于转换事件。

这种模式，应用程序读取流中的数据，修改数据，然后把事件生成到另一个流上。这一类应用程序无需在程序内部维护状态，每一个事件都是独立处理的。这种错误恢复和进行负载均衡都很容易。因为无需进行状态恢复操作。

使用本地状态

大部分流式处理应用关系如何聚合数据。特别是：基于时间窗口进行聚合。例如：找到每天最低、最高的交易价格。要实现这种操作，就需要维护流的状态。例如：我们需要将最小值、最大值保存下来，用它们与每一个新值对比。这类操作，可以通过本地状态来实现。例如：每一个分组都维护自己分组的状态。

一旦流式处理中包含了本地状态，就需要解决以下问题。

• 内存使用
• 必须要有足够的内存来保存本地状态
• 持久化
• 确保应用程序关闭时，不会丢失状态
• 例如：我们可以使用RocksDB将本地状态保存到内存里、同时持久化到磁盘上，以便重启后恢复。而且需要将本地状态的变更发送到Kafka的主题上
• 重新负载均衡
• 有时候，分区被重新分配给不同的消费者。这种情况，失去分区的实例必须把最后的状态保存下来，或得分区的实例必须要知道如何恢复到正确的状态

多阶段处理和重分区

有些时候，我们要通过所有可用的数据来获得结果。例如：要发布每天的“前10支”股票，这10支股票需要从每天的交易股票中挑选出来。如果仅仅在单个实例上处理是不够的，因为10支股票分布在多个实例上。

此种，我们分为多个阶段来处理。

计算每支股票当天的涨跌。这个计算可以在每个实例上执行

将结果写入到单个分区

再用一个实例找出当天的前10支股票

这一类操作就与MapReduce很像了。

使用外部查找——流和表的连接

有时候，流式处理需要将外部数据和流集成在一日。例如：外部数据中保存了一些规则、或者将完整完整地用户信息拉取到流中。

这种case最大的问题，外部查找会带来严重的延迟，一般在 5-15 ms之间，这在很多情况下是不可行的。而且，外部系统也无法承受这种额外的负载——流式处理系统每秒可以处理10-50W个事件，而数据库正常情况下每秒只能处理1W个事件，所以需要伸缩性更强的解决方案。

为了获取更好的性能和更强的伸缩性，需要将外部数据库的信息缓存到流式处理应用中。但考虑以下问题：

如何保证缓存里的数据是最新的？

如果刷新太频繁，仍然会对数据库造成很大压力，缓存也就无用了。

如果刷新不及时，那么流式处理中所用的数据就会过时。

如果能够捕捉数据库的变更事件，并形成事件流，流式处理作业就可以监听事件流，并及时更新缓存。捕捉数据库的变更事件并形成数据流，这个过程称为CDC（Change Data Capture）。例如：我们可以通过Canal来捕获MySQL数据库的变化、可以通过ogg来捕获Oracle数据库的变化

流与流的连接

有时候需要连接两个真实的事件流。要连接两个流，就是连接所有的历史事件（将两个妞中具有相同键、发生在相同时间窗口内的事件匹配起来），这种流和流的连接称为：基于时间窗口的连接（windowed-join）。连接两个流，通常包含一个滑动时间窗口。

乱序事件

不管对于流式处理、还是传统的ETL系统，处理乱序事件都是一个挑战。物联网领域经常发生乱序事件：一个移动设备断开Wifi连接几个小时，在重新连上WiFi后，将几个小时堆积的事件一并发出去。要让流式处理应用处理好这些场景，需要做到几下：

• 识别乱序事件
• 应用程序需要检查事件的时间，并将其与当前时间进行比较
• 规定一个时间段用于重排乱序事件
• 例如：3个小时以内的事件可以重排，但3个小时以外的事件就可以直接扔掉
• 具有一定时间段内重排事件的能力
• 这是流式处理应用和批处理的重要不同点
• 假设有一个每天运行的作业，一些事件在作业结束之后才到达，那么可以重新运行昨天的作业来更新
• 而在流式处理中，重新运行昨天的作业是不存在的，乱序事件和新到达的事件必须一起处理
• 具备更新结果的能力
• 如果处理的结果保存在数据库你，那么可以通过put或update对结果进行更新

重新处理

该重要模式是重新处理事件：

• 流式处理应用更新了，要使用新版本应用处理同一个事件流，生成新的结果，并比较两种版本的结果，然后某个时间点将客户端切换到新的结果流
• 现有的流式处理出现了缺陷，修复后，需要重新处理并重新计算结果

第一种情况，需要Kafka将事件流长时间地保存在可伸缩的数据存储中

• 将新版本的应用作为一个新的消费者组
• 新的版本从输入主题的第一个偏移量开始读取数据
• 检查结果流，在新版本的处理作业赶上进度时，将客户端应用程序切换到新的结果流上

第二种情况，需要应用程序回到输入流的起始位置开始处理，同时重置本地状态，还要清理之前的输出流。这种方式处理起来比较困难。建议还是使用第一种方案。

参考文献：

《Kafka全文指南》