大数据技术之 Flink 优化(资源配置调优）

本博客总结为B站尚硅谷大数据Flink2.0调优，Flink性能优化视频的笔记总结。尚硅谷https://so.csdn.net/so/search?q=%E5%B0%9A%E7%A1%85%E8%B0%B7&spm=1001.2101.3001.7020大数据Flink2.0调优，Flink性能优化https://www.bilibili.com/video/BV1Q5411f76P

资源配置调优

        Flink 性能调优的第一步，就是为任务分配合适的资源，在一定范围内，增加资源的分配与性能的提升是成正比的，实现了最优的资源配置后，在此基础上再考虑进行后面论述的性能调优策略。

提交方式主要是 yarn-per-job，资源的分配在使用脚本提交 Flink 任务时进行指定。

➢
标准的 Flink 任务提交脚本（Generic CLI 模式）

从 1.11 开始，增加了通用客户端模式，参数使用-D <property=value>指定

bin/flink run \\
-t yarn-per-job \\
-d \\
-p 5 \\ 指定并行度
-Dyarn.application.queue=test \\ 指定 yarn 队列
-Djobmanager.memory.process.size=1024mb \\ 指定 JM 的总进程大小
-Dtaskmanager.memory.process.size=1024mb \\ 指定每个 TM 的总进程大小
-Dtaskmanager.numberOfTaskSlots=2 \\ 指定每个 TM 的 slot 数
-c com.atguigu.flink.tuning.UvDemo \\
/opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar

参数列表：

https://ci.apache.org/projects/flink/flink-docs-release-1.13/deployment/config.html 

内存设置

TaskManager 内存模型

1、内存模型详解

 
JVM 特定内存：
JVM 本身使用的内存，包含 JVM 的 metaspace 和 over-head

1）JVM metaspace：JVM 元空间

taskmanager.memory.jvm-metaspace.size，默认 256mb

2）JVM over-head 执行开销：JVM 执行时自身所需要的内容，包括线程堆栈、IO、编译

缓存等所使用的内存。

taskmanager.memory.jvm-overhead.fraction，默认 0.1

taskmanager.memory.jvm-overhead.min，默认 192mb

taskmanager.memory.jvm-overhead.max，默认 1gb

总进程内存*fraction，如果小于配置的 min（或大于配置的 max）大小，则使用 min/max
大小

框架内存：
Flink 框架，即 TaskManager 本身所占用的内存，
不计入 Slot 的资源中。

堆内：taskmanager.memory.framework.heap.size，默认 128MB

堆外：taskmanager.memory.framework.off-heap.size，默认 128MB

Task 内存：
Task 执行用户代码时所使用的内存

堆内：taskmanager.memory.task.heap.size，默认 none，由 Flink 内存扣除掉其他部分

的内存得到。

堆外：taskmanager.memory.task.off-heap.size，默认 0，表示不使用堆外内存

网络内存：
网络数据交换所使用的堆外内存大小，如网络数据交换缓冲区

堆外：taskmanager.memory.network.fraction，默认 0.1

taskmanager.memory.network.min，默认 64mb

taskmanager.memory.network.max，默认 1gb

Flink 内存*fraction，如果小于配置的 min（或大于配置的 max）大小，则使用 min/max

大小

托管内存：
用于 RocksDB State Backend 的本地内存和批的排序、哈希表、缓存中间结果。

堆外：taskmanager.memory.managed.fraction，默认 0.4

taskmanager.memory.managed.size，默认 none

如果 size 没指定，则等于 Flink 内存*fraction

案例分析

基于Yarn模式，一般参数指定的是总进程内存，taskmanager.memory.process.size，

比如指定为 4G，每一块内存得到大小如下：

（1）计算 Flink 内存

        JVM 元空间 256m

        JVM 执行开销： 4g*0.1=409.6m，在[192m,1g]之间，最终结果 409.6m

        Flink 内存=4g-256m-409.6m=3430.4m

（2）网络内存=3430.4m*0.1=343.04m，在[64m,1g]之间，最终结果 343.04m

（3）托管内存=3430.4m*0.4=1372.16m

（4）框架内存，堆内和堆外都是 128m

（5）Task 堆内内存=3430.4m-128m-128m-343.04m-1372.16m=1459.2m

所以进程内存给多大，每一部分内存需不需要调整，可以看内存的使用率来调整。

2 生产资源配置示例

bin/flink run \\
-t yarn-per-job \\
-d \\
-p 5 \\ 指定并行度
-Dyarn.application.queue=test \\ 指定 yarn 队列
-Djobmanager.memory.process.size=2048mb \\ JM2~4G 足够
-Dtaskmanager.memory.process.size=4096mb \\ 单个 TM2~8G 足够
-Dtaskmanager.numberOfTaskSlots=2 \\ 与容器核数 1core：1slot 或 2core：1slot
-c com.atguigu.flink.tuning.UvDemo \\
/opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar

Flink 是实时流处理，关键在于资源情况能不能抗住高峰时期每秒的数据量，通常用 QPS/TPS 来描述数据情况。

合理利用 cpu 资源

        Yarn 的容量调度器默认情况下是使用“DefaultResourceCalculator”分配策略，只根据内存调度资源，所以在 Yarn 的资源管理页面上看到每个容器的 vcore 个数还是 1。

        可以修改策略为 DominantResourceCalculator，该资源计算器在计算资源的时候会综合考虑 cpu 和内存的情况。在 capacity-scheduler.xml 中修改属性:
<property>
<name>yarn.scheduler.capacity.resource-calculator</name>
<!– <value>org.apache.hadoop.yarn.util.resource.DefaultResourceCalculator</value> –>
<value>org.apache.hadoop.yarn.util.resource.DominantResourceCalculator</value>
</property>

使用 DefaultResourceCalculator 策略

bin/flink run \\
-t yarn-per-job \\
-d \\
-p 5 \\
-Drest.flamegraph.enabled=true \\
-Dyarn.application.queue=test \\
-Djobmanager.memory.process.size=1024mb \\
-Dtaskmanager.memory.process.size=4096mb \\
-Dtaskmanager.numberOfTaskSlots=2 \\
-c com.atguigu.flink.tuning.UvDemo \\
/opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar

可以看到一个容器只有一个 vcore：

使用 DominantResourceCalculator 策略

修改后 yarn 配置后，分发配置并重启 yarn，再次提交 flink 作业：
bin/flink run \\
-t yarn-per-job \\
-d \\
-p 5 \\
-Drest.flamegraph.enabled=true \\
-Dyarn.application.queue=test \\
-Djobmanager.memory.process.size=1024mb \\
-Dtaskmanager.memory.process.size=4096mb \\
-Dtaskmanager.numberOfTaskSlots=2 \\
-c com.atguigu.flink.tuning.UvDemo \\
/opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar

看到容器的 vcore 数变了:

JobManager1 个，占用 1 个容器，vcore=1

TaskManager3 个，占用 3 个容器，每个容器 vcore=2，总 vcore=2*3=6，因为
默认 单个容器的 vcore 数=单 TM 的 slot 数

使 用 DominantResourceCalculator 策 略 并 指 定 容 器 vcore 数

指定 yarn 容器的 vcore 数，提交：
bin/flink run \\
-t yarn-per-job \\
-d \\
-p 5 \\
-Drest.flamegraph.enabled=true \\
-Dyarn.application.queue=test \\
-Dyarn.containers.vcores=3 \\
-Djobmanager.memory.process.size=1024mb \\
-Dtaskmanager.memory.process.size=4096mb \\
-Dtaskmanager.numberOfTaskSlots=2 \\
-c com.atguigu.flink.tuning.UvDemo \\
/opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar

JobManager1 个，占用 1 个容器，vcore=1

TaskManager3 个，占用 3 个容器，每个容器
vcore =3
，总 vcore=3*3=9

并行度设置

全局并行度计算

        开发完成后，先进行
压测
。任务并行度给 10 以下，测试单个并行度的处理上限。然后
总 QPS/单并行度的处理能力 = 并行度

        开发完 Flink 作业，压测的方式很简单，先在 kafka 中积压数据，之后开启 Flink 任务， 出现反压，就是处理瓶颈。相当于水库先积水，一下子泄洪。

        不能只从 QPS 去得出并行度，因为有些字段少、逻辑简单的任务，单并行度一秒处理几万条数据。而有些数据字段多，处理逻辑复杂，单并行度一秒只能处理 1000 条数据。

        最好根据高峰期的 QPS 压测，
并行度*1.2 倍
，富余一些资源。

Source 端并行度的配置

        数据源端是 Kafka，Source 的并行度设置为 Kafka 对应 Topic 的分区数。

        如果已经等于 Kafka 的分区数，消费速度仍跟不上数据生产速度，考虑下 Kafka 要扩大分区，同时调大并行度等于分区数。

        Flink 的一个并行度可以处理一至多个分区的数据，如果并行度多于 Kafka 的分区数，那么就会造成有的并行度空闲，浪费资源。

Transform 端并行度的配置

➢
Keyby 之前的算子

        一般不会做太重的操作，都是比如 map、filter、flatmap 等处理较快的算子，并行度 可以和 source 保持一致。

➢
Keyby 之后的算子

        如果并发较大，建议设置并行度为 2 的整数次幂，例如：128、256、512； 小并发任务的并行度不一定需要设置成 2 的整数次幂；大并发任务如果没有 KeyBy，并行度也无需设置为 2 的整数次幂；

Sink 端并行度的配置

        Sink 端是数据流向下游的地方，可以根据
Sink 端的数据量
及
下游的服务抗压能力
进行评估。如果 Sink 端是 Kafka，可以设为 Kafka 对应 Topic 的分区数。

        Sink 端的数据量小，比较常见的就是监控告警的场景，并行度可以设置的小一些。

        Source 端的数据量是最小的，拿到 Source 端流过来的数据后做了细粒度的拆分，数据量不断的增加，到 Sink 端的数据量就非常大。那么在 Sink 到下游的存储中间件的时候就需要提高并行度。

        另外 Sink 端要与下游的服务进行交互，并行度还得根据下游的服务抗压能力来设置，如果在 Flink Sink 这端的数据量过大的话，且 Sink 处并行度也设置的很大，但下游的服务完全撑不住这么大的并发写入，可能会造成下游服务直接被写挂，所以最终还是要在 Sink
处的并行度做一定的权衡。