Flink1.16新特性图文解析

前线速看

• 统一API：对比spark程序开发，flink一套应用开发即可重用在流批环境
• 统一计算：适配多种数据源，可以在streaming warehouse整体概念下计算，一套计算引擎解决多种场景计算
• 统一存储：table store不仅对flink提供存储能力，对spark外部计算引擎同样可以；同时flink也适配了各式的存储中间件

上图着重强调了中国团队对flink1.16的贡献。

sql gateway这个功能超级强大，支持多租户，协议插件化，兼容hive生态，以后flink流批作业都可以通过sql gateway提交到集群了。

上图是状态存储改进。

更快更稳更易用：Flink自适应批处理能力演进

那么具体有哪些优化呢？

1 Adaptive Batch Scheduler自动设置作业并行度

综上，上面的问题，我们都思考下，怎么解决？

那么自适应批量调度

2 Speculative Execution 发现和缓解热点机器对作业的影响

从上面 现状和问题，可以看到下面的图片flink批处理推出了推测执行，这也是flink1.16新推出的机制。

下面的推测执行在flink框架层面的执行范围，目前知道的是sink层面是不支持推测机制；如果自定义source事件，SplitEnumerator需要实现SupportsHandleExecutionAttemptSourceEvent接口

下图中是推测执行的web ui，后续会支持sink推测执行。

3 Hybrid Shuffle 提供资源利用率和数据传输率

那么怎么集合流和批两种的优势呢，其实就是怎样结合流的快和批的稳定，Hybrid Shufle应运而生

Hybrid Shuffle的目标时 具备资源自适应的能力，资源充足时，直接流式shuffle，资源不足时，又具备批量shuffle的稳定性，用户完全无感。

Hybrid Shuffle提供了两种落盘策略，从上图中可以看出，性能是有提升，但是提升有限，期待后面有质的飞跃。

4 Dynamic Partition Pruning 过滤无用数据，提高处理效率

从上图中可以看出DynmaicFilter DataCollector左边和右边的scan是没有依赖关系的，OrderEnforcer就是建立两者之间的依赖关系，仅是为了runtime调度器他们之前是有数据依赖的，从而确保调度先后顺序是没毛病的。

Flink 1.16 Preview: Hive SQL如何平迁到Flink SQL

1 迁移的动机

为什么Flink要做hive sql迁移？

离线用户吸引离线数仓用户，打磨批引擎，螺旋迭代；离线业务开发门槛降低用户flink开发离线业务的门槛；hive生态工具生态是最高的壁垒，融入离线生态；流批一体 推动业界，先统一殷勤，后统一API。

2 迁移的挑战

3 如何迁移

复用hive语法

hivesql到hive parser 再到flink relnode做了大量的工作，目的为了更好的与flinksql引擎的兼容。

hive语法兼容：Flink1.16 hive语法兼容度从85%提升至94.1%（Hive qtest 12k测试集）。

hivesql 迁移在快手的实践

4 demo

基于log的通用增量 Checkpoint

什么是checkpoint ，通常会想到状态持久化，flink独有的特性，轻量且快，容错，本地格式化，快速恢复。

1 checkpoint 性能优化之路

checkpoint不同版本之间的优化

• 0.9 轻量级异步的snapshot算法，把barrier作为一个特殊的record在graph中流动，同时将耗时较大的文件上传等工作放到异步的过程当中进行，这样的话对主流程的影响是变的非常小的。
• 1.0 当中支持了RocksDB StateBackend，对于大状态下的存储提供了很好的支持。
• 1.3 当中实现了基于RocksDB incremental checkpoint，这个机制是进一步提升了在异步阶段的checkpoint的性能。
• 1.11 当中引入了Unaligned Checkpoint。
• 1.13 当中又引入了Unaligned Checkpoint （Production-ready），在一些场景下对于barrier对齐会有瓶颈的作业的话，基于Unaligned Checkpoint 以及 buffer debloating我们可以甚至让一些作业在反压比较严重的情况下依然可以做出Checkpoint。
• 1.14 当中又加入了buffer debloating的概念，上面1.13中介绍的buffer debloating就是此概念，通过调整buffer debloating的大小来加速barrier的流动，进一步加速checkpoint的完成，而对 unaligned checkpoint去进一步减少 unaligned checkpoint过程中存储的数据量。
• 1.15 1.16 当中引入了changelog backend，这个功能就是我们本次学习的重点，它的机制就是进一步的通过一个更通用的increment的checkpoint机制更进一步异步的减少开销，提升checkpoint的异步部分的性能。

我们可以通过checkpoint链路上看这些优化技术在graph中的体现，在触发checkpoint的时候，我们知道source阶段barrier随着graph进行流动，然后在刚打开了buffer debloating的时候flink会通过计算数据吞吐等方式来动态调整network buffer的大小来加速barrier的传递，而当barrier到达state节点的时候，如果是aligned checkpoint那么就会等待barrier的对齐,如果是unaligned checkpoint的话会直接将buffer当中的内容存储到hdfs当中不会阻塞，然后同时触发statebackend上的checkpoint的过程 ，buffer的传输的话就像上图中虚线所示，然后在statebackend内部再触发checkpoint的时候基于异步的checkpoint算法，在异步部分会进行一个文件的上传，如上图实现所示，开启了rocksdb increment的时候，会做些增量文件的上传，在这次介绍changelog statebackend的部分的话，我们可以看到最下面的虚线 我们会把原来的statebackend的异步上传部分和changelog进行解耦，然后会有一个独立的上传hdfs的过程，这个过程会在后面进行详细介绍。

上图中的指标会让你对checkpoint有一些直观的感受，包括像端到端延迟，这个是对checkppoint最直观的性能的一个感受。

2 解析changelog

3 一览State/Checkpoint优化

4 总结

Flink CDC + Kafka加速业务实时化

广义的概念上，能够捕获数据变更的技术，我们都可以称为CDC （Change Data Capture）。通常我们说的CDC技术主要面向数据库的变更，是一种用于捕获数据库中数据变更的技术。

1 Flink CDC技术

主要用到的场景有以下这些：

2 Flink+Kafka实时数据集成方案

目前CDAS是阿里云商业化的功能，该部分代码在写这篇文章时暂时没有开源。

3 Demo：Flink+Kafka实现CDC数据的实时集成和实时分析

此处省略，有想看的请自行按照上面url查看。

Flink Table Store典型应用场景

1 介绍Flink Table Store

其实我觉得数仓分为实时和离线最好的状态。

2 应用场景

3 Demo

4 后续挑战