流计算中的window计算 | 青训营笔记

鳄鱼儿

发布于 2024-05-21 13:36:17

940

发布于 2024-05-21 13:36:17

文章被收录于专栏：鳄鱼儿的技术分享鳄鱼儿的技术分享

这是我参与「第四届青训营」笔记创作活动的第5天

流计算中的window计算

回顾下批式计算和流式计算的区别：

就数据价值而言，数据实时性越高，数据价值越高

批处理

批处理模型典型的数仓架构为T+1架构，即数据计算是按天计算的，当天只能看到前一天的计算结果。通常使用的引擎为Hive或者Spark等。计算的时候，数据是完全ready的，输入和输出都是确定性的

处理时间窗口

实时计算：处理时间窗口

数据实时流动，实时计算，窗口结束直接发送结果，不需要周期调度任务

处理时间和事件时间

处理时间：数据在流式计算系统中真正处理时所在机器的当前时间

事件时间：数据产生的时间，比如客户端、传感器、后端代码等上报数据时的时间

事件时间窗口

实时计算：事件时间窗口

数据实时进入到真实事件发生的窗口中进行计算，可以有效的处理数据延迟和乱序。

Watermark

watermark表示为系统认为的当前真实的事件时间。

在数据中插入一些watermark ,来表示当前的真实时间。

在数据存在乱序的时候，watermark就比较重要了，它可以用来在乱序容忍和实时性之间做一个平衡。

Watermark产生

SQL：

CREATE TABLE Orders (
  user BIGINT ,
  product STRING,
  order_ time TIMESTAMP(3) ,
  WATERMARK FOR order_ time AS order_ time - INTERVAL '5' SECOND
)WITH(...);

DataStream

WatermarkStrategy
  .<Tuple2<Long, String>>forBounded0ut0fOrderness (Duration.ofSeconds (20))
  .withTimestampAssigner((event, timestamp) -> event.f0);

Watermark传递

经典问题

Per-partition VS per-subtask watermark生成

Per-subtask watermark生成
- 早期版本都是这种机制。典型的问题是如果一个source subtask 消费多个partition , 那么多个partition之间的数据读取可能会加剧乱序程度。
Per-partition watermark生成
- 新版本引入了基于每个partition 单独的watermark生成机制，这种机制可以有效避免.上面的问题。

部分partition/subtask断流

根据上面提到的watermark传递机制，下游subtask会将.上游所有subtask的watermark值的最小值作为自身的watermark值。如果上游有一个subtask 的watermark不更新了，则下游的watermark都不更新。

解决方案: Idle source
- 当某个subtask断流超过配置的idle超时时间时，将当前subtask置为idle，并下发一个 idle的状态给下游。下游在计算自身 watermark的时候，可以忽略掉当前是idle的那些subtask。

迟到数据处理

因为watermark表示当前事件发生的真实时间，那晚于watermark的数据到来时，系统会认为这种数据是迟到的数据。

算子自身来决定如何处理迟到数据:

Window聚合，默认会丢弃迟到数据
双流join，如果是outer join，则可以认为它不能join到任何数据
CEP，默认丢弃

Window

Window包括滚动窗口（Tumble Window）、滑动窗口（Sliding Window）、会话窗口（Session Window）等。

Window使用

滚动窗口

窗口划分：1.每个key单独划分 2.每条数据只会属于一个窗口

窗口触发：Window结束时间到达的时候一次性触发

滑动窗口

窗口划分：1.每个key单独划分 2.每条数据可能会属于多个窗口

窗口触发：Window结束时间到达的时候一次性触发

会话窗口

窗口划分：1.每个key单独划分 2.每条数据会单独划分为一个窗口，如果window之间有交集，则会对窗口进行merge

窗口触发：Window结束时间到达的时候一次性触发

迟到数据处理

一条数据到来后，会用WindowAssigner给它划分一个window，一般窗口是一个时间区间，如果划分出来的window end比之前的watermark值还小，说明这个窗口已经触发了计算了，这条数据会被认为是迟到数据

什么情况下会产生迟到数据?

只有事件时间下才会有迟到的数据。

迟到数据默认处理?

丢弃

如何处理

Allow lateness
- 这种方式需要设置一个允许迟到的时间。设置之后，窗口正常计算束后，不会马.上清理状态，而是会多保留allowLateness这么长时间，在这段时间内如果还有数据到来，则继续之前的状态进行计算。
- 适用于: DataStream、SQL
SideOutput (侧输出流)
- 这种方式需要对迟到数据打一个tag ，然后在DataStream上根据这个tag获取到迟到数据流，然后业务层面自行选择进行处理。
- 适用于: DataStream

增量计算、全量计算

增量计算

每条数据到来，直接进行计算，window只存储计算结果。比如计算sum，状态中只需要存储sum的结果,不需要保存每条数据。
典型的reduce、aggregate等函数都是增量计算
SQL中的聚合只有增量计算

全量计算

每条数据到来，会存储到window的state中。等到window触发计算的时候，将所有数据拿出来一起计算。
典型的process函数就是全量计算

EMIT触发

什么叫EMIT ?

通常来讲window 都是在结束的时候才能输出结果，比如1h的tumble window ，只有在1个小时结束的时候才能统一输出结果。

如果窗口比较大，比如1h或者1天，甚至于更大的话，那计算结果输出的延迟就比较高，失去了实时计算的意义。

EMIT输出指的是，在window没有结束的时候，提前把window计算的部分结果输出出来。

怎么实现?

在DataStream里面可以通过自定义Trigger来实现，Trigger的结果可以是:

CONTINUE
FIRE (触发计算，但是不清理)
PURGE
FIRE AND PURGE

SQL也可以使用，通过配置:

table.exec.emit.early-fire.enabled=true
table.exec.emit.early-fire.delay= {time}

Window优化

Mini-batch优化

Mini-batch优化解决频繁访问状态的问题

一般来讲，Flink的状态比较大一些都推荐使用rocksdb statebackend，这种情况下，每次的状态访问就都需要做一次序列化和反序列化，这种开销还是挺大的。为了降低这种开销，我们可以通过降低状态访问频率的方式来解决，这就是mini-batch最主要解决的问题：即赞一小批数据再进行计算，这批数据每个key的state访问只有一次，这样在单个key的数据比较集中的情况下，对于状态访问可以有效的降低频率，最终提升性能。

mini-batch看似简单，实际上设计非常巧妙。假设用最简单的方式实现，那就是每个算子内部自己进行攒一个小的batch，这样的话，如果上下游串联的算子比较多，任务整体的延迟就不是很容易控制。所以真正的mini-batch实现，是复用了底层的watermark传输机制，通过watermark事件来作为mini-batch划分的依据，这样整个任务中不管串联的多少个算子，整个任务的延迟都是一样的，就是用户配置的delay时间。

倾斜优化 local-global

local-global 优化解决倾斜问题。local-global优化是分布式系统中典型的优化，主要是可以降低数据shuffle的量，同时也可以缓解数据的倾斜。

所谓的local-global，就是将原本的聚合划分成两阶段，第一阶段先做一个local的聚合，这个阶段不需要数据shuffle，是直接跟在上游算子之后进行处理的；第二个阶段是要对第一个阶段的结果做一个merge。

Distinct 计算状态复用

Distinct 状态复用降低状态量。对于distinct的优化，一般批里面的引擎都是通过把它优化成aggregate的方式来处理，但是在流式window中，我们不能直接这样进行优化，要不然算子就变成会下发retract的数据了。所以在流式中，对于count distinct这种情况，我们是需要保存所有数据是否出现过这样子的一个映射。