Flink TaskSlot与并行度

上文说到：TaskManager 是一个 JVM 进程，是实际负责执行计算的Worker，TaskManager中最小的资源调度单位是TaskSlots。TaskManger从 JobManager 接收需要执行的任务，然后申请Slot 资源（根据集群Slot使用情况以及并行度设置）并尝试启动Task开始执行作业,会以独立的线程来执行一个task或多个subtask。为了控制一个 TaskManager 能执行多少个 task，Flink 提出了 Task Slot 的概念…

---

一、Flink的Task、SubTask

Task可以理解为Flink作业计算时的算子 比如 map、keyBy等等

但是由于flink的taskmanager在运行task的时候是每个task采用一个单独的线程，这就会带来很多线程切换开销，进而影响吞吐量。为了减轻这种情况，flink进行了优化，也即对subtask进行链式操作，链式操作结束之后得到的task再作为一个调度执行单元，放到一个线程里执行。如下图的，source/map 两个算子进行了链式 合成了一个算子链（可理解为合并为一个算子）；keyby/window/apply三个算子也进行了链式组合为了算子链（可理解为合并为一个算子），sink为单独的一个算子。

SubTask可以理解算子在运行时根据并行度设置而产生的运算算子实例

如下图所示：

说明：图中假设是source/map的并行度都是2，keyby/window/apply的并行度也都是2，sink的并行度是1，则此Flink作业task有五个，则会由五个不同的线程执行。

---

二、算子链

算子链，即多个算子组成一个链路，形成一个大的算子，比如source算子 map算子 组合为（source map）。

Flink 会使用算子链将尽可能多的上、下游算子链接到一起,链接到一起的上、下游算子会被捆绑到一起，作为一个线程执行。假如两个算子不进行链接,那么这两个算子间的数据通信存在序列化和反序列化,通信成本较高,所以说算子链可以在一定程度上提高资源利用率。

---

三、什么情况下算子可以组合为算子链？

• 上下游的并行度一致

• 上游算子将所有数据前向传播到下游算子上，数据不进行任何交换，那么这两个算子可以被链接到一起。比如，先进行filter()，再进行map).这两个算子可以被链接到一起。（Flink源码org.apache.flink.streaming.api.graph.StreamingJob-
  raphGenerator中的 isChainable()方法定义了何种情况可以进行链接，感兴趣的读者可以阅读一下相关代码）

• 下游节点的入并行度为1 （也就是说下游算子节点没有来自其他算子节点的输入）

• 上下游节点都在同一个 slot group 中

  • 为了防止同一个slot包含太多的task，Flink提供了资源组(group)的概念。group就是对operator(算子)进行分组，同一group的不同operator task可以共享同一个slot。默认所有operator属于同一个组"default"，也就是所有operator task可以共享一个slot。我们可以通过slotSharingGroup()为不同的operator设置不同的group。

    dataStream.filter(e->e.getId()!=0).slotSharingGroup("groupName");
    

• 下游节点的 chain 策略为 ALWAYS（可以与上下游算子链接，map、flatmap、filter等默认是ALWAYS）

• 上游节点的 chain 策略为 ALWAYS 或 HEAD（只能与下游链接，不能与上游链接，Source默认是HEAD）

• 两个节点间数据分区方式是 forward

• 用户没有禁用 chain

---

四、算子链操作

默认情况下，只要符合算子链生成规则，算子间便会自动组成算子链，当然，我们也可以根据需要来关闭算子链，或者对特定算子进行链接

执行环境层面关闭所有算子链链接

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.disableOperatorChaining();

在关闭算子链后，我们也可以调用startNewChain()方法，根据需求对特定算子进行链接

DataStream<T> source = input;
source.filter(new Myfilter1()).map(new MyMap1()).map(new MyMap2()).startNewChain().filter(new MyFilter2());

上面的例子中,Filter1和 Mapl被链接到了一起,Map2和 Filter2被链接到了一起。也可以使用disableChaining()方法,对当前算子禁用算子链。

DataStream<T> source = input;
source.filter(new Myfilter1()).map(new MyMap1())// 禁用算子链.map(new MyMap2()).disableChaining();

上面的例子中,Filter1和 Map1被链接到了一起,Map2被分离出来。

---

五、并行度

一个Flink程序由多个任务（Task）组成(source、transformation和 sink)。 一个任务由多个并行的实例(线程)来执行(SubTask)， 一个任务的并行实例(线程)数目就被称为该任务的并行度。

---

Flink中的程序本质上是并行的和分布式的。在执行期间，一个流具有一个或多个流分区，并且每个算子具有一个或多个算子子任务。算子子任务之间彼此独立，并可以在在不同的线程(甚至服务器)中执行,算子的并行度决定了算子子任务数量,同一程序的不同算子可设置不同的并行度。

---

六、TaskSlot与并行度的联系

既然Flink作业在执行的时候，是需要申请Slot资源(根据并行度)，然后启动Task执行作业，那么TaskSlot与并行度到底什么关系呢？

---

我们以上图为例子 （source/map的并行度都是2，keyby/window/apply的并行度也都是2，sink的并行度是1）

假如，我们现在有两个TaskManger,且每个TaskManger都有三个TaskSlot，那么 如上示例subtask在Slot可能是这样分布的…

上边这幅图呢，表示了 source/map算子链 与 keyby/window/apply 算子链的两个subtask都进入了不同的Task Slot ，sink单独进入了一个TaskSlot，由于Taskmanger 会根据TaskSlot数量 对每个TaskSlot平分系统资源，但是呢，我们发现，上述情况，有一个TaskSlot为空闲状态并未使用，因为白白浪费了系统资源…

为什么会出现这种情况呢？因为并行度设置不合理导致的…由于上方 2+2+1 并行度，总共才会有2个subtask,就算每个subtask都进入了不同的TaskSlot，仍会有TaskSlot为空闲状态 （因为上图 TaskSlot有6个…）

这个时候呢，为了能充分利用slot资源，我们需要对我们的Flink作业并行度进行优化设置

比如，我们设置source/map、keyby/window/apply的算子链并行度为6（并行度为6，表示算子（Task）的并行数为6，即同时可有6个subTask执行），sink并行度保持为1

每一个 sourec/map keyBy/window/apply 算子链进入到不同TaskSlot 如下图所示

那么，此时，我们的TaskSlot都被利用到了，就能充分利用slot资源，同时保证每个TaskManager能平均分配到重的subtasks，比如keyby/window/apply操作就会均分到申请的所有slot里，也保证了slot的负载均衡

如果看到这里，您还不太清楚，我再上一张官网示例图：

说明：当前Flink集群一共有三个TaskManger，每个TaskManger有三个TaskSlot （那么Flink集群总可用TaskSlot为 3*3=9个）

1、我们设置作业并行度为1，将占用1个Slot

那么，Flink程序的所有Task 与SubTask 均会在一个TaskSlot中， 就如同上图，现在在TaskManger1 中 第一个Slot,此时Flink程序使用着Flink集群中1/9的资源执行作业，余下的8/9皆为空闲状态

2、我们设置作业并行度为2后，将占用2个Slot

此时，我们的Flink程序的所有Task 与SubTask 会在两个TaskSlot中， 就如同上图，现在在TaskManger1 中 第一个Slot,与TaskManger2中第一个Slot,此时Flink程序使用着Flink集群中2/9的资源执行作业，余下的7/9皆为空闲状态

3、我们设置作业并行度为9后，将占用9个Slot

我们所有的Source、Reduce、SInk 算子子任务 分配到了每个Slot，此时Flink程序使用着Flink集群中9/9的资源执行作业，TaskSlot利用率为100%

4、我们设置作业算子Source、Reduce并行度为9 Sink并行度为1

此时，我们所有的Source、Reduce算子子任务分配到了每个Slot，但是由于Sink并行度为1，则只会进入其中一个Slot中，此时Flink程序使用着Flink集群中9/9的资源执行作业，TaskSlot利用率为100%，与示例（3）不同的是 我们输出并行度为1，无论哪一组Source、Reduce subTask执行完毕后，都只会交由一个且仅有一个sink的subTask执行数据输出

---

七、槽位共享

Flink默认开启了槽位共享,从 Source到 Sink的所有算子子任务可以共享一个Slot,共享计算资源。或者说,从Source到 Sink的所有算子子任务组成的Pipeline共享一个Slot.

ex:我们现在有一个TaskManger,且设置了四个Slot

注意,我的source 实现了ParallelSourceFunction ，因此也是支持多并行度的

那么我这个代码，作业执行图会是如下

过多的计算任务集中在一个 Slot,有可能导致该Slot的负载过大。每个算子都有一个槽位共享组(Slot Sharing Group )。默认情况下，算子都会被分到default组中，也就意味着在最终的物理执行图中,从 Source到Sink上下游的算子子任务可以共享一个 Slot。我们可以用slotSharingGroup()方法将某个算子分到特定的组中。例如，将我们的上边代码中的source算子 分到source资源组中，将我们的window-apply-sink算子链分到 sink资源组

此时呢，我们上述代码的作业执行图应该是如下

这是为什么呢？

未自定义算子链与资源槽位，如果一个作业的并行度为parallelism,该作业至少需要个数为parallelism 的Slot。

自定义算子链和槽位共享会打断算子子任务之间的共享,当然也会使该作业所需要的Slot数量大于 parallelism。（这一点需要各位注意，避免因可用Slot数量不足提交Job时资源申请不下来导致作业执行失败）

---

八、并行度设置注意事项

注意点：并行度改变会影响任务划分，与subtask数量，如果taskslots数量不满足要求，会导致任务没有足够的资源分配,但flink会尝试申请资源（5分钟）然后才会关闭计算程序

---

九、并行度设置

• 算子

  DataStream<String> result = windowedStream.apply(new SpeedAlarmWindow()).setParallelism(1);
  

• 环境

  StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
  env.setParallelism(12);
  

• 客户端

• 系统

  flink-config.yaml文件中设置

---

十、并行度优先级

算子级别>环境>客户端>全局系统

---

十一、并行度Parallelism与任务槽TaskSlot总结

• TaskSlot是静态的概念，代表着Taskmanager具有的并发执行能力

• parallelism是动态的概念，是指程序运行时实际使用的并发能力

• 设置合适的parallelism能提高运算效率 不可太多也不可太少（多了导致无法申请可用资源 程序无法正常执行，少了资源浪费，并发执行力度浪费）

---

十二、Local模式下注意事项

在Local模式下、代码开发中，默认并行度为Cpu核心数数量