我要评论系列文章目录
一、flink-任务参数配置
二、flink-sql调优
三、阿里云flink调优
文章目录
前言
本文主要详解常见的flink优化策略。
官网地址：https://nightlies.apache.org/flink/flink-docs-release-1.15/docs/dev/table/config/
一、flink-任务参数配置
1.1 运行时参数
- 异步维度join
# 默认值：100
# 值类型：integer
# 流批任务：流、批任务都支持
# 用处：异步 lookup join 中最大的异步 io 执行数目
table.exec.async-lookup.buffer-capacity: 100
- 开启微批
# 默认值：false
# 值类型：boolean
# 流批任务：流任务支持
# 用处：minibatch 优化是一种专门针对 unbounded 流任务的优化（即非窗口类应用），其机制是在 `允许的延迟时间间隔内` 以及 `达到最大缓冲记录数` 时触发以减少 `状态访问` 的优化，从而节约处理时间。下面两个参数一个代表 `允许的延迟时间间隔`，另一个代表 `达到最大缓冲记录数`。
table.exec.mini-batch.enabled: false
# 默认值：0 ms
# 值类型：duration
# 流批任务：流任务支持
# 用处：此参数设置为多少就代表 minibatch 机制最大允许的延迟时间。注意这个参数要配合 `table.exec.mini-batch.enabled` 为 true 时使用，而且必须大于 0 ms
table.exec.mini-batch.allow-latency: 0 ms
# 默认值：-1
# 值类型：long
# 流批任务：流任务支持
# 用处：此参数设置为多少就代表 minibatch 机制最大缓冲记录数。注意这个参数要配合 `table.exec.mini-batch.enabled` 为 true 时使用，而且必须大于 0
table.exec.mini-batch.size: -1
注意:
1- 如果想开启微批，那么首先需要将第一个参数值设置为true；接着可以设置后面两个参数。只要程序满足后面2个参数中的任意一个条件就会触发微批处理。
2- 微批处理能够提升程序处理数据的吞吐量，但是会导致数据的处理时效性降低
- 并行度的设置
# 默认值：-1
# 值类型：integer
# 流批任务：流、批任务都支持
# 用处：可以用此参数设置 flink sql 中算子的并行度，这个参数的优先级 `高于` streamexecutionenvironment 中设置的并行度优先级，如果这个值设置为 -1，则代表没有设置，会默认使用 streamexecutionenvironment 设置的并行度
table.exec.resource.default-parallelism: -1
- 数据异常时的处理方式
# 默认值：error
# 值类型：enum【error, drop】
# 流批任务：流、批任务都支持
# 用处：表上的 not null 列约束强制不能将 null 值插入表中。flink 支持 `error`（默认）和 `drop` 配置。默认情况下，当 null 值写入 not null 列时，flink 会产生运行时异常。用户可以将行为更改为 `drop`，直接删除此类记录，而不会引发异常。
table.exec.sink.not-null-enforcer: error
- 上游cdc去重
# 默认值：false
# 值类型：boolean
# 流批任务：流任务
# 用处：接入了 cdc 的数据源，上游 cdc 如果产生重复的数据，可以使用此参数在 flink 数据源算子进行去重操作，去重会引入状态开销
table.exec.source.cdc-events-duplicate: false
- 设置空闲等待
# 默认值：0 ms
# 值类型：duration
# 流批任务：流任务
# 用处：如果此参数设置为 60 s，当 source 算子在 60 s 内未收到任何元素时，这个 source 将被标记为临时空闲，此时下游任务就不依赖此 source 的 watermark 来推进整体的 watermark 了。
# 默认值为 0 时，代表未启用检测源空闲。
table.exec.source.idle-timeout: 0 ms
- 设置状态有效期
# 默认值：0 ms
# 值类型：duration
# 流批任务：流任务
# 用处：指定空闲状态（即未更新的状态）将保留多长时间。尤其是在 unbounded 场景中很有用。默认 0 ms 为不清除空闲状态
table.exec.state.ttl: 0 ms
推荐: ttl time to live失效时间。保留窗口附近的1-3个state状态数据。举例: 例如滚动窗口大小是5秒，那么这个参数推荐设置为5000 - 15000毫秒之间
上述的参数中，常用的有：开启微批、设置状态有效期
1.2 优化器参数
- 开启两阶段聚合
# 默认值：auto
# 值类型：string
# 流批任务：流、批任务都支持
# 用处：聚合阶段的策略。和 mapreduce 的 combiner 功能类似，可以在数据 shuffle 前做一些提前的聚合，可以选择以下三种方式
# two_phase：强制使用具有 localaggregate 和 globalaggregate 的两阶段聚合。请注意，如果聚合函数不支持优化为两个阶段，flink 仍将使用单阶段聚合。
# 两阶段优化在计算 count，sum 时很有用，但是在计算 count distinct 时需要注意，key 的稀疏程度，如果 key 不稀疏，那么很可能两阶段优化的效果会适得其反
# one_phase：强制使用只有 completeglobalaggregate 的一个阶段聚合。
# auto：聚合阶段没有特殊的执行器。选择 two_phase 或者 one_phase 取决于优化器的成本。
table.optimizer.agg-phase-strategy: auto
注意: 两阶段聚合必须配合微批处理的参数一起进行设置。
- 开启分桶
# 默认值：false
# 值类型：boolean
# 流批任务：流任务
# 用处：避免 group by 计算 count distinct\sum distinct 数据时的 group by 的 key 较少导致的数据倾斜，比如 group by 中一个 key 的 distinct 要去重 500w 数据，而另一个 key 只需要去重 3 个 key，那么就需要先需要按照 distinct 的 key 进行分桶。将此参数设置为 true 之后，下面的 table.optimizer.distinct-agg.split.bucket-num 可以用于决定分桶数是多少
# 后文会介绍具体的案例
table.optimizer.distinct-agg.split.enabled: false
# 默认值：1024
# 值类型：integer
# 流批任务：流任务
# 用处：避免 group by 计算 count distinct 数据时的 group by 较少导致的数据倾斜。加了此参数之后，会先根据 group by key 结合 hash_code（distinct_key）进行分桶，然后再自动进行合桶。
# 后文会介绍具体的案例
table.optimizer.distinct-agg.split.bucket-num: 1024
- 重用执行计划
# 默认值：true
# 值类型：boolean
# 流批任务：流任务
# 用处：如果设置为 true，flink 优化器将会尝试找出重复的自计划并重用。默认为 true 不需要改动
table.optimizer.reuse-sub-plan-enabled: true
- source资源重用
# 默认值：true
# 值类型：boolean
# 流批任务：流任务
# 用处：如果设置为 true，flink 优化器会找出重复使用的 table source 并且重用。默认为 true 不需要改动
table.optimizer.reuse-source-enabled: true
- 开启谓词下推
# 默认值：true
# 值类型：boolean
# 流批任务：流任务
# 用处：如果设置为 true，flink 优化器将会做谓词下推到 filterabletablesource 中，将一些过滤条件前置，提升性能。默认为 true 不需要改动
table.optimizer.source.predicate-pushdown-enabled: true
1.3 表参数
- 开启dml异步
# 默认值：false
# 值类型：boolean
# 流批任务：流、批任务都支持
# 用处：dml sql（即执行 insert into 操作）是异步执行还是同步执行。默认为异步（false），即可以同时提交多个 dml sql 作业，如果设置为 true，则为同步，第二个 dml 将会等待第一个 dml 操作执行结束之后再执行
table.dml-sync: false
- 设置方法的最大长度不超过64kb
# 默认值：64000
# 值类型：integer
# 流批任务：流、批任务都支持
# 用处：flink sql 会通过生产 java 代码来执行具体的 sql 逻辑，但是 jvm 限制了一个 java 方法的最大长度不能超过 64kb，但是某些场景下 flink sql 生产的 java 代码会超过 64kb，这时 jvm 就会直接报错。因此此参数可以用于限制生产的 java 代码的长度来避免超过 64kb，从而避免 jvm 报错。
table.generated-code.max-length: 64000
- 本地时区
# 默认值：default
# 值类型：string
# 流批任务：流、批任务都支持
# 用处：在使用天级别的窗口时，通常会遇到时区问题。举个例子，flink 开一天的窗口，默认是按照 utc 零时区进行划分，那么在北京时区划分出来的一天的窗口是第一天的早上 8:00 到第二天的早上 8:00，但是实际场景中想要的效果是第一天的早上 0:00 到第二天的早上 0:00 点。因此可以将此参数设置为 gmt+08:00 来解决这个问题。
table.local-time-zone: default
- 编译器
# 默认值：default
# 值类型：enum【blink、old】
# 流批任务：流、批任务都支持
# 用处：flink sql planner，默认为 blink planner，也可以选择 old planner，但是推荐使用 blink planner
table.planner: blink
- sql方言
# 默认值：default
# 值类型：string
# 流批任务：流、批任务都支持
# 用处：flink 解析一个 sql 的解析器，目前有 flink sql 默认的解析器和 hive sql 解析器，其区别在于两种解析器支持的语法会有不同，比如 hive sql 解析器支持 between and、rlike 语法，flink sql 不支持
table.sql-dialect: default
二、flink-sql调优
2.1 mini-batch聚合
作用：微批处理能够提升程序处理数据的吞吐量，但是会导致数据的处理时效性降低
sql中参数配置如下：
# 默认值：false
# 值类型：boolean
# 流批任务：流任务支持
# 用处：minibatch 优化是一种专门针对 unbounded 流任务的优化（即非窗口类应用），其机制是在 `允许的延迟时间间隔内` 以及 `达到最大缓冲记录数` 时触发以减少 `状态访问` 的优化，从而节约处理时间。下面两个参数一个代表 `允许的延迟时间间隔`，另一个代表 `达到最大缓冲记录数`。
table.exec.mini-batch.enabled: false
# 默认值：0 ms
# 值类型：duration
# 流批任务：流任务支持
# 用处：此参数设置为多少就代表 minibatch 机制最大允许的延迟时间。注意这个参数要配合 `table.exec.mini-batch.enabled` 为 true 时使用，而且必须大于 0 ms
table.exec.mini-batch.allow-latency: 0 ms
# 默认值：-1
# 值类型：long
# 流批任务：流任务支持
# 用处：此参数设置为多少就代表 minibatch 机制最大缓冲记录数。注意这个参数要配合 `table.exec.mini-batch.enabled` 为 true 时使用，而且必须大于 0
table.exec.mini-batch.size: -1
2.2 两阶段聚合
作用：1- 提前对数据进行局部聚合操作，能够减少后续数据处理量；2-能够一定程度避免数据倾斜的问题
flinksql中的配置：
# 默认值：auto
# 值类型：string
# 流批任务：流、批任务都支持
# 用处：聚合阶段的策略。和 mapreduce 的 combiner 功能类似，可以在数据 shuffle 前做一些提前的聚合，可以选择以下三种方式
# two_phase：强制使用具有 localaggregate 和 globalaggregate 的两阶段聚合。请注意，如果聚合函数不支持优化为两个阶段，flink 仍将使用单阶段聚合。
# 两阶段优化在计算 count，sum 时很有用，但是在计算 count distinct 时需要注意，key 的稀疏程度，如果 key 不稀疏，那么很可能两阶段优化的效果会适得其反
# one_phase：强制使用只有 completeglobalaggregate 的一个阶段聚合。
# auto：聚合阶段没有特殊的执行器。选择 two_phase 或者 one_phase 取决于优化器的成本。
table.optimizer.agg-phase-strategy: auto
注意: 如果想要使用两阶段聚合，那么必须同时开始mini-batch微批处理
2.3 分桶
作用：能够一定程度避免数据倾斜的问题
flinksql的配置如下：
# 默认值：false
# 值类型：boolean
# 流批任务：流任务
# 用处：避免 group by 计算 count distinct\sum distinct 数据时的 group by 的 key 较少导致的数据倾斜，比如 group by 中一个 key 的 distinct 要去重 500w 数据，而另一个 key 只需要去重 3 个 key，那么就需要先需要按照 distinct 的 key 进行分桶。将此参数设置为 true 之后，下面的 table.optimizer.distinct-agg.split.bucket-num 可以用于决定分桶数是多少
# 后文会介绍具体的案例
table.optimizer.distinct-agg.split.enabled: false
# 默认值：1024
# 值类型：integer
# 流批任务：流任务
# 用处：避免 group by 计算 count distinct 数据时的 group by 较少导致的数据倾斜。加了此参数之后，会先根据 group by key 结合 hash_code（distinct_key）进行分桶，然后再自动进行合桶。
# 后文会介绍具体的案例
table.optimizer.distinct-agg.split.bucket-num: 1024
2.4 filter去重（了解）
--普通的写法
select
day,
count(distinct user_id) as total_uv,
count(distinct case when flag in ('android', 'iphone') then user_id else null end) as app_uv,
count(distinct case when flag in ('wap', 'other') then user_id else null end) as web_uv
from t
group by day
--filter优化写法
select
day,
count(distinct user_id) as total_uv,
count(distinct user_id) filter (where flag in ('android', 'iphone')) as app_uv,
count(distinct user_id) filter (where flag in ('web', 'other')) as web_uv
from t
group by day
filter子句能够将三个状态合并成一个共享的状态。方便程序的读取等操作。能够提升效率。
三、阿里云flink调优
flink支持智能调优和定时调优两种调优模式。
3.1 智能调优
简单理解，就是阿里云flink智能来进行调优。默认会从并发度和内存来进行调优。
-
智能调优会调整作业的并发度来满足作业流量变化所需要的吞吐。
智能调优会监控消费源头数据的延迟变化情况、taskmanager（tm） cpu实际使用率和各个算子处理数据能力来调整作业的并发度。详情如下：
- 作业延迟delay指标正常（不超过60s），不修改当前作业并发。
- 作业延迟delay指标超过默认阈值60s，分以下两种情况来调整并发度：
- 延迟正在下降，不进行并发度调整。
- 延迟增加并且连续上升3分钟（默认值）， 默认调整作业并发度到当前实际tps的两倍，但不超过设置最大的资源（默认值为64 cu）。
- 作业不存在延迟指标。
- 作业某vertex节点连续6分钟实际处理数据时间占比超过80%，调大作业并发度使得slot使用率降低到50%，但不超过设置最大的资源（默认为64 cu）。
- 所有tm的平均利用率连续6分钟超过80%，调高并发度使tm的cpu使用率降低到50%。
- 所有tm的最大cpu使用率连续24小时低于20%，且vertex的实际处理数据时间低于20%时，调低作业的并发度使cpu和vertex实际处理的时间占比提高到50%。
-
智能调优也会监控作业的内存使用和failover情况，来调整作业的内存配置。详情如下：
- 在jobmanager gc频繁或者发生oom异常时，会调高jm的内存，默认最大调整到16 gib。
- 在tm gc频繁或者发生oom异常、heartbeattimeout异常时，会调高tm的内存，默认最大调整到16 gib。
- 在tm内存使用率超过95%时，会调大tm的内存。
- 在tm的实际内存使用率连续24小时低于30%时，降低tm内存的配置，默认最小调整到1.6 gib。
3.2 定时调优
定时调优计划描述了资源和时间点的对应关系，一个定时调优计划中可以包含多组资源和时间点的关系。在使用定时调优计划时，您需要明确知道各个时间段的资源使用情况，根据业务时间区间特征，设置对应的资源。
例如，某业务全天早09：00~19：00是业务高峰，19：00到第二天09：00是业务低峰。此时您可以使用定时调优功能，在高峰时间段使用30 cu，在业务低峰时使用10 cu。
小结：在使用阿里云调优时，可以使用一些开源的参数。
发表评论