Stream Processing：Apache Flink快照(snapshot)原理

本文将要讲解的是Apache Flink分布式流处理的轻量异步的快照原理。网上已经有几篇相关的博文，而本文的不同之处在于，它不是论文的纯粹翻译（论文地址），而是用自己的语言结合自己的理解对其原理的阐述。

本文将同下面几个方面讲解：

1. 什么是快照？为什么需要快照？
2. 跟其他系统的快照相比，Apache Flink快照的原理有哪些优点？
3. Apache Flink的快照原理是什么？

1. 什么是快照？为什么需要快照？

快照，英文名字叫snapshot，是指对系统当前运行状态的存储，以便在系统故障宕机的时候恢复之前某一个时间点的状态信息，从而继续执行。快照是系统实现可用性的必要功能，是分布式系统实现容错性的常规方法。

一般将快照保存在本机硬盘上，或者暂时其他机器的内存或者直接存储在其他机器硬盘上面。对于暂时存储在其他机器的内存上面的情况，应当以批量的方式定时将内存中的快照刷的硬盘中，实现持久化。批量的方式的优点是减少硬盘的访问量，缺点是有很小的丢失快照的可能性。

2. 跟其他系统的快照相比，Apache Flink快照的原理有哪些优点？

这里我们将对比Apache Spark、Apache Hadoop和Apache Flink三个系统的快照功能。

下面是Spark的算子运算图，该图是有向无环的。数据从左边输入（A和C），最终以G为结束点。我们知道Spark采用批处理的方式来处理大数据，批处理区别于流处理。在Spark中，通过上游节点重新计算来恢复在宕机之前的数据。比如，如果B宕机了，那么重新计算A生成输入B的数据。这样做的优点是不需要存储算子的当前的状态信息，节省空间。缺点是增加了计算量以及计算所需要的时间。

Apache Hadoop，这里具体指HDFS，它采用的是备份数据到不同的（机架）机器硬盘上面来实现。默认为复制三分。优点是干脆利落，能够同时支持HDFS作为存储系统的时候的数据容错备份，也可以作为Mapreduce计算的中间结果的容错备份。缺点是在速度方面有点慢。

Apache Flink采用了上面两种不同的快照功能。其优点是异步的（即使是单机）轻量级的，所需要存储的快照信息也相对较少。

3. Apache Flink的快照原理是什么？

Flink的快照功能针对两种计算网络分别阐述，第一种是有向无环计算网络，第二种是有向有环的计算网络。

下面第一张图是有向无环的计算网络，一个节点的计算结果没有出现返回倒流的情况。图中的表示分别表示为：
圆圈表示流中的数据，黄圈和紫圈表示屏障发送之前的数据，他们分别来自两个不同的数据源，白圈表示屏障发送之后的数据。图中的数据之间的黑色线段表示一个屏障。屏障也没有什么特别的地方，它只是流中有着特殊标志的数据。图中箭头表示一个数据流，红色箭头表示暂时停止接收该流中的数据（停止接收不等于丢弃）。
现在系统要生成一个快照，

1. 首先在所有的数据源注入屏障数据，然后向所有的输出节点广播屏障数据
2. 如果一个非数据源的节点收到屏障，就阻塞该屏障所在的输入流，也就是暂时不接受这一个输入流的数据，直到接收到其他输入流的所有屏障。所以，如果该节点只有一个输入流，不用阻塞等待。
3. 当这个节点接收到了跟其连接的输入流的所有屏障，便开始生成一个当前节点的一个快照。
   
   分析：

• 可中断性分析：因为它是有向无环图，所以只要节点没有宕掉，屏障肯定能够被每一个节点接收到，然后生成一个快照。
• 可行性分析：整个数据的处理过程满足先进先出的原则，所以，在屏障前面的数据和状态都为历史状态，不存在后到的数据先于屏障被处理。也就是上图中白圈的数据总是后于屏障被处理。

下面这张图表示有向有环图，相比于上面的图片，多了环。
如果要生成一个快照，同样地，
1 首先向每一个数据源发送屏障，
2 如果节点有多条输入流，在接收到某一条流的屏障之后需要暂时停止对该流的接收，直到接收到该节点所有输入流中的屏障。
3 对于某一个有倒向输入流的节点，记录下每一个倒向流动的数据，直到收到一个倒向的屏障（比如下图图c）。收到倒向的屏障之后，生成当前快照。

当前快照的内容包括当前节点的运行状态信息（这个跟有向无环图一样），还包含所有所记录的倒向的数据。在下图中，倒向的数据是被长方形圈住的三个红点。

这种情况下的可中断性和可行性跟上面差不多。对于倒向流的可中断性也容易理解，因为一个有倒向流的节点总能收到一个倒向的屏障数据。

整个快照生成的过程基本上都是异步的，除了在本节点的其他输入流的屏障到来之前需要同步等待。

对于快照的存储，对于有向无环图，只需要保存每一个计算节点的状态信息，对于有向有环图，需要保存节点的状态信息以及倒向的数据信息。两者都不需要保存其他流管道中的数据。所谓的状态信息，举一个例子，一个节点运行count统计计算，那么它的状态信息就是一个int或者long类型的变量。

对于快照的恢复，需要考虑一些问题，比如重复的数据应避免重复计算。这个本文不重点讲解，可以参考论文 Pietzuch. Making state explicit for imperative big data processing.

谢谢