【架构｜概念｜性能调优】slot相关概念：Flink的job的并行度是怎么计算的。算子链与slot共享是如何优化flink资源与计算的

在了解数据是如何在flink中进行传输之前，我们先看几个基础概念，为下一篇做一个预备知识。本文将要介绍的有一下几个概念：

文章目录

一. 理论基础

1. Operator和Stream

Flink编程模型由Stream和StreamOperator组成。
编写一个Flink任务时，抽象来说，是在描绘一个有向图。下图的边相当于由一系列数据记录组成的数据流，方框相当于我们对数据流的处理。

operator代表一个task内的处理逻辑，下面会讲task的概念
Stream代表由一系列数据记录(data records)组成的数据流。

一般情况下，Stream从SourceOperator开始,到SinkOperator结束。而TransformationOperator消费一个或多个stream,对stream进行处理，最后生产出一个或多个stream作为处理结果。

2. Job

job理解起来很简单，就是一个可以独立提交的大任务。

3. Task和Subtask

一个task就代表一个operator，同样的一个算子链也是一个task
当运行flink job时，一个task根据本身的并行度创建多个sub Task，即sub task的数量代表这个task的并行度。
每个subtask需要一个线程来运行。

简单地，计算一个job的并行度：所有Operator和它的并行度的乘积。
注意这不是最优的计算结果，见slot shareing下对应job的并行度计算

4. Operator Chain

flink可以将多个operator组成一个算子链，在逻辑上它是一个task，会在同一个task slot执行。当多个operator合并成一个算子链时，此时这些operator的数据不需要序列化和反序列化，提升系统的性能。

组成operator chain的算子需要满足的条件：都是one to one的算子。

具体见官网：
https://nightlies.apache.org/flink/flink-docs-release-1.12/dev/stream/operators/#task-chaining-and-resource-groups

5. Slot 与Slot共享

Slot

对于JVM进程，一个slot其实就是一个线程，一个taskmanager中包含的多个slot对应着线程池。

下面简单了解下slot的调度：
TaskManager启动时会将自己的资源以Slot的方式注册到RM，然后JM将（简单认为：优化过后的task）subtask调度到Slot上去运行。
整个过程中Subtask是调度的基本单元，Slot则是资源分配的基本单元。需要注意的是目前Slot只隔离内存，不隔离CPU。

Slot共享

简单的说

为了高效使用资源，Flink默认允许一个job中不同task的subtask运行到一个slot中，就是Slot共享。

共享的意义

因为每个subtask消耗的资源不同，将资源占用少和资源占用多的subtask放到一起，而不是都高或者都低的subtask放到一起，这样能使得资源能得到充分利用。比如source和sink一般都是网络通讯的IO操作，相对于中间Operator，消耗资源并不大。

默认slot shareing是开启的，开启slot有两个好处：

计算一个job所需要的并行度：并行度最大的task所对应的并行度就是这个job所需的并行度。

A Flink cluster needs exactly as many task slots as the highest
parallelism used in the job.

更好的资源利用：
如下图官网，将资源占用不多的source/map和资源占用较多的window算子放到一个slot，并且实现了占用资源较多的算子均匀分到了每个slot中，最后还有一个slot下跑了一整个pipeline。

官网：https://nightlies.apache.org/flink/flink-docs-release-1.12/concepts/flink-architecture.html#task-slots-and-resources

二. 性能场景分析

通过上面的分析我们知道

slot 其实是一个线程，一个subtask使用一个slot的资源去运行，一个task由多个subtask组成；

因为有slot共享，flink可以将资源占用少和资源占用多的subtask放到一起，这样能充分利用资源；

有了slot共享，可以认为并行度最大（maxNum个subtask）的task所对应的并行度就是这个job所需的并行度。

现我们的flink集群中taskmanager有3个节点，每个节点都有8个slot 也就是我们最多能同时运行24个subtask的线程任务。

一般的slot数和集群的core数一致，此时一个线程使用一个core，但对于非计算密集型（cpu执行的强度不大）的任务，资源可能会造成浪费。

slot数等于flink集群的并行能力

一个线程就代表一个slot，那如果job的并行度设置大于24，那集群资源显然不够，此时我设置并行度为30，看下任务的执行。

果然，因为当前集群中只有22个slot是空闲的，当提交任务之后，看到有8个线程在进行等待，而此时的等待是无劳的，因为30的并行度要求的资源已经超过集群最大的slot数了。

充分利用slot资源

方式1:

我们可以通过flink默认开启的slot共享，将资源占用少和资源占用多的subtask放到一起，使得资源充分利用。

方式2:

其次当我们对接的是低速系统时，cpu利用率不高，
参考：Flink 单并行度内使用多线程，提高写入性能10倍

参考
Apache Flink 1.12 Documentation: Flink Architecture
https://www.jianshu.com/p/b3c82682acb3
http://niyanchun.com/flink-quick-learning-job-task-slotsharing.html

文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/65411.html