Flink 的網(wǎng)絡協(xié)議棧是組成 flink-runtime 模塊的核心組件之一，是每個 Flink 作業(yè)的核心。它連接所有 TaskManager 的各個子任務(Subtask)，因此，對于 Flink 作業(yè)的性能包括吞吐與延遲都至關重要。與 TaskManager 和 JobManager 之間通過基于 Akka 的 RPC 通信的控制通道不同，TaskManager 之間的網(wǎng)絡協(xié)議棧依賴于更加底層的 Netty API。

本文將首先介紹 Flink 暴露給流算子(Stream operator)的高層抽象，然后詳細介紹 Flink 網(wǎng)絡協(xié)議棧的物理實現(xiàn)和各種優(yōu)化、優(yōu)化的效果以及 Flink 在吞吐量和延遲之間的權衡。

1.邏輯視圖

Flink 的網(wǎng)絡協(xié)議棧為彼此通信的子任務提供以下邏輯視圖，例如在 A 通過 keyBy() 操作進行數(shù)據(jù) Shuffle ：

這一過程建立在以下三種基本概念的基礎上：

▼ 子任務輸出類型(ResultPartitionType)：

• Pipelined(有限的或***的)：一旦產(chǎn)生數(shù)據(jù)就可以持續(xù)向下游發(fā)送有限數(shù)據(jù)流或***數(shù)據(jù)流。
• Blocking：僅在生成完整結果后向下游發(fā)送數(shù)據(jù)。

▼ 調(diào)度策略：

同時調(diào)度所有任務(Eager)：同時部署作業(yè)的所有子任務(用于流作業(yè))。

上游產(chǎn)生***條記錄部署下游(Lazy)：一旦任何生產(chǎn)者生成任何輸出，就立即部署下游任務。

上游產(chǎn)生完整數(shù)據(jù)部署下游：當任何或所有生產(chǎn)者生成完整數(shù)據(jù)后，部署下游任務。

▼ 數(shù)據(jù)傳輸：

• 高吞吐：Flink 不是一個一個地發(fā)送每條記錄，而是將若干記錄緩沖到其網(wǎng)絡緩沖區(qū)中并一次性發(fā)送它們。這降低了每條記錄的發(fā)送成本因此提高了吞吐量。
• 低延遲：當網(wǎng)絡緩沖區(qū)超過一定的時間未被填滿時會觸發(fā)超時發(fā)送，通過減小超時時間，可以通過犧牲一定的吞吐來獲取更低的延遲。

我們將在下面深入 Flink 網(wǎng)絡協(xié)議棧的物理實現(xiàn)時看到關于吞吐延遲的優(yōu)化。對于這一部分，讓我們詳細說明輸出類型與調(diào)度策略。首先，需要知道的是子任務的輸出類型和調(diào)度策略是緊密關聯(lián)的，只有兩者的一些特定組合才是有效的。

Pipelined 結果是流式輸出，需要目標 Subtask 正在運行以便接收數(shù)據(jù)。因此需要在上游 Task 產(chǎn)生數(shù)據(jù)之前或者產(chǎn)生***條數(shù)據(jù)的時候調(diào)度下游目標 Task 運行。批處理作業(yè)生成有界結果數(shù)據(jù)，而流式處理作業(yè)產(chǎn)生***結果數(shù)據(jù)。

批處理作業(yè)也可能以阻塞方式產(chǎn)生結果，具體取決于所使用的算子和連接模式。在這種情況下，必須等待上游 Task 先生成完整的結果，然后才能調(diào)度下游的接收 Task 運行。這能夠提高批處理作業(yè)的效率并且占用更少的資源。

下表總結了 Task 輸出類型以及調(diào)度策略的有效組合：

注釋：

• 目前 Flink 未使用
• 批處理 / 流計算統(tǒng)一完成后，可能適用于流式作業(yè)

此外，對于具有多個輸入的子任務，調(diào)度以兩種方式啟動：當所有或者任何上游任務產(chǎn)生***條數(shù)據(jù)或者產(chǎn)生完整數(shù)據(jù)時調(diào)度任務運行。要調(diào)整批處理作業(yè)中的輸出類型和調(diào)度策略，可以參考 ExecutionConfig#setExecutionMode()——尤其是 ExecutionMode，以及 ExecutionConfig#setDefaultInputDependencyConstraint()。

2.物理數(shù)據(jù)傳輸

為了理解物理數(shù)據(jù)連接，請回想一下，在 Flink 中，不同的任務可以通過 Slotsharing group 共享相同 Slot。TaskManager 還可以提供多個 Slot，以允許將同一任務的多個子任務調(diào)度到同一個 TaskManager 上。

對于下圖所示的示例，我們假設 2 個并發(fā)為 4 的任務部署在 2 個 TaskManager 上，每個 TaskManager 有兩個 Slot。TaskManager 1 執(zhí)行子任務 A.1，A.2，B.1 和 B.2，TaskManager 2 執(zhí)行子任務 A.3，A.4，B.3 和 B.4。在 A 和 B 之間是 Shuffle 連接類型，比如來自于 A 的 keyBy() 操作，在每個 TaskManager 上會有 2x4 個邏輯連接，其中一些是本地的，另一些是遠程的：

不同任務(遠程)之間的每個網(wǎng)絡連接將在 Flink 的網(wǎng)絡堆棧中獲得自己的 TCP 通道。但是，如果同一任務的不同子任務被調(diào)度到同一個 TaskManager，則它們與同一個 TaskManager 的網(wǎng)絡連接將多路復用并共享同一個 TCP 信道以減少資源使用。在我們的例子中，這適用于 A.1→B.3，A.1→B.4，以及 A.2→B.3 和 A.2→B.4，如下圖所示：

每個子任務的輸出結果稱為 ResultPartition，每個 ResultPartition 被分成多個單獨的 ResultSubpartition- 每個邏輯通道一個。Flink 的網(wǎng)絡協(xié)議棧在這一點的處理上，不再處理單個記錄，而是將一組序列化的記錄填充到網(wǎng)絡緩沖區(qū)中進行處理。每個子任務本地緩沖區(qū)中最多可用 Buffer 數(shù)目為(每個發(fā)送方和接收方各一個):

#channels * buffers-per-channel + floating-buffers-per-gate 

單個 TaskManager 上的網(wǎng)絡層 Buffer 總數(shù)通常不需要配置。有關如何在需要時進行配置的詳細信息，請參閱配置網(wǎng)絡緩沖區(qū)的文檔。

▼ 造成反壓(1)

每當子任務的數(shù)據(jù)發(fā)送緩沖區(qū)耗盡時——數(shù)據(jù)駐留在 Subpartition 的緩沖區(qū)隊列中或位于更底層的基于 Netty 的網(wǎng)絡堆棧內(nèi)，生產(chǎn)者就會被阻塞，無法繼續(xù)發(fā)送數(shù)據(jù)，而受到反壓。接收端以類似的方式工作：Netty 收到任何數(shù)據(jù)都需要通過網(wǎng)絡 Buffer 傳遞給 Flink。如果相應子任務的網(wǎng)絡緩沖區(qū)中沒有足夠可用的網(wǎng)絡 Buffer，F(xiàn)link 將停止從該通道讀取，直到 Buffer 可用。這將反壓該多路復用上的所有發(fā)送子任務，因此也限制了其他接收子任務。下圖說明了過載的子任務 B.4，它會導致多路復用的反壓，也會導致子任務 B.3 無法接受和處理數(shù)據(jù)，即使是 B.3 還有足夠的處理能力。

為了防止這種情況發(fā)生，F(xiàn)link 1.5 引入了自己的流量控制機制。

3.Credit-based 流量控制

Credit-based 流量控制可確保發(fā)送端已經(jīng)發(fā)送的任何數(shù)據(jù)，接收端都具有足夠的能力(Buffer)來接收。新的流量控制機制基于網(wǎng)絡緩沖區(qū)的可用性，作為 Flink 之前機制的自然延伸。每個遠程輸入通道(RemoteInputChannel)現(xiàn)在都有自己的一組獨占緩沖區(qū)(Exclusive buffer)，而不是只有一個共享的本地緩沖池(LocalBufferPool)。與之前不同，本地緩沖池中的緩沖區(qū)稱為流動緩沖區(qū)(Floating buffer)，因為它們會在輸出通道間流動并且可用于每個輸入通道。

數(shù)據(jù)接收方會將自身的可用 Buffer 作為 Credit 告知數(shù)據(jù)發(fā)送方(1 buffer = 1 credit)。每個 Subpartition 會跟蹤下游接收端的 Credit(也就是可用于接收數(shù)據(jù)的 Buffer 數(shù)目)。只有在相應的通道(Channel)有 Credit 的時候 Flink 才會向更底層的網(wǎng)絡協(xié)議棧發(fā)送數(shù)據(jù)(以 Buffer 為粒度)，并且每發(fā)送一個 Buffer 的數(shù)據(jù)，相應的通道上的 Credit 會減 1。除了發(fā)送數(shù)據(jù)本身外，數(shù)據(jù)發(fā)送端還會發(fā)送相應 Subpartition 中有多少正在排隊發(fā)送的 Buffer 數(shù)(稱之為 Backlog)給下游。數(shù)據(jù)接收端會利用這一信息(Backlog)去申請合適數(shù)量的 Floating buffer 用于接收發(fā)送端的數(shù)據(jù)，這可以加快發(fā)送端堆積數(shù)據(jù)的處理。接收端會首先申請和 Backlog 數(shù)量相等的 Buffer，但可能無法申請到全部，甚至一個都申請不到，這時接收端會利用已經(jīng)申請到的 Buffer 進行數(shù)據(jù)接收，并監(jiān)聽是否有新的 Buffer 可用。

Credit-based 的流控使用 Buffers-per-channel 來指定每個 Channel 有多少獨占的 Buffer，使用 Floating-buffers-per-gate 來指定共享的本地緩沖池(Local buffer pool)大小(可選3)，通過共享本地緩沖池，Credit-based 流控可以使用的 Buffer 數(shù)目可以達到與原來非 Credit-based 流控同樣的大小。這兩個參數(shù)的默認值是被精心選取的，以保證新的 Credit-based 流控在網(wǎng)絡健康延遲正常的情況下至少可以達到與原策略相同的吞吐。可以根據(jù)實際的網(wǎng)絡 RRT (round-trip-time)和帶寬對這兩個參數(shù)進行調(diào)整。

注釋3：如果沒有足夠的 Buffer 可用，則每個緩沖池將獲得全局可用 Buffer 的相同份額(±1)。

▼ 造成反壓(2)

與沒有流量控制的接收端反壓機制不同，Credit 提供了更直接的控制：如果接收端的處理速度跟不上，最終它的 Credit 會減少成 0，此時發(fā)送端就不會在向網(wǎng)絡中發(fā)送數(shù)據(jù)(數(shù)據(jù)會被序列化到 Buffer 中并緩存在發(fā)送端)。由于反壓只發(fā)生在邏輯鏈路上，因此沒必要阻斷從多路復用的 TCP 連接中讀取數(shù)據(jù)，也就不會影響其他的接收者接收和處理數(shù)據(jù)。

▼ Credit-based 的優(yōu)勢與問題

由于通過 Credit-based 流控機制，多路復用中的一個信道不會由于反壓阻塞其他邏輯信道，因此整體資源利用率會增加。此外，通過完全控制正在發(fā)送的數(shù)據(jù)量，我們還能夠加快 Checkpoint alignment：如果沒有流量控制，通道需要一段時間才能填滿網(wǎng)絡協(xié)議棧的內(nèi)部緩沖區(qū)并表明接收端不再讀取數(shù)據(jù)了。在這段時間里，大量的 Buffer 不會被處理。任何 Checkpoint barrier(觸發(fā) Checkpoint 的消息)都必須在這些數(shù)據(jù) Buffer 后排隊，因此必須等到所有這些數(shù)據(jù)都被處理后才能夠觸發(fā) Checkpoint(“Barrier 不會在數(shù)據(jù)之前被處理!”)。

但是，來自接收方的附加通告消息(向發(fā)送端通知 Credit)可能會產(chǎn)生一些額外的開銷，尤其是在使用 SSL 加密信道的場景中。此外，單個輸入通道( Input channel)不能使用緩沖池中的所有 Buffer，因為存在無法共享的 Exclusive buffer。新的流控協(xié)議也有可能無法做到立即發(fā)送盡可能多的數(shù)據(jù)(如果生成數(shù)據(jù)的速度快于接收端反饋 Credit 的速度)，這時則可能增長發(fā)送數(shù)據(jù)的時間。雖然這可能會影響作業(yè)的性能，但由于其所有優(yōu)點，通常新的流量控制會表現(xiàn)得更好。可能會通過增加單個通道的獨占 Buffer 數(shù)量，這會增大內(nèi)存開銷。然而，與先前實現(xiàn)相比，總體內(nèi)存使用可能仍然會降低，因為底層的網(wǎng)絡協(xié)議棧不再需要緩存大量數(shù)據(jù)，因為我們總是可以立即將其傳輸?shù)? Flink(一定會有相應的 Buffer 接收數(shù)據(jù))。

在使用新的 Credit-based 流量控制時，可能還會注意到另一件事：由于我們在發(fā)送方和接收方之間緩沖較少的數(shù)據(jù)，反壓可能會更早的到來。然而，這是我們所期望的，因為緩存更多數(shù)據(jù)并沒有真正獲得任何好處。如果要緩存更多的數(shù)據(jù)并且保留 Credit-based 流量控制，可以考慮通過增加單個輸入共享 Buffer 的數(shù)量。

注意：如果需要關閉 Credit-based 流量控制，可以將這個配置添加到 flink-conf.yaml 中：taskmanager.network.credit-model:false。但是，此參數(shù)已過時，最終將與非 Credit-based 流控制代碼一起刪除。

4.序列號與反序列化

下圖從上面的擴展了更高級別的視圖，其中包含網(wǎng)絡協(xié)議棧及其周圍組件的更多詳細信息，從發(fā)送算子發(fā)送記錄(Record)到接收算子獲取它：

在生成 Record 并將其傳遞出去之后，例如通過 Collector#collect()，它被傳遞給 RecordWriter，RecordWriter 會將 Java 對象序列化為字節(jié)序列，最終存儲在 Buffer 中按照上面所描述的在網(wǎng)絡協(xié)議棧中進行處理。RecordWriter 首先使用 SpanningRecordSerializer 將 Record 序列化為靈活的堆上字節(jié)數(shù)組。然后，它嘗試將這些字節(jié)寫入目標網(wǎng)絡 Channel 的 Buffer 中。我們將在下面的章節(jié)回到這一部分。

在接收方，底層網(wǎng)絡協(xié)議棧(Netty)將接收到的 Buffer 寫入相應的輸入通道(Channel)。流任務的線程最終從這些隊列中讀取并嘗試在 RecordReader 的幫助下通過 SpillingAdaptiveSpanningRecordDeserializer 將累積的字節(jié)反序列化為 Java 對象。與序列化器類似，這個反序列化器還必須處理特殊情況，例如跨越多個網(wǎng)絡 Buffer 的 Record，或者因為記錄本身比網(wǎng)絡緩沖區(qū)大(默認情況下為32KB，通過 taskmanager.memory.segment-size 設置)或者因為序列化 Record 時，目標 Buffer 中已經(jīng)沒有足夠的剩余空間保存序列化后的字節(jié)數(shù)據(jù)，在這種情況下，F(xiàn)link 將使用這些字節(jié)空間并繼續(xù)將其余字節(jié)寫入新的網(wǎng)絡 Buffer 中。

4.1 將網(wǎng)絡 Buffer 寫入 Netty

在上圖中，Credit-based 流控制機制實際上位于“Netty Server”(和“Netty Client”)組件內(nèi)部，RecordWriter 寫入的 Buffer 始終以空狀態(tài)(無數(shù)據(jù))添加到 Subpartition 中，然后逐漸向其中填寫序列化后的記錄。但是 Netty 在什么時候真正的獲取并發(fā)送這些 Buffer 呢?顯然，不能是 Buffer 中只要有數(shù)據(jù)就發(fā)送，因為跨線程(寫線程與發(fā)送線程)的數(shù)據(jù)交換與同步會造成大量的額外開銷，并且會造成緩存本身失去意義(如果是這樣的話，不如直接將將序列化后的字節(jié)發(fā)到網(wǎng)絡上而不必引入中間的 Buffer)。

在 Flink 中，有三種情況可以使 Netty 服務端使用(發(fā)送)網(wǎng)絡 Buffer：

• 寫入 Record 時 Buffer 變滿，或者
• Buffer 超時未被發(fā)送，或
• 發(fā)送特殊消息，例如 Checkpoint barrier。

▼ 在 Buffer 滿后發(fā)送

RecordWriter 將 Record 序列化到本地的序列化緩沖區(qū)中，并將這些序列化后的字節(jié)逐漸寫入位于相應 Result subpartition 隊列中的一個或多個網(wǎng)絡 Buffer中。雖然單個 RecordWriter 可以處理多個 Subpartition，但每個 Subpartition 只會有一個 RecordWriter 向其寫入數(shù)據(jù)。另一方面，Netty 服務端線程會從多個 Result subpartition 中讀取并像上面所說的那樣將數(shù)據(jù)寫入適當?shù)亩嗦窂陀眯诺馈＿@是一個典型的生產(chǎn)者 - 消費者模式，網(wǎng)絡緩沖區(qū)位于生產(chǎn)者與消費者之間，如下圖所示。在(1)序列化和(2)將數(shù)據(jù)寫入 Buffer 之后，RecordWriter 會相應地更新緩沖區(qū)的寫入索引。一旦 Buffer 完全填滿，RecordWriter 會(3)為當前 Record 剩余的字節(jié)或者下一個 Record 從其本地緩沖池中獲取新的 Buffer，并將新的 Buffer 添加到相應 Subpartition 的隊列中。這將(4)通知 Netty服務端線程有新的數(shù)據(jù)可發(fā)送(如果 Netty 還不知道有可用的數(shù)據(jù)的話4)。每當 Netty 有能力處理這些通知時，它將(5)從隊列中獲取可用 Buffer 并通過適當?shù)?TCP 通道發(fā)送它。

注釋4：如果隊列中有更多已完成的 Buffer，我們可以假設 Netty 已經(jīng)收到通知。

▼ 在 Buffer 超時后發(fā)送

為了支持低延遲應用，我們不能只等到 Buffer 滿了才向下游發(fā)送數(shù)據(jù)。因為可能存在這種情況，某種通信信道沒有太多數(shù)據(jù)，等到 Buffer 滿了在發(fā)送會不必要地增加這些少量 Record 的處理延遲。因此，F(xiàn)link 提供了一個定期 Flush 線程(the output flusher)每隔一段時間會將任何緩存的數(shù)據(jù)全部寫出。可以通過 StreamExecutionEnvironment#setBufferTimeout 配置 Flush 的間隔，并作為延遲5的上限(對于低吞吐量通道)。下圖顯示了它與其他組件的交互方式：RecordWriter 如前所述序列化數(shù)據(jù)并寫入網(wǎng)絡 Buffer，但同時，如果 Netty 還不知道有數(shù)據(jù)可以發(fā)送，Output flusher 會(3,4)通知 Netty 服務端線程數(shù)據(jù)可讀(類似與上面的“buffer已滿”的場景)。當 Netty 處理此通知(5)時，它將消費(獲取并發(fā)送)Buffer 中的可用數(shù)據(jù)并更新 Buffer 的讀取索引。Buffer 會保留在隊列中——從 Netty 服務端對此 Buffer 的任何進一步操作將在下次從讀取索引繼續(xù)讀取。

注釋5：嚴格來說，Output flusher 不提供任何保證——它只向 Netty 發(fā)送通知，而 Netty 線程會按照能力與意愿進行處理。這也意味著如果存在反壓，則 Output flusher 是無效的。

▼ 特殊消息后發(fā)送

一些特殊的消息如果通過 RecordWriter 發(fā)送，也會觸發(fā)立即 Flush 緩存的數(shù)據(jù)。其中最重要的消息包括 Checkpoint barrier 以及 end-of-partition 事件，這些事件應該盡快被發(fā)送，而不應該等待 Buffer 被填滿或者 Output flusher 的下一次 Flush。

▼ 進一步的討論

與小于 1.5 版本的 Flink 不同，請注意(a)網(wǎng)絡 Buffer 現(xiàn)在會被直接放在 Subpartition 的隊列中，(b)網(wǎng)絡 Buffer 不會在 Flush 之后被關閉。這給我們帶來了一些好處：

• 同步開銷較少(Output flusher 和 RecordWriter 是相互獨立的)
• 在高負荷情況下，Netty 是瓶頸(直接的網(wǎng)絡瓶頸或反壓)，我們?nèi)匀豢梢栽谖赐瓿傻?Buffer 中填充數(shù)據(jù)
• Netty 通知顯著減少

但是，在低負載情況下，可能會出現(xiàn) CPU 使用率和 TCP 數(shù)據(jù)包速率的增加。這是因為，F(xiàn)link 將使用任何可用的 CPU 計算能力來嘗試維持所需的延遲。一旦負載增加，F(xiàn)link 將通過填充更多的 Buffer 進行自我調(diào)整。由于同步開銷減少，高負載場景不會受到影響，甚至可以實現(xiàn)更高的吞吐。

4.2 BufferBuilder 和 BufferConsumer

更深入地了解 Flink 中是如何實現(xiàn)生產(chǎn)者 - 消費者機制，需要仔細查看 Flink 1.5 中引入的 BufferBuilder 和 BufferConsumer 類。雖然讀取是以 Buffer 為粒度，但寫入它是按 Record 進行的，因此是 Flink 中所有網(wǎng)絡通信的核心路徑。因此，我們需要在任務線程(Task thread)和 Netty 線程之間實現(xiàn)輕量級連接，這意味著盡量小的同步開銷。你可以通過查看源代碼獲取更加詳細的信息。

5. 延遲與吞吐

引入網(wǎng)絡 Buffer 的目是獲得更高的資源利用率和更高的吞吐，代價是讓 Record 在 Buffer 中等待一段時間。雖然可以通過 Buffer 超時給出此等待時間的上限，但可能很想知道有關這兩個維度(延遲和吞吐)之間權衡的更多信息，顯然，無法兩者同時兼得。下圖顯示了不同的 Buffer 超時時間下的吞吐，超時時間從 0 開始(每個 Record 直接 Flush)到 100 毫秒(默認值)，測試在具有 100 個節(jié)點每個節(jié)點 8 個 Slot 的群集上運行，每個節(jié)點運行沒有業(yè)務邏輯的 Task 因此只用于測試網(wǎng)絡協(xié)議棧的能力。為了進行比較，我們還測試了低延遲改進(如上所述)之前的 Flink 1.4 版本。

如圖，使用 Flink 1.5+，即使是非常低的 Buffer 超時(例如1ms)(對于低延遲場景)也提供高達超時默認參數(shù)(100ms)75% 的***吞吐，但會緩存更少的數(shù)據(jù)。

6.結論

了解 Result partition，批處理和流式計算的不同網(wǎng)絡連接以及調(diào)度類型，Credit-Based 流量控制以及 Flink 網(wǎng)絡協(xié)議棧內(nèi)部的工作機理，有助于更好的理解網(wǎng)絡協(xié)議棧相關的參數(shù)以及作業(yè)的行為。后續(xù)我們會推出更多 Flink 網(wǎng)絡棧的相關內(nèi)容，并深入更多細節(jié)，包括運維相關的監(jiān)控指標(Metrics)，進一步的網(wǎng)絡調(diào)優(yōu)策略以及需要避免的常見錯誤等。