Flink 性能优化总结（内存配置篇）_flink jvm heap

内存配置优化

Flink 内存模型

内存模型详解

进程内存（Total Process Memory）：Flink 进程内存分为堆上内存和堆外内存，堆上内存和
堆外内存的主要区别在于它们的管理方式不同和使用方式不同，这些会影响到它们的性能和使用场景。
（1）JVM Heap（堆上内存）:由 JVM 进行管理和分配的内存空间，可以快速的分配和释放内存，具有更好的内存管理和垃圾回收机制（JVM 垃圾回收机制）。
（2）OFF-Heap Memory（堆外内存）：由操作系统进行管理和分配的内存空间，能够存储更大的数据和缓存，提供更好的性能和扩展性，堆外内存的使用的管理是要手动编码实现，相对于堆上内存更加复杂和容易出错。
JVM 内存： JVM 内存包括 JVM Mataspace（JVM 元空间）和 JVM OverHead（JVM 执行开销）
（1）JVM Mataspace（JVM 元空间）：用于存放 class 文件中的类和方法等信息。
（2）JVM OverHead（JVM 执行开销）：JVM 执行时自身所需要的内容，包括线程堆栈、IO、编译缓存等所使用的内存。
框架内存：框架内存即 TaskManager 本身占用的内存，包括 Framework Heap（框架堆上
内存）和 Framework Off-Heap（框架堆外内存），不计入 slot 资源。
网络内存：NetWork（网络内存）即网络数据交换所使用的堆外内存大小，如网络数据交换缓冲区。
托管内存：Managed Memory（托管内存）用于 Flink 中状态的缓存存储。
Task 内存：Task 内存分为 Task Heap（Task 堆上内存）和 Task Off-Heap（Task 堆外内存），这部分内存用于执行用户代码。

内存配置详解

JVM Mataspace（JVM 元空间）：

JVM OverHead（JVM 执行开销）：

JVM 执行开销计算方式：
执行开销 = 进程内存 * fraction。此计算结果必须落在[192m, 1g]区间内，超过此区间则取边界值。
框架内存：

Managed Memory（托管内存）：

如果 taskmanager.memory.managed.size 未指定则使用总进程大小 * fraction。
NetWork（网络内存）:

计算方式和 jvm 执行开销一样。
Task 内存：

Task 堆上内存为 none，为 Flink 内存扣除掉其他内存所得。

内存配置所做优化

优化前：

存在的问题：
1）进程总内存设置为 16g，但是 Task 所分得的堆内存只占 2 分之 1，容易造成频繁 GC，影响性能，甚至出现 OOM。
2）除了 Task 内存其他内存利用率不高，浪费资源，主要使用的就是 Task 内存资源。
优化后：
优化参数（根据需求自行配置，根据内存使用率来调整）：
taskmanager.memory.managed.size: 128m
taskmanager.memory.jvm-metaspace.size: 512m
taskmanager.memory.network.max: 256m
taskmanager.memory.jvm-overhead.max: 512m