flink sql 优化

---

提示：实时flink sql 参考很多网上方法与自己实践方法汇总(版本:flink1.13+)

一、参数方面

• flink sql参数配置

//关闭详细算子链(默认为true),true后job性能会略微有提升。false则可以展示更详细的DAG图方便地位性能结点   ###有用的参数
pipeline.operator-chaining: 'true'
//指定时区  ###实用的参数
table.local-time-zone: Asia/Shanghai
//对flink sql是否要敏感大小(建议false,不区分大小写。默认为true)
table.identifier-case-sensitive: 'false'
//开启 miniBatch
table.exec.mini-batch.enabled: 'true'
//批量输出的间隔时间
table.exec.mini-batch.allow-latency: 5s
//防止 OOM 设置每个批次最多缓存数据的条数
table.exec.mini-batch.size: '500'
//提交批次数据大小
batchSize: '127108864'
//刷数据间隔
flushIntervalMs: '60000'
//几个flush线程
numFlushThreads: '5'
// 写odps时压缩 :https://help.aliyun.com/zh/flink/developer-reference/maxcompute-connector
compressAlgorithm: snappy
//开启异步状态后端
state.backend.async: 'true'
//状态后端开启增量(默认就是true 增量)
state.backend.incremental: 'true'
//作业链与处理槽共享组(默认为false)，开启后在针对某个操作算子增加并行度和cu等资源时，不与其他槽位共享资源，单独增加额外资源  ###有用的参数
table.exec.split-slot-sharing-group-per-vertex: 'true'
//Checkpoint间隔时间，单位为毫秒 默认180秒 ###如果作业量大，可以适当调大间隔时间。性能方便略有提升
execution.checkpointing.interval: 180s
//State数据的生命周期，单位为毫秒。默认36小时
table.exec.state.ttl: 129600000
//Checkpoint生成超时时间(默认值10分钟)，当Checkpoint生成时间超过10分钟，flink会把创建生成的Checkpoint杀掉，重新再创建生成Checkpoint。如果观察自己的job生成时间过长减少被杀死Checkpoint可以调大下面时间   ###有用的参数
execution.checkpointing.timeout	:10min
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

• datastream代码配置

// 初始化 table environment
TableEnvironment tEnv = ...
// 获取 tableEnv 的配置对象
Configuration configuration = tEnv.getConfig().getConfiguration();
// 设置参数：
// 开启 miniBatch
configuration.setString("table.exec.mini-batch.enabled", "true");
// 批量输出的间隔时间
configuration.setString("table.exec.mini-batch.allow-latency", "5 s");
// 防止 OOM 设置每个批次最多缓存数据的条数，可以设为 2 万条
configuration.setString("table.exec.mini-batch.size", "20000");
// 开启 LocalGlobal(job有聚合函数使用)
configuration.setString("table.optimizer.agg-phase-strategy", "TWO_PHASE");
// 开启 Split Distinct (job有聚合函数使用)
configuration.setString("table.optimizer.distinct-agg.split.enabled", "true");
// 第一层打散的 bucket 数目 (job有聚合函数使用)
configuration.setString("table.optimizer.distinct-agg.split.bucket-num", "1024");
// TopN 的缓存条数 (job有分组top使用)
configuration.setString("table.exec.topn.cache-size", "200000");
// 指定时区
configuration.setString("table.local-time-zone", "Asia/Shanghai");
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

• flink sql 简单作业优化实验截图
  1).调大checkpoint生成时间
  
  
  2).去掉参数:pipeline.operator-chaining: ‘false’
  
  
  3).加攒批参数
  
  
  4).由于full GC导致job性能过差(排查)
  
  查看gc日志:
  
  
  解决方案:对taskmanager增加内存(jobmanager略，因为它很少会出现频繁full gc)。

5).全量Checkpoint与增量Checkpoint的大小一致，是否正常？
如果您在使用Flink的情况下，观察到全量Checkpoint与增量Checkpoint的大小一致：

• 检查增量快照是否正常配置并生效。
• 是否为特定情况。在特定情况下，这种现象是正常的，例如：
  a.在数据注入前（18:29之前），作业没有处理任何数据，此时Checkpoint只包含了初始化的源（Source）状态信息。由于没有其他状态数据，此时的Checkpoint实际上是一个全量Checkpoint。
  b.在18:29时注入了100万条数据。假设数据在接下来的Checkpoint间隔时间（3分钟）内被完全处理，并且期间没有其他数据注入，此时发生的第一个增量Checkpoint将会包含这100万条数据产生的所有状态信息。
  在这种情况下，全量Checkpoint和增量Checkpoint的大小一致是符合预期的。因为第一个增量Checkpoint需要包含全量数据状态，以确保能够从该点恢复整个状态，导致它实际上也是一个全量Checkpoint。

增量Checkpoint通常是从第二个Checkpoint开始体现出来的，在数据稳定输入且没有大规模的状态变更时，后续的增量Checkpoint应该显示出大小上的差异，表明系统正常地只对状态的增量部分进行快照。如果仍然一致，则需要进一步审查系统状态和行为，确认是否存在问题。

二、资源方面

当上面添加配置性能还是不行是，可以增加资源。

• 添加cu
  一般对taskmanager添加cup，默认给1的整数倍，例如1，2，3等。jobmanager 基本不咋干活(业务数据处理)，不用添加资源，之前给很少cup即可
• 添加内存
  一般默认每个taskmanager给4G内存，后面再对它增加资源。jobmanager不用增加内存
• 槽位(slot)
  每个 TaskManager Slot 数给1个( TaskManager 只能同时执行一个 Subtask)，性能比较好(一般简单的job没有大量的回撤流的情况下)。
  A.如果开3个并行度,每个taskmanager1个槽位:1个槽位 乘 3个并行度 乘 每个taskmanager分配的资源+job manager资源=job的总使用资源
  B.如果开3个并行度,每个taskmanager3个槽位:1个槽位 乘 每个taskmanager分配的资源+job manager资源=job的总使用资源
• 并行度
  在 TaskManager Slot 数给1个情况下(此方案性能比较好)，增加并行度可以提升处理性能。但taskmanager资源(内存和cpu)也会成倍增加

*上面只是建议给taskmanager 1cup,4Gb内存起，原因现在很多平台大多是云虚拟资源，这样分配性能较好，同时也是养成良好习惯。

三、总结

不是所有job资源越堆越多好。有时作业的复杂或数据的特殊情况(外部系统性能除外，例如写数据库)，增加资源只会让job性能越来越差或报错(亲身经历job性能差，特别痛苦，一直加资源性能还是差或运行报错)。需要不断找根源问题，多使用不同方法测试才能找到适合job的处理性能。

• 如果优化很多次后job性能还是很差(资源给的很多性能还是不理想)(略增加一些资源)
  可以将一个job拆分两个job(将占用比较多的业务数据(50%更好)在新的job单独处理)
• 性能优化一直无法提升，要么看业务要么看job的性能瓶颈业务(业务牺牲)
• 要么flink只做业务写表，离线负责处理业务写其他表(时效牺牲)

---

• 调优举例(真实案例，折腾了很久):
  背景:(flink 双流join) 默认资源配置(taskmanager 1cpu，4Bb内存，1个槽位，1个并行度)
  数据有堆积，且越堆越多，写入性能弱(每秒十几条写入),CP(checkpoint有时失败,但很大，生成很慢),业务处理简单,单日数量在1700万条数据。
• 后面开始对此job加资源，加并行度，加各种优化配置，增加CP生成时间等等。
  开启job运行后生成CP一直失败(生成CP更大，之前200多兆，改后生成700-800兆还没有生成，生成变慢，生成时间变成)
  
  即使加大CP生产时间和CP校验时间，CP依旧是失败。
  CP一直失败导致处理性能极差(CP在生成时整个job几乎都在停止)，如下截图
  
  后面是各种调优尝试都不能，发现问题是flink在双流join时，有大量的回撤流.如果撤回数据较多的话 , 就会造成这个节点的state大 从而导致SinkMaterializer节点压力大(自己结合UI监控图观察得到)。
• 后面经过很多次调优将并行度改为3，每个 TaskManager Slot 数 给3个，其他不变，性能有提升，CP生成也变快了
  
• 又做调整将taskmanager 给3cup，内存给15Gb，开5个并行度，每个 TaskManager Slot 数 给5个。
  目的:将5个并行度放到一个槽位，资源也没有使用多少。
  测试后发现CP比上面3个并发的增量存储要大(意料之中)，CP生成特别快，已将数据堆压十几个小时的数据全部追上。

*上面案例思想:
A.减少CP生成时间。flink才能快速处理数据(提交完已处理的偏移量数据，快速进行下一轮的新数据)。
B.在有回撤流，需要状态(自己观察在一个并发时CP较大几百兆，一般join情况出现的比较多)将多个并发尽量放到一个slot，减少数据传输和交换(一个槽位共享状态)。其他简单的job没有或很少回撤流的情况下可以只建一个槽位。
C.增加并行度会导致CP增大。原因之前一个线程一个CP,现在是多个线程有自己的状态(可能会有重复数据状态)，多个状态合在一起CP就大了。

参考:文档1