社区微信群开通啦，扫一扫抢先加入社区官方微信群
社区微信群
Flink 1.9.0 SQL(Blink Planner) 性能优化中一项重要的改进就是升级了微批模型，即 MiniBatch(也称作MicroBatch或MiniBatch2.0)，在支持高吞吐场景发挥了重要作用。
MiniBatch与早期的MiniBatch1.0在微批的触发机制略有不同。原理同样是缓存一定的数据后再触发处理，以减少对State的访问，从而提升吞吐和减少数据的输出量
MiniBatch与早期的MiniBatch1.0对比如下：
1、MiniBatch1.0主要依靠在每个Task上注册的Timer线程来触发微批，需要消耗一定的线程调度性能。
2、MiniBatch是MiniBatch1.0的升级版，主要要基于事件消息来触发微批，事件消息会按您指定的时间间隔在源头插入。MiniBatch在元素序列化效率、反压表现、吞吐和延迟性能上都要优于胜于MiniBatch1.0
微批处理是增加延迟来换取高吞吐的策略，如果您有超低延迟的要求，不建议开启微批处理。通常对于聚合的场景，微批处理可以显著的提升系统性能，建议开启。
在未开启任何聚合优化前，执行SQL()：
SELECT key, SUM(value) FROM T GROUP BY key
当未开启 MicroBatch 时，Aggregate 的处理模式是每来一条数据，查询一次状态，进行聚合计算，然后写入一次状态。当有 4条数据时，需要操作 2*4 次状态
当开启 MicroBatch 时，对于缓存下来的 N 条数据一起触发，同 key 的数据只会读写状态一次。例如下缓存的 4 条 A 的记录，只会对状态读写各一次。所以当数据的 key 的重复率越大，攒批的大小越大，那么对状态的访问会越少，得到的吞吐量越高。
MiniBatch主要作用于聚合(Group By)语句中，且不带window的场景（即分类2）。
我们先看下聚合分类：
示例：select count(a) from t group by tumble(ts, interval ’10’ second), b
解析：以10秒翻转窗口和字段b聚合，MiniBatch不能作用的场景
示例：select count(a) from t group by b
解析：以字段a聚合，MiniBatch可以作用的场景
示例：select count(a) over (partition by b order by c) from t
解析：over window，MiniBatch不能作用的场景
上一章节我们说明了MiniBatch只能作用于分类2（group aggregate且不带window场景），这个聚合场景下，微批处理具有三类优化手段：
- Local-Global聚合(本地-全局聚合)
- Partial-Final聚合(解决COUNT DISTINCT热点问题)
- Incremental增量聚合
Local-Global聚合优化与Spark Structrued Streaming聚合思路类似：
- 原理图解：
LocalGlobal本质上能够靠localAgg的预聚合筛除部分倾斜数据，从而降低globalAgg的热点，提升性能。可以结合下图理解LocalGlobal如何解决数据倾斜的问题
- 适用场景：
LocalGlobal适用于提升如SUM、COUNT、MAX、MIN和AVG等普通聚合的性能，能提高算子吞吐量，也能有效解决常见数据热点问题
- 源码Rule规则：TwoStageOptimizedAggregateRule（两阶段聚合规则）
- 物理计划算子：上述规则内部#createTwoStageAgg()创建了StreamExecLocalGroupAggregate、StreamExecGlobalGroupAggregate物理计划节点，分别对应Local、Global微批聚合实现
- 实现函数Fuction：MiniBatchLocalGroupAggFunction、MiniBatchGlobalGroupAggFunction，分别对应Local、Global微批聚合实现
- 需要的额外配置：
table.optimizer.agg-phase-strategy开启（默认值已为AUTO开启，所以不用配置）
- 如何判断是否生效:
FLink Web UI观察最终生成的拓扑图的节点名字中是否包含GlobalGroupAggregate或LocalGroupAggregate
上一小节的Local-Global优化能针对常见普通聚合有较好的效果（如SUM、COUNT、MAX、MIN和AVG）。但是对于COUNT DISTINCT收效不明显，原因是COUNT DISTINCT在local聚合时，对于DISTINCT KEY的去重率不高，导致在Global节点仍然存在热点
实时计算历史版本中，用户为了解决COUNT DISTINCT的热点问题，通常会手动改写成两层聚合（增加按distinct key取模的打散层），自FLink1.9.0版本开始，实时计算提供了COUNT DISTINCT自动打散，即Partial-Final优化，您无需自行改写为两层聚合。Partial-Final和Local-Global的原理对比参见下图。
- 适用场景：
使用COUNT DISTINCT且聚合节点性能无法满足时。
- 说明：
PartialFinal优化方法不能在包含UDAF的Flink SQL中使用。
数据量不大的情况下不建议使用PartialFinal优化方法。PartialFinal优化会自动打散成两层聚合，引入额外的网络Shuffle，在数据量不大的情况下，可能反而会浪费资源。
一个Partial-Final优化过程示例：
原SQL：
SELECT day, COUNT(DISTINCT buy_id) as cnt FROM T GROUP BY day,
对所需DISTINCT字段buy_id模1024自动打散后，SQL：
SELECT day, SUM(cnt) total
FROM (
SELECT day, MOD(buy_id, 1024), COUNT(DISTINCT buy_id) as cnt
FROM T GROUP BY day, MOD(buy_id, 1024))
GROUP BY day
- 源码Rule规则：SplitAggregateRule（拆分聚合规则，注意是作用于logical逻辑计划阶段，拆分出来的两个聚合GROUP还会参与local-global等优化）
- 需要的额外配置：
table.optimizer.distinct-agg.split.enabled开启（默认值已为false，需要设置为true）
table.optimizer.distinct-agg.split.bucket-num（默认值1024，可以根据业务数据量和热点情况，设置这个取模值）
- 如何判断是否生效:
FLink Web UI观察最终生成的拓扑图的节点名中是否包含Expand节点，或者原来一层的聚合变成了两层的聚合
增量聚合是对partial-final和local-global拆分出来的聚合物理算子进行进一步优化，例如对一个带有COUNT DISTINCT和聚合场景，同时开启partial-final和local-global优化配置，最后会得到4个以上相关算子。
如果上一个聚合算子的输出字段(partial)与下一个聚合算子(local)的输入字段一样，就可以匹配上IncrementalAggregateRule，进行算子的合并。如图：
- 源码Rule规则：IncrementalAggregateRule（增量聚合规则，注意是作用于physical物理计划阶段）
- 物理计划算子：上述规则内部#onMatch()创建了StreamExecIncrementalGroupAggregate、StreamExecGlobalGroupAggregate物理计划节点，分别对应Local、Global微批聚合实现
- 实现函数Fuction：MiniBatchGlobalGroupAggFunction
- 需要的额外配置：
table.optimizer.incremental-agg-enabled开启（默认值已为true，所以不用修改）
- 如何判断是否生效:
FLink Web UI观察最终生成的拓扑图的节点名中是否包含IncrementalGroup节点
public static final ConfigOption<Boolean> TABLE_EXEC_MINIBATCH_ENABLED =
key("table.exec.mini-batch.enabled")
.defaultValue(false)
.withDescription("Specifies whether to enable MiniBatch optimization. " +
"MiniBatch is an optimization to buffer input records to reduce state access. " +
"This is disabled by default. To enable this, users should set this config to true. " +
"NOTE: If mini-batch is enabled, 'table.exec.mini-batch.allow-latency' and " +
"'table.exec.mini-batch.size' must be set.");
public static final ConfigOption<String> TABLE_EXEC_MINIBATCH_ALLOW_LATENCY =
key("table.exec.mini-batch.allow-latency")
.defaultValue("-1 ms")
.withDescription("The maximum latency can be used for MiniBatch to buffer input records. " +
"MiniBatch is an optimization to buffer input records to reduce state access. " +
"MiniBatch is triggered with the allowed latency interval and when the maximum number of buffered records reached. " +
"NOTE: If " + TABLE_EXEC_MINIBATCH_ENABLED.key() + " is set true, its value must be greater than zero.");
public static final ConfigOption<Long> TABLE_EXEC_MINIBATCH_SIZE =
key("table.exec.mini-batch.size")
.defaultValue(-1L)
.withDescription("The maximum number of input records can be buffered for MiniBatch. " +
"MiniBatch is an optimization to buffer input records to reduce state access. " +
"MiniBatch is triggered with the allowed latency interval and when the maximum number of buffered records reached. " +
"NOTE: MiniBatch only works for non-windowed aggregations currently. If " + TABLE_EXEC_MINIBATCH_ENABLED.key() +
" is set true, its value must be positive.");
public static final ConfigOption<Boolean> TABLE_OPTIMIZER_REUSE_SUB_PLAN_ENABLED =
key("table.optimizer.reuse-sub-plan-enabled")
.defaultValue(true)
.withDescription("When it is true, the optimizer will try to find out duplicated sub-plans and reuse them.");
Join Join
/ /
Filter1 Filter2 Filter1 Filter2
| | => /
Project1 Project2 Project1
| | |
Scan1 Scan2 Scan1
如果觉得我的文章对您有用，请随意打赏。你的支持将鼓励我继续创作！
