Flink教程：12-资源配置调优

Flink 性能调优的第一步，就是为任务分配合适的资源，在一定范围内，增加资源的分配与性能的提升是成正比的，实现了最优的资源配置后，在此基础上再考虑进行后面论述的性能调优策略。

1. yarn-per-job任务实验

1）启动hadoop集群

1	[root@spark01 ~]# hadoopCluster.sh start

2）标准的Flink任务提交脚本（Generic CLI模式）

# 1. 上传jar到服务器
/opt/module/flink-1.13.1/lib/myjar/flink-tuning-1.0-SNAPSHOT.jar

# 2. 提交脚本
bin/flink run -t yarn-per-job -d -p 1 -Dyarn.application.queue=test -Djobmanager.memory.process.size=1024mb -Dtaskmanager.memory.process.size=1024mb -Dtaskmanager.numberOfTaskSlots=1 -c com.atguigu.flink.tuning.UvDemo /opt/module/flink-1.13.1/lib/myjar/flink-tuning-1.0-SNAPSHOT.jar 

bin/flink run -t yarn-per-job -c com.atguigu.flink.tuning.UvDemo /opt/module/flink-1.13.1/lib/myjar/flink-tuning-1.0-SNAPSHOT.jar

3）flink web ui观察任务运行情况

2. TaskManager内存模型

JVM 特定内存：JVM 本身使用的内存，包含 JVM 的 metaspace 和 over-head

1）JVM metaspace：JVM 元空间

taskmanager.memory.jvm-metaspace.size，默认 256mb

2）JVM over-head 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。

taskmanager.memory.jvm-overhead.fraction，默认 0.1

taskmanager.memory.jvm-overhead.min，默认 192mb

taskmanager.memory.jvm-overhead.max，默认 1gb

总进程内存fraction，如果小于配置的 min（或大于配置的max）大小，则使用 min/max大小

框架内存：Flink 框架，即 TaskManager 本身所占用的内存，不计入 Slot 的资源中。

堆内：taskmanager.memory.framework.heap.size，默认 128MB

堆外：taskmanager.memory.framework.off-heap.size，默认 128MB
Task 内存：Task 执行用户代码时所使用的内存

堆内：taskmanager.memory.task.heap.size，默认 none，由 Flink 内存扣除掉其他部分

的内存得到。

堆外：taskmanager.memory.task.off-heap.size，默认 0，表示不使用堆外内存
网络内存：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

堆外：taskmanager.memory.network.fraction，默认 0.1

taskmanager.memory.network.min，默认 64mb

taskmanager.memory.network.max，默认 1gb

Flink 内存*fraction，如果小于配置的 min（或大于配置的 max）大小，则使用 min/max

大小
托管内存：用于 RocksDB State Backend 的本地内存和批的排序、哈希表、缓存中间结果。

堆外：taskmanager.memory.managed.fraction，默认 0.4

taskmanager.memory.managed.size，默认 none

如果 size 没指定，则等于 Flink 内存fraction

案例分析：

基于Yarn模式，一般参数指定的是总进程内存，taskmanager.memory.process.size，比如指定为 4G，每一块内存得到大小如下：

（1）计算 Flink 内存

JVM 元空间 256m

JVM 执行开销： 4g*0.1=409.6m，在[192m,1g]之间，最终结果 409.6m

Flink 内存=4g-256m-409.6m=3430.4m

（2）网络内存=3430.4m*0.1=343.04m，在[64m,1g]之间，最终结果 343.04m

（3）托管内存=3430.4m*0.4=1372.16m

（4）框架内存，堆内和堆外都是 128m

（5）Task 堆内内存=3430.4m-128m-128m-343.04m-1372.16m=1459.2m

所以进程内存给多大，每一部分内存需不需要调整，可以看内存的使用率来调整。

3. 合理分配cpu资源

Yarn 的容量调度器默认情况下是使用“DefaultResourceCalculator”分配策略，只根据内存调度资源，所以在 Yarn 的资源管理页面上看到每个容器的 vcore 个数还是 1。

可以修改策略为 DominantResourceCalculator，该资源计算器在计算资源的时候会综合考虑 cpu 和内存的情况。在 capacity-scheduler.xml 中修改属性:

<property>
<name>yarn.scheduler.capacity.resource-calculator</name>
<!-- <value>org.apache.hadoop.yarn.util.resource.DefaultResourceCalculator</value> -->
<value>org.apache.hadoop.yarn.util.resource.DominantResourceCalculator</value>
</property>

4. 并行度设置

4.1 全局并行度设置

开发完成后，先进行压测。任务并行度给 10 以下，测试单个并行度的处理上限。然后总 QPS/单并行度的处理能力 = 并行度

开发完 Flink 作业，压测的方式很简单，先在 kafka 中积压数据，之后开启 Flink 任务，出现反压，就是处理瓶颈。相当于水库先积水，一下子泄洪。

不能只从 QPS 去得出并行度，因为有些字段少、逻辑简单的任务，单并行度一秒处理几万条数据。而有些数据字段多，处理逻辑复杂，单并行度一秒只能处理 1000 条数据。

最好根据高峰期的 QPS 压测，并行度*1.2 倍，富余一些资源。

4.2 Source端并行度设置

数据源端是 Kafka，Source 的并行度设置为 Kafka 对应 Topic 的分区数。

如果已经等于 Kafka 的分区数，消费速度仍跟不上数据生产速度，考虑下 Kafka 要扩大分区，同时调大并行度等于分区数。

Flink 的一个并行度可以处理一至多个分区的数据，如果并行度多于 Kafka 的分区数，那么就会造成有的并行度空闲，浪费资源。

4.3 Transform端并行度设置

Keyby 之前的算子

一般不会做太重的操作，都是比如 map、filter、flatmap 等处理较快的算子，并行度可以和 source 保持一致。
Keyby 之后的算子

如果并发较大，建议设置并行度为 2 的整数次幂，例如：128、256、512；

小并发任务的并行度不一定需要设置成 2 的整数次幂；

大并发任务如果没有 KeyBy，并行度也无需设置为 2 的整数次幂；