滴滴 Flink-1.10 升级之路
导读：滴滴实时计算引擎从 Flink-1.4 无缝升级到 Flink-1.10 版本，做到了完全对用户透明。并且在新版本的指标、调度、SQL 引擎等进行了一些优化，在性能和易用性上相较旧版本都有很大提升。
这篇文章介绍了我们升级过程中遇到的困难和思考，希望能给大家带来启发。
一、 背景
在本次升级之前，我们使用的主要版本为 Flink-1.4.2，并且在社区版本上进行了一些增强，提供了 StreamSQL 和低阶 API 两种服务形式。现有集群规模达到了 1500 台物理机，运行任务数超过 12000 ，日均处理数据 3 万亿条左右。
不过随着社区的发展，尤其是 Blink 合入 master 后有很多功能和架构上的升级，我们希望能通过版本升级提供更好的流计算服务。今年 2 月份，里程碑版本 Flink-1.10 发布，我们开始在新版上上进行开发工作，踏上了充满挑战的升级之路。
二、 Flink-1.10 新特性
作为 Flink 社区至今为止的最大的一次版本升级，加入的新特性解决了之前遇到很多的痛点。
1. 原生 DDL 语法与 Catalog 支持
Flink SQL 原生支持了 DDL 语法，比如 CREATE TABLE/CREATE FUNCTION，可以使用 SQL 进行元数据的注册，而不需要使用代码的方式。
也提供了 Catalog 的支持，默认使用 InMemoryCatalog 将信息临时保存在内存中，同时也提供了 HiveCatalog 可以与 HiveMetastore 进行集成。也可以通过自己拓展 Catalog 接口实现自定义的元数据管理。
2.Flink SQL 的增强
- 基于 ROW_NUMBER 实现的 TopN 和去重语法，拓展了 StreamSQL 的使用场景。
- 实现了 BinaryRow 类型作为内部数据交互，将数据直接以二进制的方式构建而不是对象数组，比如使用一条数据中的某个字段时，可以只反序列其中部分数据，减少了不必要的序列化开销。
- 新增了大量内置函数，例如字符串处理、FIRST/LAST_VALUE 等等，由于不需要转换为外部类型，相较于自定义函数效率更高。
- 增加了 MiniBatch 优化，通过微批的处理方式提升任务的吞吐
3.内存配置优化
之前对 Flink 内存的管理一直是一个比较头疼的问题，尤其是在使用 RocksDB 时，因为一个 TaskManager 中可能存在多个 RocksDB 实例，不好估算内存使用量，就导致经常发生内存超过限制被杀。
在新版上增加了一些内存配置，例如 state.backend.rocksdb.memory.fixed-per-slot 可以轻松限制每个 slot的RocksDB 内存的使用上限，避免了 OOM 的风险。
三、挑战与应对
本次升级最大的挑战是，如何保证 StreamSQL 的兼容性。StreamSQL 的目的就是为了对用户屏蔽底层细节，能够更加专注业务逻辑，而我们可以通过版本升级甚至更换引擎来提供更好的服务。保证任务的平滑升级是最基本的要求。
1. 内部 patch 如何兼容
由于跨越多个版本架构差距巨大，内部 patch 基本无法直接合入，需要在新版本上重新实现。我们首先整理了所有的历史 commit，筛选出那些必要的修改并且在新版上进行重新实现，目的是能覆盖已有的所有功能，确保新版本能支持现有的所有任务需求。
例如：
- 新增或修改 Connectors 以支持公司内部需要，例如 DDMQ（滴滴开源消息队列产品），权限认证功能等。
- 新增 Formats 实现，例如 binlog，内部日志采集格式的解析等。
- 增加 ADD JAR 语法，可以在 SQL 任务中引用外部依赖，比如 UDF JAR，自定义 Source/Sink。
- 增加 SET 语法，可以在 SQL 中设置 TableConfig，指导执行计划的生成
2. StreamSQL 语法兼容
社区在 1.4 版本时，FlinkSQL还处于比较初始的阶段，也没有原生的 DDL 语法支持，我们使用 Antlr 实现了一套自定义的 DDL 语法。但是在 Flink1.10 版本上，社区已经提供了原生的 DDL 支持，而且与我们内部的语法差别较大。现在摆在我们面前有几条路可以选择：
- 放弃内部语法的支持，修改全部任务至新语法。（违背了平滑迁移的初衷，而且对已有用户学习成本高）
- 修改 Flink 内语法解析的模块（sql-parser），支持对内部语法的解析。（实现较为复杂，且不利于后续的版本升级）
- 在 sql-parser 之上封装一层语法转换层，将原本的 SQL 解析提取有效信息后，通过字符串拼接的方式组织成社区语法再运行。
最终我们选用了第三种方案，这样可以最大限度的减少和引擎的耦合，作为插件运行，未来再有引擎升级完全可以复用现有的逻辑，能够降低很多的开发成本。
例如：我们在旧版本上使用 "json-path" 的库实现了 json 解析，通过在建表语句里定义类似 $.status 的表达式表示如何提取此字段。
新版本上原生的 json 类型解析可以使用 ROW 类型来表示嵌套结构，在转换为新语法的过程中，将原本的表达是解析为树并构建出新的字段类型，再使用计算列的方式提取出原始表中的字段，确保表结构与之前一致。类型名称、配置属性也通过映射转换为社区语法。
3. 兼容性测试
最后是测试阶段，需要进行完善的测试确保所有任务都能做到平滑升级。我们原本的计划是准备进行回归测试，对已有的所有任务替换配置后进行回放，但是在实际操作中有很多问题：
- 测试流程过长，一次运行可能需要数个小时。
- 出现问题时不好定位，可能发生在任务的整个生命周期的任何阶段。
- 无法验证计算结果，即新旧版本语义是否一致
所以我们按任务的提交流程分成多个阶段进行测试，只有在当前阶段能够全部测试通过后后进入下一个阶段测试，提前发现问题，将问题定位范围缩小到当前阶段，提高测试效率。
- 转换测试：对所有任务进行转换，测试结果符合预期，抽象典型场景为单元测试。
- 编译测试：确保所有任务可以通过 TablePlanner 生成执行计划，再编译成 JobGraph，真正提交运行前结束。
- 回归测试：在测试环境对任务替换配置后进行回放，确认任务可以提交运行
- 对照测试：对采样数据以文件的形式提交至新旧两个版本中运行，对比结果是否完全一致（因为部分任务结果不具有确定性，所以使用旧版本连续运行 2 次，筛选出确定性任务，作为测试用例）
四、引擎增强
除了对旧版本的兼容，我们也结合了新版本的特性，对引擎进行了增强。
1. Task-Load 指标
我们一直希望能精确衡量任务的负载状况，使用反压指标指标只能粗略的判断任务的资源够或者不够。
结合新版的 Mailbox 线程模型，所有互斥操作全部运行在 TaskThread 中，只需统计出线程的占用时间，就可以精确计算任务负载的百分比。
未来可以使用指标进行任务的资源推荐，让任务负载维持在一个比较健康的水平。
2. SubTask 均衡调度
在 FLIP-6 后，Flink 修改了资源调度模型，移除了--container 参数，slot 按需申请确保不会有闲置资源。但是这也导致了一个问题，Source 的并发数常常是小于最大并发数的，而 SubTask 调度是按 DAG 的拓扑顺序调度，这样 SourceTask 就会集中在某些 TaskManager 中导致热点。
我们加入了"最小 slot 数"的配置，保证在 Flink session 启动后立即申请相应数量的 slot，且闲置时也不主动退出，搭配 cluster.evenly-spread-out-slots 参数可以保证在 slot 数充足的情况下，SubTask 会均匀分布在所有的 TaskManager 上。
3. 窗口函数增强
以滚动窗口为例 TUMBLE(time_attr, INTERVAL '1' DAY)，窗口为一天时开始和结束时间固定为每天 0 点 -24 点，无法做到生产每天 12 点-次日 12 点的窗口。
对于代码可以通过指定偏移量实现，但是 SQL 目前还未实现，通过增加参数 TUMBLE(time_attr, INTERVAL '1' DAY, TIME '12:00:00') 表示偏移时间为 12 小时。
还有另外一种场景，比如统计一天的 UV，同时希望展示当前时刻的计算结果，例如每分钟触发窗口计算。对于代码开发的方式可以通过自定义 Trigger 的方式决定窗口的触发逻辑，而且 Flink 也内置了一些 Tigger 实现，比如 ContinuousTimeTrigger 就很适合这种场景。所以我们又在窗口函数里增加了一种可选参数，代表窗口的触发周期，TUMBLE(time_attr, INTERVAL '1' DAY, INTERVAL '1' MINUTES) 。
通过增加 offset 和 tiggger 周期参数（TUMBLE(time_attr, size[,offset_time][,trigger_interval])），拓展了 SQL 中窗口的使用场景，类似上面的场景可以直接使用 SQL 开发而不需要使用代码的方式。
4. RexCall 结果复用
在很多 SQL 的使用场景里，会多次使用上一个计算结果，比如将 JSON 解析成 Map 并提取多个字段 。
虽然通过子查询，看起来 json 解析只调用一次，但是经过引擎的优化后，通过结果表的投影 (Projection) 生成函数调用链 (RexCall)，结果类似：
这样会导致 json 解析的计算重复运行了3次，即使使用视图分割成两步操作，经过 Planner 的优化一样会变成上边的样子。
对于确定性 (isDeterministic=true) 的函数来说，相同的输入一定代表相同的结果，重复执行 3 次 json 解析其实是没有意义的，如何优化才能实现对函数结果的复用呢？
在代码生成时，将 RexCall 生成的唯一标识（Digest）和变量符号的映射保存在 CodeGenContext 中，如果遇到 Digest 相同的函数调用，则可以复用已经存在的结果变量，这样解析 JSON 只需要执行第一次，之后就可以复用第一次的结果。
五、总结
通过几个月的努力，新版本已经上线运行,并且作为 StreamSQL 的默认引擎，任务重启后直接使用新版本运行。兼容性测试的通过率达到 99.9%，可以基本做到对用户的透明升级。对于新接触 StreamSQL 用户可以使用社区 SQL 语法进行开发，已有任务也可以修改 DML 部分语句来使用新特性。现在新版本已经支持了公司内许多业务场景，例如公司实时数据仓库团队依托于新版本更强的表达能力和性能，承接了多种多样的数据需求做到稳定运行且与离线口径保持一致。
版本升级不是我们的终点，随着实时计算的发展，公司内也有越来越多的团队需要使用 Flink 引擎, 也向我们提出了更多的挑战，例如与 Hive 的整合做到将结果直接写入 Hive 或直接使用 Flink 作为批处理引擎，这些也是我们探索和发展的方向，通过不断的迭代向用户提供更加简单好用的流计算服务。
作者｜Alan
本文为阿里云原创内容，未经允许不得转载。
