目前，Flink是无法做到Job在运行时动态调整并行度的，不经历重启直接拉起新的Task实列进行运行，目前都是基于重启恢复机制来实现的，因为涉及到状态管理
Flnk 在资源管理中，资源的获取方式包含两种模式：
Active 模式：主动式，Flink 可以主动的申请、释放资源（通过与资源管理框架集成，如：Yarn、Mesos）Reactive 模式：被动响应式，该模式由外部系统来进行分配，释放资源，Flink只是简单地对可用资源进行响应。（这种模式对于基于容器环境相当有意义，如K8S）
现在Flink的资源管理模式是Action 模式，有用户明确指定Job需要的资源，JobMaster 会像ResourceManager 去请求用户的指定的全量资源，当ResourceManager 无法满足JobManager 的申请需求时，该Job 将无法进行正常启动，它会陷入失败重启-》再次尝试申请的循环。
为了能够同时支持Active/Reactive 这两种模式，Flink 1.12.0 版本引入了申明式资源管理设计
该功能和原先最大的差别在于：JobMaster 不再去逐个请求Slot，二十申明需要的资源情况，对资源要求是弹性范围的，不是固定的。
弹性资源包含四个参数（min，targer，max，rs）
min：执行job的最小资源target：jobMaster 期望获得的常规资源需求，它是可变的，这是扩缩容的主要出发机制。max： 最大资源期望rs： resource spc（资源描述信息） 动态调整：
将Flink任务部署运行在K8S容器上的，使用Flink Reactive Mode 响应模式，将Flink集群部署在K8s容器种，通过K8S的Pod 水平自动扩缩容器组件来实现Flink作业资源TaskManager的动态改变。
K8s 的Pod的水平自动缩放组件会监控所有的TaskManager Pods 的cpu 负载来相应的调整副本因子（replication factor）。当cpu 负载升高时，autoscaler 会增加TaskManage资源来平摊压力，当负载降低时，autoscaler会减少TaskManager资源
