大数据架构之Flink调优-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。

提交方式主要是yarn-per-job，资源的分配在使用脚本提交Flink任务时进行指定。

标准的Flink任务提交脚本（Generic CLI 模式）

从1.11开始，增加了通用客户端模式，参数使用-D 指定

bin/flink run 
-t yarn-per-job 
-d 
-p 5  指定并行度
-Dyarn.application.queue=test  指定yarn队列
-Djobmanager.memory.process.size=1024mb  指定JM的总进程大小
-Dtaskmanager.memory.process.size=1024mb  指定每个TM的总进程大小
-Dtaskmanager.numberOfTaskSlots=2  指定每个TM的slot数
-c com.atguigu.flink.tuning.UvDemo 
/opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar

参数列表：https://ci.apache.org/projects/flink/flink-docs-release-1.13/deployment/config.html

Flink1.10对TaskManager内存模型做了较大改动，Flink使用了堆上内存和堆外内存：

**framework Heap&framework Off-Heap：**Flink框架内存使用了堆上内存和堆外内存，不计入slot资源

**Task Heap&Task Off-Heap：**Task执行的内存使用了堆上内存和堆外内存

**NetWork（网络缓冲内存）：**网络数据交换所使用的堆外内存，入网络数据交换缓冲区

**Direct Memory（直接内存） ：**框架堆外内存、Task堆外内存、网络缓冲内存，都在堆外的直接内存里

**Managed Memory（托管内存）：**Flink管理的堆外内存。用于管理排序、哈希表、缓存中间结果及RocksDB State Backend的本地内存

**JVM metaspace&JVM Overhead（JVM特有内存）：**JVM本身占用的内存，包括元空间和执行开销

Total Flink Memory=framework Heap+framework Off-Heap+ask Heap+Task Off-Heap+NetWork+Managed Memory

Total Process Memory=Total Flink Memory+JVM metaspace+JVM Overhead

**JVM 特定内存：**JVM本身占用的内存，包括元空间和执行开销

**JVM metaspace：**JVM元空间

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

**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

**网络缓冲内存：**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

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：

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

网络内存=3430.4m0.1=343.04m，在[64m,1g]之间，最终结果343.04m

托管内存=3430.4m0.4=1372.16m

框架内存，堆内和堆外都是128m

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

JVM Options:
	-Xmx1664299798                              #约1875M=Task堆内存+框架内存
	-Xms1664299798                              
	-XX:MaxDirectMemorySize=493921243           #约471M=Task堆外内存+框架堆外内存+网络内存
	-XX:MaxmetaspaceSize=268435456              #256M=JVM元空间

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

bin/flink run 
-t yarn-per-job 
-d 
-p 5  指定并行度
-Dyarn.application.queue=test  指定yarn队列
-Djobmanager.memory.process.size=2048mb  JM2~4G足够
-Dtaskmanager.memory.process.size=4096mb  单个TM2~8G足够
-Dtaskmanager.numberOfTaskSlots=2  与容器核数1core：1slot或2core：1slot
-c com.atguigu.flink.tuning.UvDemo 
/opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar

Flink是实时流处理，关键在于资源情况能不能抗住高峰时期每秒的数据量，通常用QPS/TPS来描述数据情况。

本文是优极限大数据全套大数据教程之Flink调优的一部分文档，如需Flink或大数据齐全套课程资料请私信我或留言。